Napisz skrypt w Pythonie do analizy pliku CSV z wyciągiem bankowym - Prompt do ChatGPT
Zautomatyzuj analizę wyciągów z CSV: modularny, bezpieczny i wydajny skrypt Python. Otrzymuj kategoryzacje, interaktywne wykresy, raporty, alerty oraz prognozy.
Co robi ten prompt:
• Generuje skrypt w języku Python, który automatyzuje analizę historii transakcji z pliku CSV. • Automatycznie kategoryzuje wydatki na podstawie podanej przez użytkownika listy słów kluczowych, co ułatwia śledzenie finansów. • Prezentuje czytelne podsumowanie finansowe, zawierające całkowite przychody, wydatki, saldo oraz szczegółowy rozkład wydatków na poszczególne kategorie.
Jesteś doświadczonym programistą Python, specjalizującym się w analizie danych z użyciem biblioteki pandas. Twoim zadaniem jest tworzenie czystego, wydajnego i łatwego do modyfikacji kodu, który rozwiązuje konkretne problemy analityczne.
Zadanie (Cel): Napisz skrypt w Pythonie, który wczyta plik CSV z historią transakcji bankowych, dokona jego analizy i wygeneruje zwięzłe podsumowanie finansowe. Skrypt musi automatycznie kategoryzować wydatki na podstawie zdefiniowanych słów kluczowych.
Kroki do wykonania przez skrypt:
- Zaimportuj bibliotekę
pandas. - Zdefiniuj zmienne konfiguracyjne na podstawie Danych wejściowych (nazwa pliku, nazwy kolumn, mapowanie kategorii na słowa kluczowe).
- Wczytaj plik CSV do
DataFrame. - Wyczyść dane: usuń wiersze z brakującymi wartościami w kluczowych kolumnach i upewnij się, że kolumna z kwotą jest typu numerycznego.
- Stwórz funkcję do kategoryzacji transakcji. Funkcja powinna przeszukać opis transakcji w poszukiwaniu słów kluczowych i przypisać odpowiednią kategorię. Jeśli żadne słowo kluczowe nie pasuje, przypisz kategorię "Inne".
- Zastosuj funkcję, tworząc nową kolumnę "Kategoria".
- Oblicz i przygotuj do wyświetlenia:
- Całkowity przychód (suma kwot dodatnich).
- Całkowity wydatek (suma kwot ujemnych).
- Saldo końcowe (przychód + wydatek).
- Podsumowanie wydatków w każdej kategorii (suma kwot ujemnych dla każdej kategorii).
Format Odpowiedzi:
- Sekcja 1: Kod Skryptu Python
- Umieść cały kod w jednym, gotowym do skopiowania bloku
```python ... ```. - Kod musi być dobrze skomentowany, wyjaśniając logikę działania kluczowych fragmentów (np. czyszczenie danych, funkcja kategoryzująca).
- Wszystkie zmienne wejściowe muszą być zdefiniowane w jednym miejscu na początku skryptu, aby użytkownik mógł je łatwo edytować.
- Umieść cały kod w jednym, gotowym do skopiowania bloku
- Sekcja 2: Wyjaśnienie działania
- Dodaj 2-3 zdaniowy opis pod kodem, wyjaśniający, jak uruchomić skrypt i jakie wyniki zostaną wyświetlone w konsoli.
Najważniejsze: Kluczowe jest stworzenie elastycznej i precyzyjnej logiki automatycznej kategoryzacji wydatków. Skrypt musi być odporny na wielkość liter w opisach transakcji. Finalne podsumowanie wyświetlone w terminalu musi być sformatowane w sposób przejrzysty i czytelny, aby użytkownik od razu zrozumiał swoją sytuację finansową.
Jak używać tego prompta:
Należy uzupełnić pola w sekcji [Dane wejściowe], podając rzeczywiste nazwy z pliku CSV oraz własne kategorie i słowa kluczowe. Przykładowo, jeśli kolumna z kwotą w Twoim pliku nazywa się „Wartość”, należy uzupełnić pole [Nazwa Kolumny z Kwotą] właśnie tą wartością. Przykładowe uzupełnienie danych: Nazwa Pliku CSV: wyciag_mbank_styczen.csv; Nazwa Kolumny z Datą: Data operacji; Nazwa Kolumny z Opisem Transakcji: Opis operacji; Nazwa Kolumny z Kwotą: Kwota; Lista Kategorii i Słów Kluczowych: Mieszkanie:czynsz,prąd,gaz; Zakupy spożywcze:auchan,carrefour,żabka; Rozrywka:kino,netflix,spotify
Dobrze wiedzieć
Przed uruchomieniem skryptu upewnij się, że plik CSV jest poprawnie sformatowany. Sprawdź, czy separator kolumn (najczęściej przecinek lub średnik) jest zgodny z tym, czego oczekuje funkcja pd.read_csv(). W razie problemów z wczytaniem pliku, może być konieczne dodanie do tej funkcji parametru sep, np. pd.read_csv(nazwa_pliku, sep=';'). Dodatkowo, zweryfikuj format daty w pliku, aby upewnić się, że pandas będzie w stanie go poprawnie zinterpretować. Ten prompt jest doskonałym punktem wyjścia do budowy bardziej zaawansowanego narzędzia do analizy finansów osobistych. Wygenerowany skrypt można łatwo rozbudować, dodając np. obsługę wielu plików (analiza danych z kilku miesięcy), tworzenie wizualizacji danych (wykresów kołowych lub słupkowych wydatków) za pomocą bibliotek matplotlib lub seaborn, czy też analizę wydatków w określonych ramach czasowych, np. w podziale na poszczególne miesiące.