---

1. 整体鸟瞰

请在不运行代码的前提下，总结 <文件名.ipynb> 的主要目的、核心逻辑流程和输出结果。

阅读整个项目目录，列出每个 .ipynb / .py 文件的角色，以及它们之间的数据依赖关系（输入→处理→输出）。

2. 结构与依赖

扫描 <文件名.ipynb>，提取所有 import 语句，生成一张“外部依赖 + 版本”清单，并标注哪些是必须安装的第三方库。

为这个项目绘制一个调用图：显示每个函数/类之间的调用顺序（用 Markdown 列表即可）。

3. 代码解读与注释

逐个代码单元(Cell)解释其作用，并用 1～2 句话概括每段核心逻辑，输出成 Markdown。

请为 <函数/类名> 补充 docstring（包含参数说明、返回值、示例用法），保持符合 Google 风格。

4. 性能与可读性检查

找出 Notebook 中潜在的性能瓶颈（如重复读写磁盘、大循环、未矢量化的 Pandas 操作），并给出优化建议。

扫描代码风格问题（PEP8 违规、变量命名不清等），逐条列出并建议修改方案。

5. 可复现性与自动化

把当前 Notebook 拆分成纯 .py 脚本（模块化），并生成一个 run.py 作为入口，保证完全可复现。

基于现有分析流程，生成一个 Makefile 或 bash 脚本，实现一键执行 / 清理中间文件。

6. 测试与验证

为核心函数自动生成 pytest 单元测试样例（覆盖正常与异常输入）。

请分析模型/结果输出的统计指标（如 RMSE、F1 等），判断是否有过拟合风险，并建议进一步验证方法。

7. 可视化与报告

列出 Notebook 中生成的所有图表（含标题和用途），并建议如何统一配色、字体，以便写报告。

为项目生成一份简明 README.md：背景→数据→方法→运行方式→结果→参考文献。

8. 数据安全与合规

检查 Notebook 是否含有可能泄漏敏感信息（如明文密钥、私密路径）。如果有，请指出具体位置并给出脱敏方案。

---

小技巧

1. 把角色告诉 Cursor：在第一个 prompt 前加一句“你是经验丰富的 Python 数据科学家”能让回答更精炼。
2. 分块提问：长 Notebook 先用“只看目录”→“只看某段代码”两步拆分，避免上下文溢出。
3. 善用 code: 前缀：当需要 Cursor 直接返还可执行代码时，加上 code:，它会把回答包进代码块，复制即用。
4. 反复迭代：拿到初步总结后，可以继续“基于上一步结果，再 …”进行深挖。