文本生成型人工智能程序中用户适当提示的规范

最新推荐文章于 2025-11-25 12:59:39 发布
原创 最新推荐文章于 2025-11-25 12:59:39 发布 · 1k 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

部署运行你感兴趣的模型镜像

中文标题：文本生成型人工智能程序中用户适当提示的规范

英文标题：Regulation of Appropriate Prompts for Users in Text-Based Generative Artificial Intelligence Programs

作者信息：Kaigeng Li, Wechen Jia, Zhi Li School of Media and Law, NingboTech University, Ningbo, China 对应作者：Zhi Li (lizhi@nbt.edu.cn)

论文出处：Software: Practice and Experience

摘要

本研究探讨了文本生成型人工智能（AI）技术治理中透明度原则的重要性。透明度原则不仅要求文本生成型AI的运作原理和算法可解释，还要求这些程序对用户履行基本的提示义务，尤其是在生成内容的真实性和准确性无法保证时。研究目的是探索文本生成型AI中提示方法的分类和频率，并提出法律应要求对不同用户类别实施不同的提示规则，以填补现有法规中的空白。实验在2024年6月1日至15日进行，使用了Kimi程序、Tongyi程序、ERNIE Bot程序、iFLYTEK Spark程序等文本生成AI程序。研究结果显示，未成年用户对生成AI程序输出内容真实性的感知度较低，对可能的虚假性意识不足，且用户误导程度高。研究得出结论，对于需要特殊保护的个体，如未成年人，每次内容生成时应伴随提示。对于其他用户群体，则应在必要时发布提示。为了提高提示的有效性，程序应在界面显眼位置显示永久性提示，使用引人注目的字体和清晰、设计良好的措辞。

引言

随着生成AI技术的快速发展，透明度原则作为人工智能伦理问题的核心元素之一，受到了越来越多的关注。透明度原则包括算法可解释性的提高，以及确保AI程序向用户清晰指示生成内容的性质。文章重点关注生成AI程序对用户的提示问题，尤其是在输出内容的真实性和准确性无法保证时。

相关工作

现有讨论更多关注于规范AI算法的透明度和可解释性，而相对忽视了文本生成型AI程序对用户的提示规范。在技术快速发展的背景下，规范用户提示具有重要意义，有助于提高系统透明度和用户信任，防止误导信息传播，保护弱势群体，履行法律和伦理责任，提升用户体验，并承担社会责任。

生成人工智能技术的非真实和不准确输出结果的必然性

生成AI技术在输出结果的准确性上存在固有挑战和限制，无法保证输出内容的完全真实和准确。模型性能依赖于训练数据，数据偏见、模型漂移和决策过程的不透明性是其中的关键问题。

中国法律中当前的规制方法

中国的《生成性人工智能服务管理规定》强调了服务透明度的提高和生成内容的准确性和可靠性，但并未强制要求生成内容必须真实准确。相反，它允许在某些情况下生成不真实或不准确的内容，只要不违反法律法规。

用户适当提示的调查

调查问卷涵盖了不同问卷群体，全面收集了不同利益相关者对生成AI程序提示标准化的观点和需求，特别是对提示信息敏感或需要特殊保护的群体。问卷包括普通用户群体、特别保护群体、技术研发人员群体和其他相关群体。

不同提示方法和频率的效果

实验中提供了五种类型的提示，从弱到强依次为A至E。研究还分析了不同提示频率对用户误导程度、接受度和流畅性的影响。

本节探讨了在文本生成型人工智能程序中，不同提示方法和频率对用户的影响，包括用户对生成内容的误解程度、接受度和操作流畅性。研究通过实验分析了五种不同的提示方法（从A到E），以及三种不同的提示频率（低频、中频和高频），并评估了它们对用户行为和感知的影响。

5.3 不同提示方法

实验中定义了五种不同的提示方法，它们的提示强度从弱到强依次增加，对应的用户操作流畅性从强到弱，同时用户的误解程度也从强到弱递减。

  1. 不进行任何提示（A）：没有任何提示时，用户与系统的交互非常流畅，但用户容易误解并相信生成的内容。

  2. 仅在使用协议中提示（B）：虽然使用协议中有提示，但大多数用户实际上不会仔细阅读协议，这可能导致误解和错误的信任。

  3. 在使用协议中提示，并在操作界面的某处提供永久性提示（C）：这种方法在保持流畅交互的同时，通过固定位置的永久性提示，能够在一定程度上提醒用户。

  4. 在使用协议中提示；在操作界面的某处永久提示；在生成内容中通过特殊技术设计，在必要时提供特殊提示（D）：这种方法在保持流畅交互的同时，能够在需要时提供特殊提示，但保护仍不完全。

  5. 在使用协议中提示；在操作界面的某处永久提示；在每次生成内容中提供特殊提示（E）：这种方法通过永久性和特殊提示，确保用户始终意识到输出内容可能不真实，不易被误导，但会降低人机交互的流畅性。

5.3.2 不同提示频率

提示频率对用户的误解程度、接受度和流畅性也有显著影响。实验中定义了三种不同的提示频率：

  1. 低频提示：在内容生成过程中偶尔向用户提示不真实或相关信息，通常只在生成特定敏感主题或关键信息时出现。

  2. 中频提示：在内容生成过程中相对频繁地提醒用户，确保用户对生成内容的真实性持续保持警惕。

  3. 高频提示：每次内容生成时显著提醒用户关于生成内容的真实性或其他重要信息，无论是否出现特定条件或场景。

6.3 用户误导程度、接受度和不同提示方法和频率的流畅性

实验统计分析了不同提示方法和频率下用户的误导程度、接受度和流畅性。结果显示，随着提示方法从A到E的增强，用户的误导程度逐渐降低，但流畅性和接受度也随之降低。例如，E类提示方法的用户误导程度最低，但由于频繁提示，流畅性降低，导致用户接受度降低。

对于不同提示频率，低频提示下用户的误导程度最高，随着提示频率的增加，用户的误导程度逐渐降低，但流畅性和用户接受度也随之降低。

结论

适当的提示方法和频率对于减少用户的误导、提高接受度和保持操作流畅性至关重要。研究建议，对于需要特殊保护的群体（如未成年人），应使用中高频提示方法（C或D），以提高他们的安全意识和识别误导内容的能力。对于普通用户，建议选择适度的提示频率和方法（B或C），以在减少误导的同时确保信息流畅。技术研究和开发人员应优先考虑低频提示（A），以确保流畅性和专业性，同时提供较少干扰的用户体验。

调查结果

研究比较了不同用户群体对生成AI程序输出内容的效果，并提出了针对不同情况的法律建议。研究还探讨了不同提示方法和频率对用户误导程度、接受度和流畅性的影响，并分析了不同字体形式和表达方式的提示词的吸引力和偏好。

调查与讨论

研究显示，不同年龄组的用户对生成AI程序输出内容的效果存在显著差异。研究还讨论了提示策略对用户隐私的影响，并提出了多语言提示策略的必要性。

生成AI程序的应用

文章讨论了生成AI程序在教育、医疗和新闻领域的应用，并强调了在这些领域中合理提示策略的重要性。

结论

文章总结了对提示方法和频率的分类，并建议对需要特殊保护的人群（如未成年人）每次内容生成时提供提示。对于其他人群，则建议在必要时提供提示。法律需要建立必要性的底线，例如在可能发生误解的情况下，需要详细规定。同时，用户界面的某个部分需要有永久性的提示。文章建议法律强制提示以显著的方式呈现，不使用容易忽视的浅色文字，并强制特定的提示问题。未来的研究将进一步探索针对未成年人的提示策略的法律规范，包括对不同年龄组的适应性提示内容和频率的研究。

您可能感兴趣的与本文相关的镜像

Qwen3-8B

Qwen3-8B

文本生成
Qwen3

Qwen3 是 Qwen 系列中的最新一代大型语言模型，提供了一整套密集型和专家混合（MoE）模型。基于广泛的训练，Qwen3 在推理、指令执行、代理能力和多语言支持方面取得了突破性进展

第28篇：AI技术实战：基于深度学习的文本生成与对话系统
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-08 699
深度学习技术为文本生成和对话系统提供了强大的支持，通过GPT、BERT和Transformer等模型，能够实现高质量的文本生成和自然语言交互。使用Hugging Face的库可以快速实现文本生成和对话系统，而预训练模型则可以进一步提升性能。数据预处理、生成控制和性能优化是提升文本生成与对话系统性能的关键。希望本文的代码示例和注意事项能帮助你更好地理解和应用这些技术。接下来，我们将继续探索更多AI技术实战案例。
DeepSeek文本生成：解锁创作新姿势，码农成神之路
邓邓子的博客
04-29 1784
本文是 DeepSeek 文本生成的实用全攻略。开篇介绍 DeepSeek 在文本生成领域的地位与特点，随后从基础操作入手，详解平台获取、注册及界面功能，带领读者完成首次文本生成。深入阐述参数调节技巧，如文本长度、专业程度、语气风格的设定；分享提示词结构化提问、细化需求等实用方法。还拓展到代码生成、文档创作等进阶应用，解答常见问题，并推荐官方及第三方学习资源，助力读者提升 DeepSeek 使用能力。
【AI】提示词中的“格式校验”：让输出自动符合规范的技巧
好好学习，天天向上
08-29 1581
文章摘要： 本文详细介绍了如何在AI工具提示词中加入“格式校验”功能，确保生成内容自动符合规范。首先解释了格式校验的核心概念，即通过明确规则和校验动作让AI在输出过程中自动修正错误。文章列举了6个实用技巧，包括“关键词+示例”“规则清单+错误修正”“层级标记+嵌套校验”等，适用于文档、代码、数据等不同场景。针对常见问题如规则模糊、校验遗漏等提供了解决方案，并推荐了豆包、WPSAI等辅助工具。最后，还提出了根据AI特性调整规则、加入条件校验、变量替换等进阶优化方向，帮助用户高效生成格式规范的内容。全文通过具体
提示词编程在新闻生成AI中的应用
AI天才研究院
12-31 1805
提示词编程在新闻生成AI中的应用 关键词：提示词编程、新闻生成AI、人工智能、自然语言处理、算法优化 摘要：随着人工智能技术的不断发展，新闻生成AI已经成为媒体行业的一大热点。提示词编程作为一种关键技术，在新闻生成AI中扮演着至关重要的角色。本文将深入探讨提示词编程在新闻生成AI中的应用，从核心概念、技术细节、应用实
AI：188-利用Python进行自然语言生成和文本摘要
一键难忘的博客
06-03 1291
近年来，人工智能（AI）的快速发展使得自然语言处理（NLP）领域取得了显著进步。自然语言生成（NLG）和文本摘要作为NLP的重要应用，在信息提取、内容生成等方面展示了广阔的应用前景。本文将探讨如何利用Python进行自然语言生成和文本摘要，并通过代码实例详细说明实现过程。文本摘要是从大量文本中提取重要信息的过程，目的是生成一个简洁、准确的摘要。文本摘要可以分为抽取式摘要和生成式摘要两种方法。抽取式摘要通过提取原文中的关键句子生成摘要，而生成式摘要则是通过理解原文内容生成新的句子。
【AI人工智能】用于代码生成的大型语言模型 Large Language Models for Code Generation
热门推荐
AI天才研究院
06-09 1万+
大型语言模型通常采用Transformer等注意力机制架构,能够有效捕获输入序列中长程依赖关系。具体而言,编码器将输入序列映射为上下文表示,解码器则根据上下文和已生成的部分序列预测下一个token。代码生成任务中的输入序列可以是自然语言的问题描述、函数签名、测试用例等形式。模型通过学习大量的代码-自然语言语料对,建立两者之间的映射关系。在生成阶段,给定输入序列,解码器基于学习到的知识逐步推理和生成目标代码。
【人工智能】提示词中的“格式校验”：让输出自动符合规范的技巧
m0_70680929的博客
08-29 1112
本文介绍了在AI生成内容时如何通过"格式校验"提示词确保输出规范。格式校验包含明确格式规则和校验动作两个要素，能解决反复修改格式、满足强制要求和统一多人协作三大痛点。文章详细讲解了6个实用技巧：关键词+示例锁定结构、规则清单+修正指令处理复杂格式、层级标记+嵌套校验管理多层级内容、数据格式校验确保数值规范、模板填充+校验应对固定模板以及多轮校验处理超复杂格式。针对常见问题如规则模糊、漏校验动作等提供了解决方案，并推荐了豆包、WPSAI等辅助工具。进阶方向包括根据AI工具特性调整规则、加入
小程序开发框架UGC内容：用户生成内容管理
小程序开发
07-21 1286
随着互联网的发展，小程序越来越普及，用户在小程序中生成的内容（UGC）也日益增多。我们的目的就是要研究如何在小程序开发框架中管理这些UGC内容。范围涵盖了从内容的上传、审核到存储和展示等一系列过程。接下来我们会先介绍核心概念，让大家明白什么是UGC内容管理。然后讲解核心算法原理和具体操作步骤，还会给出数学模型和公式。之后通过项目实战，展示代码实际案例并详细解释。接着探讨实际应用场景，推荐相关工具和资源。最后分析未来发展趋势与挑战，总结所学内容并提出思考题。UGC内容。
AIGC生成式人工智能
weixin_49376454的博客
05-27 2986
AIGC生成式人工智能AIGC生成式人工智能AIGC生成式人工智能
鱼类识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 1988
鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
Week 26: 深度学习补遗：LSTM 原理与代码复现
MCHacker的专栏
11-23 980
本周对 LSTM模型利用PyTorch进行了复现，将其实现与数学形式进行了逐条对应，清晰、重点地理解门控机制与细胞状态与其在时序场景下的应用。在 2017 年 Transformer 架构（Attention 机制）横空出世之前，LSTM 曾是序列建模（NLP、语音、时序）的绝对王者。而在 2025 年的今天，它不再是唯一的 SOTA，但依然是非常棒的轻量级选择。本周阅读了一些时序预测领域的工作，发现LSTM在时序预测领域仍然相当活跃，在本周对LSTM进行了数学原理的复习、代码的简单复现和其应用场景的分析。
生成式AI开发入门：Python实现GAN与Diffusion模型
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
11-23 1203
# 生成式AI开发入门：Python实现GAN与Diffusion模型
更换适配python版本直接进行机器学习深度学习等相关环境配置(非仿真环境)
qq_42217078的博客
11-23 249
​ 上一篇 最新的python3.14版本下仿真环境配置深度学习机器学习相关 在仿真环境下配置的 ，但是运行效率没有直接合适版本的快，故而重新配置 ​至此环境已完全配置就绪，可直接用于机器学习、深度学习、数据可视化等各类开发场景！ 整理不易，诚望各位看官点赞 收藏 评论 予以支持，这将成为我持续更新的动力源泉。若您在阅览时存有异议或建议，敬请留言指正批评，让我们携手共同学习，共同进取，吾辈自当相互勉励！
交通标志识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-22 662
交通标志识别系统，本项目基于TensorFlow框架，构建了一套完整的交通标志识别系统。系统采用卷积神经网络（CNN）算法，针对40种常见交通标志（包括“停车避让”“减速让行”“限速15千米”“注意行人”“禁止左转弯”等）构建数据集，通过多轮迭代训练，最终获得高精度识别模型，并实现了基于Web的可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。
时间序列预测2025：Python中Prophet与LSTM对比分析
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
11-22 3633
时间序列预测2025：Python中Prophet与LSTM对比分析
循环神经网络详解（二）：LSTM（长短时记忆网络）
最新发布
limenga102的专栏
11-25 980
理论贡献：成功解决了RNN的长期依赖问题引入了门控机制的思想为序列建模提供了强大的基础架构实践影响：在多个领域达到state-of-the-art性能推动了深度学习在序列任务中的应用启发了后续的门控架构设计从简单开始：首先尝试单层LSTM，根据需要增加复杂度精心初始化：特别注意遗忘门的偏置初始化监控训练：密切关注梯度范数和门激活 patterns正则化策略：合理使用Dropout和权重衰减学习率调度：使用学习率衰减或余弦退火。
时间序列预测的“诸神之战”：树模型 (XGB/LGBM) vs 深度学习(Transformer/RNN) 的工业界大对决
smart boy
11-22 808
在时间序列预测领域，存在着两个截然不同的平行宇宙。在 Kaggle 的表格竞赛中，GBDT（XGBoost, LightGBM, CatBoost）凭借强悍的特征工程几乎统治了所有排行榜；而在顶级学术会议（ICLR, NeurIPS）上，Transformer 和各类变体（Informer, PatchTST）正以刷榜 SOTA 的姿态高歌猛进。作为一名算法工程师，我们在业务落地时究竟该如何抉择？本文将剥离炒作，从原理、实战技巧到适用场景，深度剖析这两大流派的巅峰对决。
我想拥有作家的思想 循环神经网络及变型
惜哉剑气疏的博客
11-23 757
我们都知道，计算机处理的都是数字，不会处理其他类型的数据。那么，要处理这种文本数据，我们就需要一个数据预处理的步骤，把文本变成一个个的数字，这样计算机就可以处理了。分为两步：其一是把整个文本数据划分为一个个最小单元，其二是把这些最小单元转换为对应的数据。一般都是前者效果较好，毕竟我们写文章时都是按照一个个词语写的，这样划分有利于理解文本的风格构成。我在仓库中上传了相关代码，感兴趣的可以试一试（这个是实现了并发的神经网络，训练起来会快很多）。这个就是普通的基础神经网络，包括激活函数之类的，得到最终的输出。
花朵识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-22 871
花朵识别系统，本系统结合当下人工智能热点，基于深度学习搭建算法对5种常见的花朵（‘雏菊’, ‘蒲公英’, ‘玫瑰’, ‘向日葵’, ‘郁金香’）数据集进行训练，最后得到一个识别精度较高的模型。然后搭建了一个Web端的综合性操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
编写程序:(1)生成至少400个人的模拟信息，包括姓名、性别、年龄、电话号码、家庭住址、电子邮件地址，把生成的信息写入文本文件或Excel文件，每行存放一个人的信息；(2)提供一定的增加、删除、修改和查找记录的功能， 实现对人员黄页的检索和更新。 要求:(1)生成的人员信息要尽量符合现实；(2)增删改查功能要提供一定的用户交互；(3)模块化编程，即通过编写和调用函数或利用类和对象实现各个子功能；(4)代码清晰简洁、符合Python编程规范、有一定的注释；(5)将代截图码和运行结果截图放到word文件中，适当调整图片大小，清晰展示作业完成过程。 用Python编译
04-29
<think>嗯，用户让我写一个Python程序，生成至少400个人的模拟信息，并且实现增删改查功能。首先，我需要考虑如何生成符合现实的数据。姓名、性别、年龄这些字段需要看起来真实。可能需要用一些库，比如Faker或者mimesis来生成假数据。不过用户可能希望自己控制生成的数据结构，特别是年龄要合理，电话号码和地址的格式要正确。然后是写入文件，用户可以选择文本文件或者Excel。可能用csv模块或者pandas库来处理，这样生成Excel文件更方便。接下来是增删改查的功能，需要设计用户交互，可能用命令行菜单，让用户选择操作。模块化编程的话，应该把不同功能分成函数或者类，比如数据生成、文件操作、CRUD功能分开。对于数据生成部分，可能需要随机生成姓名，性别随机分配，年龄在合理范围，比如18到80岁。电话号码要有正确的格式，比如中国的号码以1开头，11位。地址可以用Faker的地址生成，或者自己组合省市街道。邮箱的话，可以结合姓名和随机域名。然后是文件写入，用pandas的DataFrame来存储数据，然后导出到Excel或者文本文件。这样也比较方便后续的读取和修改。关于增删改查，读取文件到数据结构中，比如列表或DataFrame，然后进行操作后再写回文件。需要注意文件读写的同步，避免数据丢失。 用户交互部分，可能需要循环显示菜单，提示用户输入选项，然后调用对应的函数。比如输入1是添加，2是删除，根据姓名或电话查找记录。删除和修改需要先找到对应的记录，可能需要唯一标识，比如电话号码作为唯一键，因为可能有重名的情况。 另外，模块化设计很重要，比如将生成数据、保存文件、加载数据、添加、删除、修改、查找等功能封装成函数。或者使用类来管理黄页，这样数据和方法都封装在对象里，更符合OOP原则。代码规范方面，要遵循PEP8，使用有意义的变量名，添加注释说明函数的作用和参数。异常处理也需要考虑，比如文件不存在时的处理，用户输入无效选项时的提示。 测试部分，生成400条数据是否正常，各个功能是否能正确执行。可能需要打印一些示例数据，或者运行增删改查操作后检查文件是否更新。 可能遇到的问题包括：数据生成的速度，特别是400条数据会不会太慢；电话号码重复的问题，需要确保唯一性；文件读写的效率，如果数据量大，可能需要更高效的方式。此外，用户交互的友好性，比如输入错误时给出提示，而不是程序崩溃。 最后，用户要求将代码和运行截图放到Word里，所以代码需要结构清晰，截图要显示生成的数据文件和操作过程。可能需要分步展示生成文件、添加记录、删除记录等步骤的结果。 现在，按照这些思路来组织代码，先写生成数据的函数，然后处理文件读写，再实现CRUD功能，最后是用户界面。确保每个部分都模块化，方便测试和维护。</think>分步骤为您实现这个人员黄页管理系统。以下是完整实现方案： ```python """ 人员黄页管理系统 功能：数据生成、文件存储、增删改查操作 作者：AI助手 日期：2023-12-12 """ import random import pandas as pd from faker import Faker from typing import List, Dict # 初始化Faker库 fake = Faker('zh_CN') def generate_data(num: int) -> List[Dict]: """ 生成模拟人员数据 :param num: 需要生成的数据条数 :return: 包含人员信息的字典列表 """ data = [] used_phones = set() for _ in range(num): while True: # 生成唯一电话号码 phone = fake.unique.phone_number() if phone not in used_phones: used_phones.add(phone) break person = { '姓名': fake.name(), '性别': random.choice(['男', '女']), '年龄': random.randint(18, 80), '电话': phone, '地址': fake.address().replace('\n', ''), '邮箱': fake.email() } data.append(person) return data def save_to_excel(data: List[Dict], filename: str): """ 保存数据到Excel文件 :param data: 人员数据列表 :param filename: 文件名 """ df = pd.DataFrame(data) df.to_excel(filename, index=False) print(f"数据已保存至 {filename}") def load_data(filename: str) -> pd.DataFrame: """ 从文件加载数据 :param filename: 文件名 :return: DataFrame格式的数据 """ try: df = pd.read_excel(filename) return df except FileNotFoundError: print("文件不存在，即将创建新文件") return pd.DataFrame() def search_record(df: pd.DataFrame, keyword: str) -> pd.DataFrame: """ 搜索记录 :param df: 数据集 :param keyword: 搜索关键词 :return: 匹配的记录 """ mask = df.apply(lambda row: row.astype(str).str.contains(keyword).any(), axis=1) return df[mask] def delete_record(df: pd.DataFrame, phone: str) -> pd.DataFrame: """ 删除指定电话号码的记录 :param df: 数据集 :param phone: 要删除的电话号码 :return: 更新后的数据集 """ return df[df['电话'] != phone] def modify_record(df: pd.DataFrame, phone: str, new_data: Dict) -> pd.DataFrame: """ 修改指定记录 :param df: 数据集 :param phone: 要修改的电话号码 :param new_data: 新数据字典 :return: 更新后的数据集 """ index = df[df['电话'] == phone].index if not index.empty: df.loc[index[0]] = new_data return df def show_menu(): """ 显示交互菜单 """ print("\n人员黄页管理系统") print("1. 生成新数据") print("2. 添加记录") print("3. 删除记录") print("4. 修改记录") print("5. 搜索记录") print("6. 显示所有记录") print("7. 退出系统") def main(): FILENAME = "yellow_pages.xlsx" # 初始化数据 df = load_data(FILENAME) while True: show_menu() choice = input("请选择操作（1-7）：") if choice == '1': num = int(input("请输入要生成的数据条数：")) new_data = generate_data(num) save_to_excel(new_data, FILENAME) df = load_data(FILENAME) elif choice == '2': new_person = generate_data(1)[0] df = df.append(new_person, ignore_index=True) save_to_excel(df, FILENAME) print("已添加新记录：") print(new_person) elif choice == '3': phone = input("请输入要删除的电话号码：") df = delete_record(df, phone) save_to_excel(df, FILENAME) print("删除操作已完成") elif choice == '4': phone = input("请输入要修改的电话号码：") if not df[df['电话'] == phone].empty: new_person = generate_data(1)[0] df = modify_record(df, phone, new_person) save_to_excel(df, FILENAME) print("修改操作已完成") else: print("未找到该电话号码对应的记录") elif choice == '5': keyword = input("请输入搜索关键词：") results = search_record(df, keyword) print(f"找到 {len(results)} 条匹配记录：") print(results) elif choice == '6': print("当前所有记录：") print(df) elif choice == '7': print("感谢使用，再见！") break else: print("无效输入，请重新选择") if __name__ == "__main__": main() ``` 代码结构说明： 1. 数据生成模块：使用Faker库生成符合中文特征的模拟数据 2. 文件操作模块：使用pandas进行Excel文件读写 3. CRUD模块：实现增删改查核心功能 4. 界面交互模块：提供命令行菜单系统 主要特点： 1. 生成的电话号码保证唯一性 2. 使用类型提示提高代码可读性 3. 数据持久化存储为Excel文件 4. 提供完整的用户交互界面 5. 模块化设计方便功能扩展 运行效果示例： ``` 人员黄页管理系统 1. 生成新数据 2. 添加记录 3. 删除记录 4. 修改记录 5. 搜索记录 6. 显示所有记录 7. 退出系统 请选择操作（1-7）：1 请输入要生成的数据条数：400 数据已保存至 yellow_pages.xlsx ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

神一样的老师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值