Comment utiliser ChatGPT pour la science des données ?

ChatGPT facilite la vie de tous ceux qui travaillent avec des données.

ChatGPT peut faire beaucoup de choses intéressantes, dont écrire du code.

Vous donnez simplement les bonnes instructions et ChatGPT fera le travail à votre place. Il vous aide à créer des requêtes SQL en langage naturel, à résoudre vos problèmes de codage, à traduire votre code Python en R, Java, Julia, etc.

Voici comment utiliser ChatGPT pour la programmation et la science des données.

1. Posez des questions de codage à ChatGPT

Si vous avez des questions de codage, vous allez sur StackOverflow et espérez que l'une des réponses les plus votées résoudra votre problème.

Eh bien, vous pouvez maintenant poser la même question à ChatGPT. Par exemple, nous avons oublié comment fusionner des dictionnaires en Python, alors nous avons demandé

Comment fusionner des dictionnaires en Python ?

Comme le montre l'image, en plus de donner la bonne réponse, ChatGPT propose également une variété d'options pour fusionner des dictionnaires.

Mais ce n’est pas tout ! Vous pouvez poser des questions liées aux pandas, numpy, matplotlib et à d'autres bibliothèques de science des données.

2. Traduisez le code Python en R

Supposons que vous soyez un data scientist qui connaît Python et qui est nouveau dans R. Si vous souhaitez convertir du code Python en R, vous pouvez demander à ChatGPT

de traduire la fonction suivante de Python vers R :

def get_square (num):

return num * num

ChatGPT Non seulement fait le travail, mais explique également très bien la fonction et comment l'utiliser dans R.

Très utile pour ceux qui savent à peine imprimer "Hello World in R".

Mais il y a plus ! Que se passe-t-il si vous utilisez Pandas en Python et que, pour une raison quelconque, vous devez répliquer votre travail dans R ? ChatGPT peut vous aider.

Traduisez les fonctions suivantes de Python vers R

def get_stats ( event_name ):
df_stats = df[df[ 'event_name' ]==event_name]
stats = df_stats[ 'player_id' ]
stats = stats.value_counts ()

statistiques de retour

Après avoir vu les résultats, vous savez maintenant que vous pouvez sélectionner des colonnes en utilisant le symbole "$" dans R.

J'ai même testé le code en R et cela a bien fonctionné.

3. Langage naturel vers requête SQL

Open AI prétend que vous pouvez écrire des requêtes SQL en utilisant le langage naturel. Testons-le.

Commençons par une simple requête.

Créez une requête SQL pour trouver les utilisateurs qui vivent à Shanghai et ont plus de 30 ans.

Ceci est juste une simple requête SQL, ajoutons plus de conditions pour la tester.

La requête répertorie les noms des départements qui ont employé plus de 10 employés au cours des 3 derniers mois. La table SQL suivante et ses attributs :

# Employee (id, name, Department_id)

# Department (ID, nom, adresse)

# Salary_Payments(id, Employee_id, montant, date)

SQL généré par ChatGPT

SELECT d.name AS department_name
FROM Department d
JOIN Employee e ON d.id = e.department_id
JOIN Salary_Payments sp ON e.id = sp.employee_id
WHERE sp.date >= DATEADD(month, -3, GETDATE())
GROUP BY d.name
HAVING COUNT(DISTINCT e.id) > 10;

4. Classification des textes

Nous pouvons également utiliser ChatGPT pour classer les textes en sentiment positif/sentiment négatif

Catégoriser le sentiment dans ces textes :

1 "J'aime mon travail"

. 2. « Chatbot fou ! »

3. « Mon chien est mignon »

4. « Je déteste manger de la coriandre »

5. Visualisation des données

Nous pouvons utiliser la visualisation ChatGPT. Il suffit de préciser le langage de programmation et les bibliothèques à utiliser.

Utilisez matplotlib pour dessiner une régression linéaire en Python

ChatGPT répertorie également les étapes correspondantes et affiche enfin l'exemple de code dans son intégralité.

import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression

# 准备数据
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2, 4, 5, 7, 8, 10, 11, 13, 14, 16])

# 训练线性回归模型并进行预测
x = x.reshape(-1, 1)
model = LinearRegression().fit(x, y)
y_pred = model.predict(x)

# 绘制数据和回归线
plt.scatter(x, y)
plt.plot(x, y_pred, color='red')
plt.show()

J'ai copié/collé le code et j'ai obtenu l'image ci-dessous.

C'est cool non ? Il y a des centaines de choses que vous pouvez faire avec ce chatbot.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!