作为一名数据科学家,我始终在寻找提高效率和通过数据推动业务价值的方法。
因此,当ChatGPT发布了其最强大的功能之一——Code Interpreter插件时(我将其翻译为代码解释器),我必须尝试并将其纳入我的工作流程中。
什么是 ChatGPT 代码解释器?
如果你还没有听说过Code Interpreter,这是一个新功能,允许你在ChatGPT界面中上传代码、运行程序和分析数据。
在过去的一年里,每当我需要调试代码或分析文档时,我都必须将我的工作复制并粘贴到ChatGPT中以获取响应。
这证明是耗时的,而且ChatGPT界面有一个字符限制,这限制了我分析数据和执行机器学习工作流的能力。
虽然它被称为“Code Interpreter”,但这个功能不仅限于程序员,该插件还可以帮助你分析文本文件、总结PDF文档、构建数据可视化,并根据你的需求裁剪图像。
如何访问代码解释器?
在我们介绍其应用之前,让我们快速了解如何开始使用Code Interpreter插件。
要访问这个插件,你需要订阅ChatGPT Plus的付费订阅,目前价格为每月20美元。
不幸的是,没有订阅ChatGPT Plus的用户无法使用Code Interpreter。
一旦你订阅了付费计划,只需进入ChatGPT并点击界面左下角的三个点。
然后,选择设置:
点击“Beta功能”,并启用上面写着“代码解释器”的滑块:
最后,点击“新聊天”,选择“GPT-4”选项,并在出现的下拉菜单中选择“代码解释器”:
您将看到一个类似于此的屏幕,文本框附近有一个“+”符号。
很好!您现在已成功启用 ChatGPT 代码解释器。
在本文中,我将向您展示使用代码解释器自动执行数据科学工作流的几种方法。
1. 数据汇总
作为数据科学家,我花了很多时间试图理解数据集中存在的不同变量。
代码解释器非常擅长为您分解每个数据点。
以下是您可以让该模型帮助您汇总数据的方法:
让我们以Kaggle上的“泰坦尼克号生存预测”数据集为例。我将使用“train.csv”文件。
下载数据集并导航到代码解释器。
点击“+”符号并上传要摘要的文件。
然后,询问ChatGPT以简单的方式解释此文件中的所有变量:
非常好!
代码解释器为我们提供了数据集中每个变量的简单解释。
2. 探索性数据分析
现在我们已经了解了数据集中不同变量的情况,让我们请求Code Interpreter更进一步地进行一些探索性数据分析(EDA)。
该模型生成了5个图形,使我们能够更好地了解数据集中的不同变量。
如果您点击“显示工作”下拉菜单,您会注意到Code Interpreter编写并运行了Python代码,以帮助我们实现最终结果:
如果您想进行进一步的分析,您可以随时将此代码复制粘贴到自己的Jupyter Notebook中。
ChatGPT还根据生成的可视化提供了一些关于数据集的见解:
它告诉我们女性、头等舱乘客和年轻乘客的生存率更高。
这些是需要时间手动推导出来的见解,尤其是如果您不熟悉Python和数据可视化库(如Matplotlib)。
Code Interpreter仅用几秒钟生成了它们,极大地减少了进行EDA所需的时间。
3. 数据预处理
我花费了很多时间清理数据集并为建模过程做准备。
让我们请求Code Interpreter帮助我们预处理这个数据集:
Code Interpreter概述了清理这个数据集所涉及的所有步骤。
它告诉我们需要处理三列缺失值、对两个分类变量进行编码、进行一些特征工程并删除与建模过程无关的列。
然后,它创建了一个Python程序,仅用几秒钟就完成了所有预处理工作。
如果您想了解模型执行数据清理的步骤,可以单击“显示工作”:
然后,我询问ChatGPT如何保存输出文件,它为我提供了可下载的CSV文件:
请注意,在整个过程中,我甚至不需要运行一行代码。Code Interpreter能够导入我的文件、在界面内运行代码,并以记录时间为我提供输出。