新手小白：如何使用 CHATGPT 进行数据科学？

在本文中，我们将探讨作为数据科学家的你如何使用 ChatGPT 来增强你的数据科学项目。ChatGPT 是一款功能强大的工具，可以在工作的各个方面为你提供帮助，从探索和分析数据到生成见解以及帮助你进行编码和故障排除。它还可以帮助你更快地学习数据科学。                                                                                     

目录

• 数据科学的最佳 ChatGPT 提示

• 数据探索

• 数据准备

• 特征工程

• 建筑模型

• 超参数调优

• 适用于 Python 的最佳 ChatGPT 提示

• SQL 的最佳 ChatGPT 提示

• 适用于数据科学的最佳 ChatGPT 插件

• ChatGPT 自动化工具

数据科学的最佳 ChatGPT 提示

以下是针对数据科学的 ChatGPT 提示，按预测建模的不同步骤进行分类。

数据探索

我希望你扮演一名数据科学家的角色。编写用于数据探索的 Python 代码。不包括解释。

上面的 Python 代码加载数据集并显示初始行。它还返回描述性统计数据、检查数据类型、计算相关性以及可视化关系和分布。此外，它还创建相关热图、直方图、散点图和其他图，以帮助识别数据中的模式、趋势和关系。通过查看这些汇总统计数据和图表，数据科学家可以产生见解并就预测建模的后续步骤做出决策。

以下是“数据探索”的前 15 个 ChatGPT 提示。

1. 你能否提供数据集的概述，包括行数、列数和数据类型？

2. 数据集中的关键变量或特征是什么？你能描述一下它们的含义或意义吗？

3. 数据集中是否存在缺失值？如果是这样，不同变量的缺失程度是多少？

4. 你能否生成数值变量的汇总统计数据，例如平均值、中位数、标准差和四分位数？

5. 你能识别数据集中的任何异常值或极值吗？如何处理或进一步调查？

6. 数值变量的分布特征是什么？它们是正态分布还是偏态分布？

7. 变量之间是否存在相关性？哪些变量相互之间强相关或弱相关？

8. 你能否提供一些可视化效果，例如直方图、箱线图或散点图，以探索变量之间的关系？

9. 你能否识别数据集中一段时间内的任何模式或趋势（如果适用）？如何有效地将它们可视化？

10. 数据集中是否有任何分类变量？有哪些独特的类别及其各自的频率？

11. 你能否生成交叉表或列联表来检查分类变量之间的关系？

12. 特定变量中的最高值或类别是什么？例如，最常见的国家或产品类别。

13. 你能否探索数据集中的任何类别不平衡问题，特别是分类问题？

14. 是否存在任何需要解决的数据质量问题，例如重复或格式不一致？

15. 目标变量或结果变量如何表现？它的分布是什么？对于它与其他变量的关系有什么见解吗？

数据准备

我希望你扮演一名数据科学家的角色。编写Python代码进行数据准备。不包括解释。

上面的代码首先加载数据集。然后它分离因变量和自变量，然后执行特征缩放。我们可以通过要求 ChatGPT 识别和处理缺失值和异常值来进一步细化数据。

编写 Python 代码来处理缺失值和异常值。

下面列出了 15 个用于“数据准备”的 ChatGPT 提示。

1. 在分析之前我应该遵循哪些步骤来清理和预处理我的原始数据？

2. 如何处理数据集中的缺失值？你有推荐的插补技术吗？

3. 你能解释一下特征缩放的概念并建议缩放数值变量的方法吗？

4. 在数据准备过程中我应该考虑哪些异常值检测和删除技术？

5. 我可以使用什么策略来处理分类变量？我应该执行 one-hot 编码还是使用其他方法？

6. 你能否建议处理数据集中类别不平衡的方法？如何保证训练数据均衡？

7. 如何处理数据集中的偏态分布？有什么转变可以提供帮助吗？

8. 在数据准备中处理特征之间的多重共线性有哪些技术？

9. 我应该从数据集中删除冗余特征吗？如果是这样，我应该使用什么标准来选择特征？

10. 如何处理数据集中的日期和时间变量？分析时有什么具体考虑吗？

11. 你能否解释数据标准化的概念并为我的特征提出标准化技术？

12. 数据准备中有处理文本数据的方法吗？如何将文本转换为数字表示形式？

13. 你能否提供有关将数据集拆分为训练集、验证集和测试集的指导？推荐的比例是多少？

14. 在数据准备过程中如何解决数据质量问题，例如重复或格式不一致？

15. 我可以使用哪些常见的数据验证技术来确保准备好的数据集的完整性？

特征工程

我希望你扮演一名数据科学家的角色。假设目标变量是二进制的，编写用于特征工程的 Python 代码。不包括解释。

从 ChatGPT 返回的 Python 代码显示了二进制目标变量的特征工程技术。该代码加载数据集并使用标签编码对目标变量进行编码。然后，它使用卡方检验执行特征选择，根据领域知识创建新特征，生成交互特征，为分类特征创建虚拟变量，应用特征缩放，并删除不必要的列。这些步骤的目标是创建有意义的特征、处理分类变量和缩放数字特征。

以下是“特征工程”的十个提示。

1. 什么是特征工程，为什么它在数据科学背景下很重要？

2. 你能解释一下如何使用卡方进行特征选择吗？

3. 在特征工程过程中处理分类变量的常用技术有哪些？

4. 你能否提供通过对现有变量进行数学运算来创建新特征的示例？

5. 如何从文本数据中提取有意义的信息并创建有用的特征？

6. 是否有任何技术可以转换数值变量以更好地拟合模型假设或提高可解释性？

7. 你能否解释一下 one-hot 编码的概念以及何时适合在特征工程中使用它？

8. 什么是交互特征，它们如何捕捉变量之间的复杂关系？

9. 在特征工程过程中是否可以应用任何降维技术？

10. 如何使用领域知识或外部数据源来创建有意义的功能？

建筑模型

我希望你扮演一名数据科学家的角色。给定一个包含“流失”作为目标变量的客户数据集。编写用于构建分类模型的 Python 代码。不包括解释。

在上面的代码中，我们构建了一个随机森林模型。然后我们对测试集进行预测。后来我们评估了该模型。

你可用于“模型构建”的其他 ChatGPT 提示如下。

1. 模型构建的过程是什么？它如何适应更广泛的数据科学背景？

2. 如何为我的具体问题确定适当的建模技术或算法？

超参数调优

我希望你扮演一名数据科学家的角色。给定一个分类模型，编写 python 代码来调整超参数。

上面的代码定义了一个包含不同超参数值的参数网格。该代码构建了一个随机森林分类器，并通过交叉验证执行网格搜索，以找到超参数的最佳组合。获得最佳模型，并在测试集上评估其准确性。这有助于我们找到最佳超参数来提高模型的性能。

适用于 Python 的最佳 ChatGPT 提示

Python 代码生成器

1. 我希望你像 Python 代码生成器一样工作。请创建一个执行[描述任务]的函数。

2. 我希望你表现得像一个 Python 程序员。编写一个根据[数据集]计算[指标]的模块。

Python 代码解释器

我希望你表现得像一个 Python 解释器。我会给你Python代码，你来执行它。不提供任何解释。除了代码的输出之外，不要回复任何内容。第一个代码是：[插入代码片段]。

Python 代码优化器

我希望你像 Python 中的代码优化器一样。让代码更加高效。[插入当前代码]

Python 代码调试器

我希望你表现得像一个 Python 开发人员。我收到以下错误 [插入错误]。修复代码。[插入代码]

Python讲师

我希望你担任 Python 讲师。你能向我解释一下这段代码是做什么的吗？[插入代码]

ChatGPT 提示输入“Pandas”和“NumPy”包

以下是“Pandas”和“NumPy”包中函数的前 15 个提示。

1. “Pandas”库的目的是什么？数据操作和分析的一些基本功能是什么？

2. 你能解释一下 Pandas 中“head()”和“tail()”函数之间的区别，以及如何使用它们来查看 DataFrame 的前几行和最后几行吗？

3. 如何使用 Pandas 中的“describe()”函数生成数值数据的描述性统计数据？

4. Pandas 中用于数据过滤和选择的常用函数有哪些，例如“loc[]”和“iloc[]”？

5. 如何使用“dropna()”和“fillna()”等函数处理 Pandas 中的缺失值？

6. 你能否提供如何使用 Pandas 中的“groupby()”函数执行分组和聚合操作的示例？

7. Pandas 中有哪些用于对数据进行排序和排名的有用函数，例如“sort_values()”和“rank()”？

8. 你能解释一下“numpy”库的用途并重点介绍一些用于数值计算和数组操作的重要函数吗？

9. 如何使用“numpy”函数（如“mean()”、“median()”和“std()”）来计算数组或数据的汇总统计信息？

10. NumPy 中用于数组重塑的常用函数有哪些，例如“reshape()”和“flatten()”？

11. 如何使用“add()”、“subtract()”、“multiply()”和“divide()”等函数对 NumPy 数组执行按元素运算？

12. NumPy 中的广播和矢量化是什么，它们如何提高数组运算的效率？

13. 你能否提供使用“numpy.where()”函数对数组执行条件操作的示例？

14. NumPy 中有哪些用于处理随机数和概率分布的有用函数，例如“random.rand()”和“random.choice()”？

15. 如何使用 Pandas 中的“apply()”函数将自定义函数应用于 DataFrame 的元素、行或列？

SQL 的最佳 ChatGPT 提示

以下是针对 SQL 的前 7 个 ChatGPT 提示。

1. 我希望你表现得像一个 SQL 开发人员。解释一下这个SQL代码[插入代码]

2. 我希望你像 SQL 代码优化器一样行事。请优化代码，使其更加高效[插入SQL]

3. 我希望你表现得像一个 SQL 格式化程序。请格式化以下 SQL 代码。[插入代码]

4. 请将这段Python代码翻译成SQL。[Python代码]

5. 我有一个包含三列的表[插入列名称]。编写 SQL 代码来计算运行平均值。

6. 我希望你像一个数据生成器一样。请编写 SQL 查询来创建包含列 [列名称] 的表 [表名称]。包括相关约束和索引。

7. 我希望你表现得像一个 SQL 开发人员。我收到以下错误 [插入错误]。请修复它。[插入SQL代码]

请解释一下SQL代码[插入代码]

适用于数据科学的最佳 ChatGPT 插件

以下是顶级 ChatGPT 插件，可在数据科学项目的不同方面为你提供帮助。

1. 适用于 MS Excel 的 ChatGPT 插件：适用于 MS Excel 的 ChatGPT 插件在 Excel 中提供了交互式聊天机器人功能，允许用户在 Excel 中提出问题并接收来自 ChatGPT 的响应。无论你需要数据分析、公式建议还是一般 Excel 使用方面的帮助，适用于 MS Excel 的 ChatGPT 插件都能满足你的需求。

2. ChatGPT MS Word 插件：它可以帮助你编写内容。你可以寻求写作建议并在 MS Word 中进行语法检查。例如，你只需单击按钮即可生成简历或求职信。此外，你可以通过对话和交换想法来进一步增强内容以改进内容。

3. MS PowerPoint 的 ChatGPT 插件： MS PowerPoint 的 ChatGPT 插件可帮助你更快、更轻松地创建演示文稿。通过将 ChatGPT 集成到 PowerPoint，你可以进行交互式对话，帮助你创建引人入胜的内容。简而言之，它可以帮助你轻松创建有影响力的演示文稿，使流程更加高效和有效。

4. 代码解释器：可以进行数据分析并生成图表。它还可以求解数学方程并执行 Python 代码。它还支持上传和下载。

5. Wolfram Alpha：它提供强大的计算、精确的数学能力、精心策划的知识、实时数据和可视化工具。

6. Zapier：它可以自动执行重复性任务，并将超过 5,000 个应用程序集成到你的工作流程中。

7. 链接阅读器：可以读取网页、PDF、PPT、图片、Word等文档中的内容。

ChatGPT 自动化工具

ChatGPT 非常成功，以至于其他人创建了使用它的工具和应用程序。这些工具使 ChatGPT 更加强大和通用。它们允许用户以不同的方式使用 ChatGPT。

1. AutoGPT： AutoGPT 可以从互联网获取实时信息，以及 ChatGPT 的常用功能。它的工作方式就像一个分析师。当客户给我们一个项目并附有操作说明时。作为分析师，我们执行任务来满足项目要求。同样，通过将项目分配给 AutoGPT，它将自行执行所有必要的任务来满足项目的要求。

2. Transformers Agent： Transformers Agent 可以自动执行你能想到的任何任务。它可以生成和编辑图像、视频、音频、回答有关文档的问题、将语音转换为文本以及执行许多其他操作。