第3章：LLM驱动的数据探索与清洗
在传统的数据科学流程中，数据探索与清洗是耗时最长、最依赖人工的环节。它就像是为一场盛大晚宴准备食材，需要仔细清洗、去皮、切块，容不得半点马虎。但如果有一个智能助手能帮你完成这些繁琐的工作，情况又会如何呢？
本章，我们将以一个预测客户流失的电商数据集为例，演示如何利用LLM作为你的“智能数据管家”，高效地完成数据探索与清洗。
案例背景：预测电商客户流失
假设我们拥有一个名为 customer_data.csv 的数据集，它包含以下字段：
customer_id：客户唯一IDage：客户年龄city：客户所在城市join_date：注册日期last_purchase_date：最后一次购买日期total_spend：总消费金额churned：是否流失（1为流失，0为未流失）
我们希望用这些数据构建一个模型来预测客户流失，而首要任务就是对数据进行清洗和准备。
1. 初步探索：让LLM发现数据中的“脏东西”
传统做法：
数据科学家会手动编写代码，例如使用 df.info() 或 df
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
