作为一个数据分析师使用ChatGPT的心得

最新推荐文章于 2025-01-26 22:24:33 发布

lisenpy

最新推荐文章于 2025-01-26 22:24:33 发布

阅读量2.6k

点赞数 1

CC 4.0 BY-SA版权

文章标签： chatgpt python 机器学习

本文链接：https://blog.csdn.net/lisenby/article/details/129784181

本文分享了数据分析师如何利用ChatGPT进行数据处理和机器学习模型构建的经验。通过实例，展示了ChatGPT在编写数据合并脚本和构建随机森林模型方面的效率，同时也指出其在理解和上下文连续性方面存在的不足，强调了经验和逻辑在AI辅助分析中的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近一直在研究chatgpt在数据分析领用的实际使用，有几个比较具体的实际案例是我在处理工作中遇到的，给大家分享一下。
一个是在商业领域，经常性的需要写日报周报月报，但到了3月底还需要一个季度报，而季度报的数据处理是比较多的，因此，我用chatgpt 帮我写了很多个脚本。
在这里插入图片描述
可以看到的是它理解错了

在这里插入图片描述
虽然是很基础的数据合并脚本，但是它能在30秒内给我正确的答案，如果是我自己写，或许需要3-5分钟。

然后我让它帮忙写一个随机森林算法，用于用户分析，并做roc，auc和混淆矩阵的分析。
在这里插入图片描述

# 读取用户数据集
df = pd.read_csv('user_data.csv')

# 将数据集中的标签（是否复购）转换为二元分类
df['repurchase'] = np.where(df['repurchase'] == 1, 1, 0)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(df.drop('repurchase', axis=1), df['repurchase'], test_size=0.2, random_state=42)

# 构建随机森林模型
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit