ChatGPT在数据科学方面非常有用，但你必须仔细检查它的所有输出。对于某些任务来说，它非常出色，可以快速且准确地完成。对于其他一些任务，它的表现还算可以，你需要多次提示它。

优点：自动化数据探索

你可以将你的数据集附加到ChatGPT消息中，通过给出几个简单的指令，ChatGPT就可以为你探索数据。

例如，我可以从这个数据项目中获取一个数据集。我给出的指令是：

“使用附带的数据进行描述性统计分析。包括以下内容：

• 汇总基本统计量（平均值、中位数、标准差等）。
• 识别缺失值并提出处理它们的策略。”

它返回的摘要如下所示。它对每个变量都进行相同的计算。

年龄：

• 平均年龄：28.79岁
• 标准差：6.94岁
• 范围：18至50岁

数据集没有发现缺失值。

如果你还需要这些计算的Python代码，你可以要求它写出来。

要加载数据集，请使用以下代码。

aerofit_data = pd.read_csv(file_path)

对于基本统计信息，它给出了这个。

basic_stats = aerofit_data.describe()

你还可以用这段代码检查缺失值。

missing_values = aerofit_data.isnull().sum()

优点：创建可视化图表

进一步地，我可以要求ChatGPT可视化关键变量的分布，并检测潜在的离群值和异常值。

它为关键变量：年龄、收入和里程数创建了直方图和箱线图。它发现了收入和里程数分布中可能的离群值。

它还解释了这些可视化图表。因此，它注意到收入的分布是右偏的，这表明大多数客户的收入处于较低端，而较少的客户有显著更高的收入。箱线图表明高端有一些离群值。

对于里程数分布也有相同的解释：右偏且高端有离群值。

考虑到数据的性质，它建议这些离群值不一定是错误，而是代表特定的客户群体。关于偏态分布，它建议进行转换（例如，对数转换）以使数据正态化。

当然，你也可以要求它编写这些可视化的Python代码。

优点：验证数据对特定统计测试的适用性

我可以使用相同的数据并询问ChatGPT它是否适用于逻辑回归。如果不适合，我应该如何转换它使其合适？

它回答说我的数据主要适用于连续数据的叙述性和推论性分析。

以下是为逻辑回归转换数据的建议方法。

创建二元结果：通过基于Usage变量的中位数分割，将客户分类为“高使用量”或“低使用量”。此外，二元结果可以是“购买跑步机”与“不购买跑步机”。

检查多重共线性：使用相关矩阵或方差膨胀因子（VIF）来检查多重共线性。如果有多重共线性，可以移除或合并相关的变量。

特征缩放：虽然对于逻辑回归模型拟合来说，特征缩放不是必需的，但它对收敛有益。特别是对于规模显著不同的特征尤其如此。

处理非线性：对于不满足线性假设的变量，可以使用诸如对数或平方根之类的转换。

样本大小：数据集必须足够大，以适应预测变量的数量。

数据预处理：建议处理离群值和分类变量（通过独热编码或标签编码）。另外，它还建议处理缺失值，但这对我的数据不适用，因为没有缺失值。

优点：自动化数据科学项目的部分或全部

ChatGPT实际上在数据科学项目的每个阶段都很有帮助。你可以提示它编写一个网络爬虫代码。你可以指导它探索和准备你的数据，以适用于机器学习算法。它还可以为你提供选择正确算法、数据集分割、A/B测试和性能提升算法的代码。最后，你还可以要求ChatGPT编写模型部署的代码。

尽管ChatGPT能做所有这些，但很可能你不会立即得到一个完全符合你需求的代码。因此，你必须理解你想要实现的目标并检查代码。你可能不得不提示ChatGPT进行代码修正，并提供更多关于要更改什么的指令。

优点：代码转换和学习

ChatGPT可以帮助那些仍在学习新编程语言的用户。想象一下，你是一个SQL大师，解决这个面试问题上没有问题。然而，你想将Python添加到你的技能中。ChatGPT可以在这方面帮助你。你可以复制SQL代码并要求ChatGPT将其转换为Python。

所以，SQL代码是这样的。

SELECT 

  company, 

  profit 

FROM 

  (

    SELECT 

      *, 

      rank() OVER (

        ORDER BY 

          profit DESC

      ) as rank 

    FROM 

      (

        SELECT 

          company, 

          sum(profits) AS profit 

        FROM 

          forbes_global_2010_2014 

        GROUP BY 

          company

      ) sq

  ) sq2 

WHERE 

  rank <= 3;

ChatGPT根据上面的SQL代码编写了Python代码，但它运行不正确。所以我批评ChatGPT没有写出正确的代码。我要求它再试一次，因为输出与SQL代码的结果不同。它再次尝试并返回了正确的结果。

import pandas as pd



# Assuming 'forbes_global_2010_2014' is a pandas DataFrame with columns 'company' and 'profits'

# Since we don't have the actual data, this code assumes that the DataFrame is already loaded



# Step 1: Group by company and sum the profits

company_profits_sum = forbes_global_2010_2014.groupby('company')['profits'].sum().reset_index()



# Step 2: Rank the companies by profit in descending order

company_profits_sum['rank'] = company_profits_sum['profits'].rank(ascending=False, method='max')



# Step 3: Filter the top 3 companies

top_companies = company_profits_sum[company_profits_sum['rank'] <= 3]



# Final selection of columns

result = top_companies[['company', 'profits']].sort_values('profits', ascending=False)



result  # This will display the top 3 companies by profit

正如你所见，你得到了一个带有注释的好代码，每个代码块之前都有注释。为了提高你的学习效果，你可以要求它解释这段代码。这样，你将更深入地了解每一行代码的作用及其运作方式。

差劲：统计和数学计算

当我说差劲时，我指的是非常差劲！它甚至使用正确的公式和插入正确的值，但不知怎地，即使是很简单的计算也搞得一团糟。

看看这个。我要求它解决这个问题：“假设你公平地掷一个六面骰子10次。掷出两个1、三个2、一个3、零个4、三个5和一个6的概率是多少？”

它以这种方式计算概率。

当计算阶乘时，它就会出错。

当我要求它无需进一步解释就纠正计算时，它再次计算并得出了概率为0.0001389。我简直不敢相信自己的眼睛！它可以使用完全相同的公式和值，但得出了仍然错误的不同的结果！

我又让它纠正计算，它终于给出了正确的结果：0.0008336。

必须承认的是，这些错误是由ChatGPT 3.5犯下的。我问ChatGPT 4同样的问题，它第一次就给出了正确的计算结果。你也可以使用一些数学插件来确保安全。

结论

从以上这些中得出的主要教训是，ChatGPT可以是一位非常好的仆人。它可以在编写代码、调试、分析和可视化数据方面提供帮助。然而，永远不要完全信任它，也不要未经仔细审查就接受它所写的东西。

检查它编写的代码和计算。毕竟，你是一名数据科学家，而ChatGPT不是！你可能无法在第一次尝试时从ChatGPT那里获得所需的结果。但是，给它更精确的指示并尝试多次可能会得到所需的结果。