数据分析怎样正确使用ChatGPT进行辅助？

目录
1.数据介绍
2.特征工程
3.EDA分析
4.数据相关性分析
5.分析总结

---

        一篇良好的学术论文，肯定有新奇、得当的论证视角，选择恰当的研究方法，搭建逻辑严密、均衡的论证框架，把有力的数据分析紧密联合起来，这样一篇论文将具有逻辑严密的论证过程。小编在之前的AI工具论文写作流程中，介绍了大量论文笔墨工作，本日小编使用Kaggle数据，给大家分享一放学术论文中数据分析相关内容使用Kimi的效果。

1.数据介绍

        起首介绍一下数据集，数据集我在Kaggle上下载了一个房价猜测的数据集。具体使用到的有两个文件。

-------------------------------------------------------
此中[data_description.txt]文件主要是对数据会合每一列的描述。

-------------------------------------------------------
[train.csv]就是本日案例所用到的数据集了。

2.特征工程

        我们先让Kimi对数据做一下特征工程。
        特征工程（Feature Engineering）是数据预处理和机器学习领域中的一个紧张步骤。它涉及到从原始数据中选择、修改和创建新的特征（即数据的属性或变量），以便更好地适应机器学习算法的需求，并终极提高模型的性能。特征工程的主要目的是使原始数据集更得当用于建模和分析。
   提示词：
  根据data_description.txt对数据集的描述
  对Train.csv进行特征工程
  
  

    ChatGPT反馈：
  
  

  3.EDA分析

        让ChatGPT对数据做Exploratory data analysis (探索性数据分析)。
        探索性数据分析（Exploratory Data Analysis，简称EDA）是数据分析的一种方法论，它偏重于使用各种技能来大抵理解数据集的主要特征。这个过程通常是数据分析项目的初步步骤，旨在通过择要和可视化手段来发现数据的模式、非常、关键变量和潜在的关系。
   提示词：
  根据特征工程后的数据，对数据集进行Exploratory data analysis (探索性数据分析)
  
  

    ChatGPT反馈：
  
  

  
  

  4.数据相关性分析

最后我们让ChatGPT对数据会合对房价影响最大的15种数据进行相关性分析。
   提示词：
  提取对房屋贩卖代价影响最高的15个特征做相关性分析。
  
  

    ChatGPT反馈：
  
  

  
  

  5.分析总结

        最后我们让ChatGPT对分析过程做一个总结。ChatGPT做数据分析也相称简单，而且天生的图表也可直接用于论文辅佐论点的论证！
   提示词：
  站在一个[数据分析师]的角度 对上述分析过程做一个总结。
  
  

    ChatGPT反馈：
  
  

  
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。