?本文目錄

一、引言

二、成果演示——口述式數(shù)據(jù)可視化

三、遠(yuǎn)原理述

四、實現(xiàn)過程

? （一）環(huán)境配置

? （二）申請OpenAI賬號

? （一）調(diào)用ChatGPT?API

? （二）設(shè)計AI身份，全自動處理數(shù)據(jù)

五、再談此次探索

六、總結(jié)

Part1引言

OpenAI 公司開發(fā)的 ChatGPT 已經(jīng)火了一年多了，這期間各種 AI 產(chǎn)品以及創(chuàng)意層出不窮，問答的、畫畫的、寫論文的……總之啥都有。很多程序員在日常工作中也會使用 ChatGPT 來編寫代碼解決問題，筆者也是其中之一，在使用過程中，筆者逐漸萌生出一些奇妙的想法。

AI 雖然強大，但種種原因限制了它與計算機文件的交互，所以在數(shù)據(jù)處理中，AI 只能是一個“軍師”角色，有謀卻無勇，不能直接幫我們處理數(shù)據(jù)。既然如此，我們能不能使用 Python 對 ChatGPT 做一個“淺加工”，調(diào)用 OpenAI 提供的 API，再輔以藝術(shù)性提問，讓AI 根據(jù)我們的指令直接處理電腦中的數(shù)據(jù)，或者做一些數(shù)據(jù)可視化的工作呢？一番探索后，筆者得到了振奮人心的成果，接下來就把成果、原理和過程分享給大家。

本文中所有 Python 代碼均在集成開發(fā)環(huán)境 Visual Studio Code (VScode) 中使用交互式開發(fā)環(huán)境 Jupyter Notebook 中編寫。

Part2成果演示——口述式數(shù)據(jù)可視化

首先，我在 Jupyter Notebook 中開發(fā)出我的 AI 程序，隨后我將一個 Excel 數(shù)據(jù)表存放到與程序同一級的文件夾中。放進來的 Excel 表名為“中國歷年數(shù)字經(jīng)濟核心產(chǎn)業(yè)大類被授權(quán)實用新型專利申請數(shù).xlsx”，使用 WPS 打開后如下圖所示。

接下來我先后給出以下幾條指令。

第一條指令：使用 Pandas 讀取當(dāng)前目錄下名為“中國歷年數(shù)字經(jīng)濟核心產(chǎn)業(yè)大類被授權(quán)實用新型專利申請數(shù).xlsx”的文件，變量命名為 data。ChatGPT 收到指令后就照做了，這一步還沒有得到什么成果。

第二條指令：使用變量 data 中的數(shù)據(jù)，以“申請年份”為橫軸，分別以“01數(shù)字產(chǎn)品制造業(yè)被授權(quán)實用新型專利數(shù)”、 “02數(shù)字產(chǎn)品服務(wù)業(yè)被授權(quán)實用新型專利數(shù)”、 “03數(shù)字技術(shù)應(yīng)用業(yè)被授權(quán)實用新型專利數(shù)”和“04數(shù)字要素驅(qū)動業(yè)被授權(quán)實用新型專利數(shù)”為縱軸，繪制四條折線圖。于是 ChatGPT 按照指令，給出了下面這個折線圖以及繪制者個折線圖用到的 Python 代碼。

第三條指令：將四個圖例分別修改成“數(shù)字產(chǎn)品制造業(yè)”、“數(shù)字產(chǎn)品服務(wù)業(yè)”、“數(shù)字產(chǎn)品應(yīng)用業(yè)”和“數(shù)字要素驅(qū)動業(yè)”。ChatGPT 照做，并直接給出了改進后的成果。

第四條指令：在折線圖右邊添加一個縱軸，內(nèi)容是data中的“被授權(quán)實用新型專利數(shù)”字段，橫軸不變，在折線圖中添加一幅柱狀圖。最后 ChatGPT 依然不動聲色地完成任務(wù)并給出結(jié)果。

從以上成果來看，我們的 “進化版” ChatGPT 已經(jīng)能夠根據(jù)我們的命令完成數(shù)據(jù)處理任務(wù)。最重要的是，AI 給出的不是建議或者代碼，而是處理的結(jié)果。如果僅僅使用 ChatGPT，目前來說這一定是不可能做到的，但它和 Python 結(jié)合起來卻讓人感到驚喜。

Part3原理概述

這個看上去很了不起的程序，背后原理卻算不上復(fù)雜，相當(dāng)于是給霍金先生換上了一副像施瓦辛格那樣健碩的軀體（打趣一下，絕對無意冒犯）。

如果 ChatGPT 是那個聰明絕頂?shù)哪X袋，那么 Python 就是那副強大的軀體。AI 雖然強大，但是沒有直接操作我們計算機本地文件的權(quán)限；Python 語言也很強大，但沒辦法根據(jù)文字指令為我們解決個性化的問題。于是我們就使用 Python 去調(diào)用 OpenAI 提供的 ChatGPT API 接口，再由我們?nèi)ヌ岢鰧嶋H的需求，ChatGPT 返回處理的 Python 代碼之后，我們想辦法讓 Python 自動地在本地計算機中去運行 ChatGPT 給出的代碼，由于代碼是在我們自己的電腦中運行的，結(jié)果自然也可以得到保留。也就是說實際的處理工作都是 Python 去完成的，ChatGPT 自始至終都沒有接觸到我們的數(shù)據(jù)，因此并不存在數(shù)據(jù)安全問題，這一點超級重要！

一套操作之后就有了文章開頭那樣的成果。不過原理說起來簡單，真正實現(xiàn)的過程中，也遇到了不少問題，下面是其中幾個關(guān)鍵點：

1. ChatGPT 的答案中一般同時含有描述性文字和代碼，如何精準(zhǔn)運行代碼而忽略描述性文字？

2. ChatGPT 返回的結(jié)果是字符串，怎么把字符串直接當(dāng)做代碼運行呢，運行后又如何保留代碼中的變量？

3. 如何實現(xiàn)連續(xù)對話？

以上問題的答案，都可以在下文中找到。

Part4實現(xiàn)過程

1環(huán)境配置

先在我們的電腦中安裝好 Python 環(huán)境以及開發(fā)環(huán)境，然后在終端中使用以下命令安裝調(diào)用 ChatGPT 的第三方庫。

pip?install?openai

2申請 OpenAI 賬號

與 OpenAI API 進行交互之前，我們需要有與其進行通信時的身份驗證憑證，以確保我們的請求被正確處理。這就需要你在 OpenAI 的網(wǎng)站上創(chuàng)建一個帳號，并在賬戶設(shè)置中生成一個 API 密鑰（網(wǎng)上教程很多，可以參考）。

3調(diào)用 ChatGPT API

在免費可直接調(diào)用的 ChatGPT 模型中，gpt-3.5-turbo是最優(yōu)選擇，接下來我們就調(diào)用這個模型來解決問題。在調(diào)用之前，我們先導(dǎo)入相關(guān)第三方庫并配置好參數(shù)。

#?導(dǎo)入?OpenAI?庫
import?openai
#?配置申請好的?API?秘鑰，新注冊賬戶都會一定數(shù)量的免費額度
openai.api_key?=?'***********************'

指定 API 密鑰并確定想要調(diào)用的模型后，就可以通過函數(shù)openai.ChatCompletion.create()來創(chuàng)建 Chat 并獲取模型的響應(yīng)了。在使用之前，我們先了解一下該函數(shù)的兩個必需參數(shù)：model和messages。

messages中的內(nèi)容可以理解為定義上文語境，一般以 "system" 的身份開啟對話，"user" 身份代表用戶向模型傳遞信息，"assistant" 身份代表模型對用戶提問的回答。

下面我們使用函數(shù)openai.ChatCompletion.create()舉一個簡單的調(diào)用此 API 的例子，代碼如下：

response?=?openai.ChatCompletion.create(
??model?=?"gpt-3.5-turbo",
??messages?=?[
????{"role":?"system",?"content":?"你是一個得力的助手。"},
????{"role":?"user",?"content":?"你好！"},
????{"role":?"assistant",?"content":?"你好，有什么可以幫到你？"},
????{"role":?"user",?"content":?"幫我制定一份有關(guān)放假時間的通知。"}?#?提出問題
??]
)
response

上面的例子中，我們調(diào)用了 OpenAI 的gpt-3.5-turbo模型，參數(shù)messages中第一行提示了模型助手的身份；第二行是用戶傳遞給模型的消息，內(nèi)容為“你好！”；第三行是模型的回復(fù)信息，內(nèi)容為“你好，有什么可以幫到你？”；第四行為用戶繼續(xù)傳遞給模型的消息，內(nèi)容為“幫我制定一份有關(guān)放假時間的通知?！?/p>

隨后模型將返回響應(yīng)信息，并將響應(yīng)結(jié)果儲存在變量response中，響應(yīng)結(jié)果的內(nèi)容如下：

<OpenAIObject?chat.completion?id=chatcmpl-7jMo2oVD9xw1uGZ7QPDm0JTPQSDdy?at?0x1a243138090>?JSON:?{
??"id":?"chatcmpl-7jMo2oVD9xw1uGZ7QPDm0JTPQSDdy",
??"object":?"chat.completion",
??"created":?1691046782,
??"model":?"gpt-3.5-turbo-0613",
??"choices":?[
????{
??????"index":?0,
??????"message":?{
????????"role":?"assistant",
????????#?篇幅原因此處省略，下文介紹
????????"content":?"\u5f53\u7136\u53ef\u4ee5…………\u544a\u8bc9\u6211\u3002"?
??????},
??????"finish_reason":?"stop"
????}
??],
??"usage":?{
????"prompt_tokens":?62,
????"completion_tokens":?470,
????"total_tokens":?532
??}
}

我們來看一下返回結(jié)果中包含的重要內(nèi)容：

• id：請求 ID。

• object：返回對象的類型。

• created：請求時間。

• model：產(chǎn)生響應(yīng)使用的模型全稱。

• choices：completion 對象列表，默認(rèn)只有一個回答，或者使用參數(shù) n 來規(guī)定回答數(shù)量。其中：

  • index：choices 列表中 completion 對象的索引

  • message：模型給出的響應(yīng)信息，同時包括 role 和 content

  • finish_reason：模型停止生成文本的原因，包括 "stop" 和 "length"

• usage：查看消耗的 token。其中：

  • prompt_tokens：用戶傳遞信息所消耗的 token

  • completion_tokens：生成模型的響應(yīng)文本消耗的 token

  • total_tokens：一共消耗的 token

在上面的代碼中可以看到，返回的響應(yīng)信息中的模型給出的回答是 Unicode 的形式，當(dāng)我們需要查看輸出的結(jié)果時，可以使用如下方式：

在這個例子中我們只使用了函數(shù)openai.ChatCompletion.create()的兩個必要參數(shù)，除此之外，該函數(shù)還有許多其他的可選參數(shù)，我們可以根據(jù)自己的要求來調(diào)節(jié)這些參數(shù)，從而規(guī)定 ChatGPT 給出的答案范圍，下面列舉四個可選參數(shù)：

需要注意一點，參數(shù) temperature 和 top_p 不要同時修改，更改其中一個即可。

4設(shè)計 AI 身份，全自動處理數(shù)據(jù)

前面說到，我們要運行 ChatGPT 返回的代碼，但是又要從它的回答中找出可運行的代碼，剔除其他提示/解釋性文字。這樣做難度太高了，主要是不確定性太高，畢竟 ChatGPT 的回答不可預(yù)測。所以在調(diào)用 ChatGPT 的時候，我們就應(yīng)該明確給出指示，讓 ChatGPT 只返回可運行的 Python 代碼，以及其他注意事項，這個指示可以根據(jù)上一步中提到的 “system” 角色來提出。這樣一來，前面提出的第一個問題就解決了。

根據(jù)上一步的描述，可以獲取 ChatGPT 的回答，但是這個回答是一個字符串，而我們的目的是使用我們自己電腦上的 Python 去運行給出的代碼，Python 中的內(nèi)置函數(shù) exec() 恰好具備這個能力！也就是說代碼運行的問題得以解決。

#?exec()?使用示范
exec('print(1+1)')???#?2

雖然代碼可以運行了，但是代碼運行后又迎來了新的問題，由于代碼是使用 exec() 函數(shù)運行的，運行后代碼中的變量全部無法直接訪問。實際上，當(dāng)函數(shù) exec() 在指定命名空間中運行字符串類型的代碼時，運行過程中的中間變量就可以保留在空間中，運行后我們再從命名空間中取出需要的變量即可。這樣第二個問題也得到了解決。

最后，連續(xù)對話的問題就比較容易了，我們將上一步 ChatGPT 返回的回答添加到與 ChatGPT 的對話記錄中即可。具體實現(xiàn)方法可以查看上一步（通過參數(shù) message 實現(xiàn)）。在添加一些其他小功能后，得到了最終的程序。

import?openai
#?指定?OpenAI?API?的密鑰
openai.api_key?=?'***********************'

#?規(guī)定?ChatGPT?的身份以及給出答案的范圍
Describe?=?"你的身份是一個精通Python，能使用pandas等工具進行數(shù)據(jù)處理的專家，可以幫我解決問題，\
????你將會根據(jù)我描述的情景和問題給出相應(yīng)的數(shù)據(jù)處理代碼，并且給出的答案中僅包含代碼，\
????不需要額外的解釋說明。你的代碼不需要使用markdown格式輸出，只要把代碼以字符串的\
????形式給出即可。注意你給出答案的連續(xù)性，如果你之前給出的代碼中包含import語句，\
????那么不需要重復(fù)給出相同的import語句。"

#?定義和儲存歷史消息
BaseMessage?=?[{"role":"system",?"content":Describe}]

#?定義變量?result，用于儲存?ChatGPT?返回的代碼
result?=?''

#?定義命名空間，用于儲存結(jié)果
Space?=?{}

#?定義調(diào)用?ChatGPT?的函數(shù)
def?Chat_Code(Order,?Model="gpt-3.5-turbo"):
????'''
??? Order：告訴 ChatGPT 如何處理數(shù)據(jù)的命令
??? Model：使用的語言模型，默認(rèn)使用 gpt-3.5-turbo
????'''
????global?Space
????global?BaseMessage
????global?result

????#?以?"user"?的身份向?ChatGPT?提問，內(nèi)容為輸入的?Order
????##??不滿意回答時可以撤回上一步的歷史消息
????if?Order?==?"撤回上一步歷史消息":????
????????BaseMessage?=?BaseMessage[:-2]?????
?
????##?退出時清空命名空間并重置歷史消息
????elif?Order?==?"exit":
????????Space?=?{}
????????BaseMessage?=?[{"role":"system",?"content":Describe}]
????????result?=?""
????##?正常提問
????else:
????????Message?=?{"role":"user",?"content":Order}
????????##?將提問內(nèi)容加入歷史消息，實現(xiàn)連續(xù)對話功能
????????BaseMessage.append(Message)

????????#?使用函數(shù)?openai.ChatCompletion.create()?得到?ChatGPT?返回的響應(yīng)信息
????????response?=?openai.ChatCompletion.create(
????????????model?=?Model,
????????????messages?=?BaseMessage
????????)
????????
????????#?提取響應(yīng)中的的代碼，存入變量?result?
????????result?=?response['choices'][0]['message']['content']

????????#?將?ChatGPT?給出的代碼存入歷史消息中，更新歷史對話
????????add?=?{"role":"assistant",?"content":result}
????????BaseMessage.append(add)

????????print(result)??#?查看?ChatGPT?給出的解決代碼

????????##?指定在創(chuàng)建的命名空間中執(zhí)行代碼，并將結(jié)果存儲在該空間中
????????exec(result,?globals(),?Space)

上文中數(shù)據(jù)可視化的對話過程和實際的返回結(jié)果如下。

第一條指令：

Chat_Code(Order?=?"將當(dāng)前目錄下名為“中國歷年數(shù)字經(jīng)濟核心產(chǎn)業(yè)大類被授權(quán)實用新型專利申請數(shù).xlsx”的文件以dataframe數(shù)據(jù)類型導(dǎo)入，并命名為data。")

結(jié)果如下：

第二條指令：

Chat_Code(Order?=?"使用data中的數(shù)據(jù)，以“申請年份”為橫軸，分別以\
??????????“01數(shù)字產(chǎn)品制造業(yè)被授權(quán)實用新型專利數(shù)”、\
??????????“02數(shù)字產(chǎn)品服務(wù)業(yè)被授權(quán)實用新型專利數(shù)”、\
??????????“03數(shù)字技術(shù)應(yīng)用業(yè)被授權(quán)實用新型專利數(shù)”和\
??????????“04數(shù)字要素驅(qū)動業(yè)被授權(quán)實用新型專利數(shù)”為縱軸，繪制四條折線圖。")

第三條指令：

Chat_Code(Order?=?"將四個圖例分別修改成“數(shù)字產(chǎn)品制造業(yè)”、\
????????????“數(shù)字產(chǎn)品服務(wù)業(yè)”、\
????????????“數(shù)字產(chǎn)品應(yīng)用業(yè)”和\
????????????“數(shù)字要素驅(qū)動業(yè)”。")

第四條指令：

Chat_Code(Order?=?"在折線圖右邊添加一個縱軸，\
????????????內(nèi)容是data中的“被授權(quán)實用新型專利數(shù)”字段，\
????????????橫軸不變，在折線圖中添加一幅柱狀圖。")

Part5再談此次探索

從上文內(nèi)容中，Python 與 ChatGPT 的結(jié)合確實能夠讓我們的數(shù)據(jù)處理工作變得簡單方便很多。如果延伸一下，我們是不是也可以用它去做一些更復(fù)雜，更有意義的事情呢？我們認(rèn)為，這一定是可行的，不過隨著問題難度的增加，影響因素也會更多，最后的成功率也會降低。從這次探索，我們也積累了一些運用 ChatGPT 自動化處理數(shù)據(jù)的經(jīng)驗，下面分享給大家。

1. AI 的角色十分重要，正如上文中寫到的那樣，我們用了幾百個字來給 AI 一個初始角色，并限制它的答復(fù)格式，所以設(shè)計 AI 角色時，需要盡可能詳細(xì)地描述。

2. 提問或者設(shè)計 AI 身份時，語言不要出現(xiàn)歧義。例如在最初設(shè)計 AI 角色時，我們只要求 AI 僅返回可運行的代碼，但 AI 的回復(fù)結(jié)果中依然包含一些解釋性文字。仔細(xì)想一下，這句話（提出的要求）其實是存在歧義的，AI 可能誤以為只要不給出不可運行的代碼就可以了，與解釋性文字無關(guān)。

3. AI 只聽從絕對命令，我們不能指望 AI 去實現(xiàn)我們沒有說出來的事情。例如上文第四條命令中，我們要求 AI 在折線圖的右側(cè)也加一個縱軸，這里筆者內(nèi)心就默認(rèn)了新添加的縱軸和原來的左側(cè)縱軸上的刻度是一致的，只有這樣才會更加嚴(yán)謹(jǐn)。但是實際上 AI 并沒有這樣做，給出的結(jié)果中兩個縱軸的刻度完全沒有關(guān)系，這也導(dǎo)致圖中的柱狀圖雖然美觀，卻不嚴(yán)謹(jǐn)。這個問題的根本原因就是我們沒有主動提出這個要求，那么 AI 會不會這樣做就要看它的心情了。所以為了使 AI 的回答更加嚴(yán)謹(jǐn)，我們在提問時需要盡可能給出準(zhǔn)確、細(xì)致的要求，越具體越好，比如新添加的柱形圖的刻度與左側(cè)的坐標(biāo)軸刻度保持一致等等。

4. 如果需要讓 AI 幫你處理數(shù)據(jù)，那么一定要描述你的數(shù)據(jù)，例如有哪些字段，其中存儲什么數(shù)據(jù)，否則 AI 給出的代碼可能無法運行。

5. AI 給出的代碼不可能完全正確。影響因素有很多，例如不同版本的 Python 語法不同、不同版本的第三方庫語法不同、某個功能已經(jīng)刪除但是 AI 不知道……所以我們不能一味地相信它給出的代碼，最好對其回答的正確性有個初步的判斷，如果發(fā)現(xiàn)了問題，可以進一步向 AI 提出更改的要求。

6. ……

Part6總結(jié)

AI 是一個聰明的腦袋，Python 是一副矯健的身體，兩者只需要簡單地結(jié)合一下，就能夠發(fā)揮出強大的威力，為我們的數(shù)據(jù)處理帶來了許多便利。文章來源地址http://www.zghlxwxcb.cn/news/detail-687622.html

到了這里，關(guān)于Python 實戰(zhàn)之ChatGPT + Python 實現(xiàn)全自動數(shù)據(jù)處理/可視化詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！