作为一名数据科学家，我始终在寻找提高效率和通过数据推动业务价值的方法。

因此，当ChatGPT发布了其最强大的功能之一——Code Interpreter插件时（我将其翻译为代码解释器），我必须尝试并将其纳入我的工作流程中。

什么是 ChatGPT 代码解释器？

如果你还没有听说过Code Interpreter，这是一个新功能，允许你在ChatGPT界面中上传代码、运行程序和分析数据。

在过去的一年里，每当我需要调试代码或分析文档时，我都必须将我的工作复制并粘贴到ChatGPT中以获取响应。

这证明是耗时的，而且ChatGPT界面有一个字符限制，这限制了我分析数据和执行机器学习工作流的能力。

虽然它被称为“Code Interpreter”，但这个功能不仅限于程序员，该插件还可以帮助你分析文本文件、总结PDF文档、构建数据可视化，并根据你的需求裁剪图像。

如何访问代码解释器？

在我们介绍其应用之前，让我们快速了解如何开始使用Code Interpreter插件。

要访问这个插件，你需要订阅ChatGPT Plus的付费订阅，目前价格为每月20美元。

不幸的是，没有订阅ChatGPT Plus的用户无法使用Code Interpreter。

一旦你订阅了付费计划，只需进入ChatGPT并点击界面左下角的三个点。

然后，选择设置：

点击“Beta功能”，并启用上面写着“代码解释器”的滑块：

最后，点击“新聊天”，选择“GPT-4”选项，并在出现的下拉菜单中选择“代码解释器”：

您将看到一个类似于此的屏幕，文本框附近有一个“+”符号。

很好！您现在已成功启用 ChatGPT 代码解释器。

在本文中，我将向您展示使用代码解释器自动执行数据科学工作流的几种方法。

1. 数据汇总

作为数据科学家，我花了很多时间试图理解数据集中存在的不同变量。

代码解释器非常擅长为您分解每个数据点。

以下是您可以让该模型帮助您汇总数据的方法：

让我们以Kaggle上的“泰坦尼克号生存预测”数据集为例。我将使用“train.csv”文件。

下载数据集并导航到代码解释器。

点击“+”符号并上传要摘要的文件。

然后，询问ChatGPT以简单的方式解释此文件中的所有变量：

非常好！

代码解释器为我们提供了数据集中每个变量的简单解释。

2. 探索性数据分析

现在我们已经了解了数据集中不同变量的情况，让我们请求Code Interpreter更进一步地进行一些探索性数据分析（EDA）。

该模型生成了5个图形，使我们能够更好地了解数据集中的不同变量。

如果您点击“显示工作”下拉菜单，您会注意到Code Interpreter编写并运行了Python代码，以帮助我们实现最终结果：

如果您想进行进一步的分析，您可以随时将此代码复制粘贴到自己的Jupyter Notebook中。

ChatGPT还根据生成的可视化提供了一些关于数据集的见解：

它告诉我们女性、头等舱乘客和年轻乘客的生存率更高。

这些是需要时间手动推导出来的见解，尤其是如果您不熟悉Python和数据可视化库（如Matplotlib）。

Code Interpreter仅用几秒钟生成了它们，极大地减少了进行EDA所需的时间。

3. 数据预处理

我花费了很多时间清理数据集并为建模过程做准备。

让我们请求Code Interpreter帮助我们预处理这个数据集：

Code Interpreter概述了清理这个数据集所涉及的所有步骤。

它告诉我们需要处理三列缺失值、对两个分类变量进行编码、进行一些特征工程并删除与建模过程无关的列。

然后，它创建了一个Python程序，仅用几秒钟就完成了所有预处理工作。

如果您想了解模型执行数据清理的步骤，可以单击“显示工作”：

然后，我询问ChatGPT如何保存输出文件，它为我提供了可下载的CSV文件：

请注意，在整个过程中，我甚至不需要运行一行代码。Code Interpreter能够导入我的文件、在界面内运行代码，并以记录时间为我提供输出。