使用 DataLab AI 助理加快分析速度的 10 種方法
Posted: Tue Dec 03, 2024 9:33 am
分析專案的許多要素可能是重複的、耗時的且令人沮喪的。誰真正喜歡導入資料或清理凌亂的列？透過 DataLab 的全新 AI 助理，您可以花更多時間做您喜歡的事情：用數據回答問題！
本文將介紹 10 個 DataLab AI Assistant 技巧，這些技巧 阿富汗電話號碼列表 可以加快您的工作流程並幫助您有效地得出見解。如果您想按照本文中包含的提示進行操作並進行實驗，您可以使用本工作簿！
注意：雖然這裡的範例是用 Python 顯示的，但相同的原則也適用於 R 工作簿！
1.自動處理您所有的包裹導入
您可能知道在啟動專案時要編寫一些標準套件導入。之後，您會定期捲動到筆記本的頂部，新增幾行匯入，然後繼續您正在處理的事情。更具破壞性的是，您有時需要存取外部文件來記住您忘記了名稱的套件或函數的名稱。
但是，您是否知道可以使用“生成”功能來生成大部分導入？即使是一個簡單的提示，例如「匯入執行機器學習分類任務所需的所有套件」。返回 pandas、NumPy 和一些導入來分割數據，將其擬合到幾個模型，然後對其進行評估。
圖片7.png
使用Generate導入有用的套件
您也可以增強提示以包含工作流程的其他階段。在許多情況下，您可能需要附加“包括視覺化”，以便包含 Matplotlib 和 Seaborn 等軟體包。
當然，清單中可能仍然缺少匯入內容，但它已經可以節省您匯入基礎知識的時間，並且可以根據您的需求進行更新。
附加提示：記錄哪些提示最適合您通常會很有幫助，以便您可以快速參考它們！
2. 更快地建立漂亮的視覺化效果
Python 中的視覺化並不難，但記住不同套件的語法可能非常耗時。 AI助理再次來救你！
在下面的範例中，我們指示助理聚合資料集，然後使用提示「建立 DataFrame df 的 Plotly 長條圖，對作業列中 10 個最常見的作業進行排名」將其視覺化。
使用“生成”來進行繪圖的第一次迭代
使用“生成”來進行繪圖的第一次迭代
結果還不錯，但我們可以做得更好。您可以再次使用“生成”來迭代它生成的程式碼！透過編寫「使圖表成為從大到小排序的水平條形圖。新增相關標題，並使用簡單的白色主題。在提示視窗中再次運行，我們得到以下輸出。
第二輪生成圖表！
本文將介紹 10 個 DataLab AI Assistant 技巧，這些技巧 阿富汗電話號碼列表 可以加快您的工作流程並幫助您有效地得出見解。如果您想按照本文中包含的提示進行操作並進行實驗，您可以使用本工作簿！
注意：雖然這裡的範例是用 Python 顯示的，但相同的原則也適用於 R 工作簿！
1.自動處理您所有的包裹導入
您可能知道在啟動專案時要編寫一些標準套件導入。之後，您會定期捲動到筆記本的頂部，新增幾行匯入，然後繼續您正在處理的事情。更具破壞性的是，您有時需要存取外部文件來記住您忘記了名稱的套件或函數的名稱。
但是，您是否知道可以使用“生成”功能來生成大部分導入？即使是一個簡單的提示，例如「匯入執行機器學習分類任務所需的所有套件」。返回 pandas、NumPy 和一些導入來分割數據，將其擬合到幾個模型，然後對其進行評估。
圖片7.png
使用Generate導入有用的套件
您也可以增強提示以包含工作流程的其他階段。在許多情況下，您可能需要附加“包括視覺化”，以便包含 Matplotlib 和 Seaborn 等軟體包。
當然，清單中可能仍然缺少匯入內容，但它已經可以節省您匯入基礎知識的時間，並且可以根據您的需求進行更新。
附加提示：記錄哪些提示最適合您通常會很有幫助，以便您可以快速參考它們！
2. 更快地建立漂亮的視覺化效果
Python 中的視覺化並不難，但記住不同套件的語法可能非常耗時。 AI助理再次來救你！
在下面的範例中，我們指示助理聚合資料集，然後使用提示「建立 DataFrame df 的 Plotly 長條圖，對作業列中 10 個最常見的作業進行排名」將其視覺化。
使用“生成”來進行繪圖的第一次迭代
使用“生成”來進行繪圖的第一次迭代
結果還不錯，但我們可以做得更好。您可以再次使用“生成”來迭代它生成的程式碼！透過編寫「使圖表成為從大到小排序的水平條形圖。新增相關標題，並使用簡單的白色主題。在提示視窗中再次運行，我們得到以下輸出。
第二輪生成圖表！