程序员即将失业？ChatGPT正在取代各位！
最近OpenAI的ChatGPT真的是到处都在刷屏，我想你已经看过很多关于ChatGPT的文章或者视频了，我就不过多介绍了。不过你碰巧还不知道的话，可以先百度一下，然后再回来继续。
与ChatGPT对话很有趣，甚至很有启发性。有人用它聊天，有人用它写代码，太多省时省力的工作，都可以由它完成，我们的内容创作部门已经将ChatGPT用于文案生成。那么对研发，ChatGPT是否有用呢？我做了一个测试，让ChatGPT来完成算法研究中频繁要做的数据清洗和处理问题，结果让人非常满意，以后还招啥工程师，直接找ChatGPT吧！
简单数据处理
我们首先从简单的任务入手，让ChatGPT完成数据加载和简单的清洗工作。
任务目标
[*]加载数据集；
[*]确保数据集中所有值均为数值类型，如果不是则尝试将其转换为数值类型；
[*]检查缺失值；
[*]数据集分成训练集和测试集。
上面这4个任务是算法执行前必须要做的常规工作。我们看一下ChatGPT的表现
输出结果
import pandas as pd
import numpy as np
def load_csv_data(file_path):
# Load the csv file into a pandas DataFrame
df = pd.read_csv(file_path)
# Convert string type data to numeric type and save the mapping in a dictionary
conversion_map = {}
for column in df.columns:
if df.dtype == 'O':
unique_values = df.unique()
conversion_map = {unique_values: i for i in range(len(unique_values))}
df = df.map(conversion_map)
# Check for missing values
missing_value_counts = df.isnull().sum()
for column, missing_count in missing_value_counts.items():
if missing_count > 1:
df.drop(df.isnull()].index, inplace=True)
elif missing_count == 1:
df.fillna(df.mean(), inplace=True)
# Split the dataset into training and validation sets
train_df = df.sample(frac=0.8, random_state=0)
val_df = df.drop(train_df.index)
return train_df, val_df, conversion_map
# 新的一年，必须卷死同学、同事，狠狠的提升一波自己的Python实力。
# 这里我给大家准备了2023最新的Python学习资料、电子书、基础视频教程、实战案例，直接在这个扣裙自取即可（708525271）
分析
上面代码可以完美完成目标任务，从csv文件中加载数据集，并以80/20的比例将数据集拆分为测试集和训练集，关键逻辑还加上了注释，ChatGPT甚至贴心的给出了函数使用方法。
ChatGPT生成上面代码总共用时116秒，同时我们的数据工程师编写同样功能的代码用时225秒。二者的代码差异不大，但是我们的数据工程师没写注释。
上面的任务是数据工程师几乎天天都要写的代码，他们很熟练。我又找了一个大学刚毕业还在实习期的数据助理来写，居然半个小时才完成，由于对接口不熟悉，大量时间花在了百度上[捂脸]。
第一轮比试，从各个维度上，都是ChatGPT胜。
重构代码
在上一轮的比试中，我发现我们的数据工程师有“偷鸡”行为——由于平时经常需要完成上面工作，他将很多功能封装成了独立的函数，用的时候直接引入或拷贝。使用函数按照逻辑组织代码，不仅能够促进代码复用，还有利于代码维护。所以我们接下来试着让ChatGPT重构一下自己的代码。
任务目标
将上面的代码按照功能合理地拆分成若干函数。
输出结果
import pandas as pd
import numpy as np
def load_csv(file_path):
return pd.read_csv(file_path)
def convert_strings_to_numeric(df):
conversion_map = {}
for column in df.columns:
if df.dtype == 'O':
unique_values = df.unique()
conversion_map = {unique_values: i for i in range(len(unique_values))}
df = df.map(conversion_map)
return df, conversion_map
def handle_missing_values(df):
missing_value_counts = df.isnull().sum()
for column, missing_count in missing_value_counts.items():
if missing_count > 1:
df.drop(df.isnull()].index, inplace=True)
elif missing_count == 1:
df.fillna(df.mean(), inplace=True)
return df
def split_data(df):
train_df = df.sample(frac=0.8, random_state=0)
val_df = df.drop(train_df.index)
return train_df, val_df
def prepare_data(file_path):
df = load_csv(file_path)
df, conversion_map = convert_strings_to_numeric(df)
df = handle_missing_values(df)
train_df, val_df = split_data(df)
return train_df, val_df, conversion_map
分析
ChatGPT拆分出5个函数：
[*]load_csv(file_path) 负责从csv文件中加载数据集，返回DataFrame；
[*]convert_strings_to_numeric(df) 负责将DataFrame中的非数值类型数据转换为数值类型，并记录转换映射表；
[*]handle_missing_values(df) 负责处理缺失值；
[*]split_data(df) 负责将数据集拆分为训练集和测试集；
[*]prepare_data(file_path) 将上面4给函数串起来，构成一个pipeline。
不得不说，ChatGPT有一次完美地完成了任务！并且函数名起得非常好，看函数名就能知道函数的功能，比很多中国程序员用拼音或缩写命名函数友好多了。
扩展代码
重构后的代码结构已经非常清晰了，但是还是有缺陷，那就是不够灵活，很多规则都是写死的。为了让代码更灵活、可扩展性更强，我们一般会将变量以参数的形式传入。
任务目标
重构上面的代码，以参数的形式从命令行传入以下内容：
[*]csv格式数据集的路径
[*]拆分训练集和验证集的大小
[*]阈值，缺失值大于此阈值则删除记录，小于等于此阈值则处理缺失值
输出结果
import pandas as pdimport numpy as npimport argparsedef load_csv(file_path): return pd.read_csv(file_path)def convert_strings_to_numeric(df): conversion_map = {} for column in df.columns: if df.dtype == 'O': unique_values = df.unique() conversion_map = {unique_values: i for i in range(len(unique_values))} df = df.map(conversion_map) return df, conversion_mapdef handle_missing_values(df, threshold): missing_value_counts = df.isnull().sum() for column, missing_count in missing_value_counts.items(): if missing_count > threshold: df.drop(df.isnull()].index, inplace=True) elif missing_count
页:
[1]