📢 转载信息
原文链接：https://www.kdnuggets.com/7-chatgpt-tricks-to-automate-your-data-tasks
原文作者：Nahla Davies
# 引言
ChatGPT的美妙之处不在于它能写论文或回答琐碎问题，而在于它能悄无声息地将数据项目中的繁重工作接管过来。从处理混乱的逗号分隔值（CSV）到即时生成结构化查询语言（SQL）查询，对于任何处理数据的人来说，它都是一个未被充分利用的生产力层。
当您将其自然语言技能与结构化提示相结合时，您就可以将数小时的工作缩短为几分钟。本文将探讨如何将ChatGPT从一个聊天机器人转变为强大的数据助手，以简化重复性、繁琐和复杂的工作。
# 1. 将自然语言问题转化为SQL查询
当您需要处理多个数据库时，SQL语法很容易忘记。ChatGPT弥合了意图和查询之间的鸿沟。
您可以描述您想要的内容：
"选择所有在过去90天内注册且进行了超过三次购买的用户。”
它会立即生成一个可用的SQL命令。更妙的是，您可以进行对话式迭代：在不从头重写的情况下，改进过滤器、添加连接或切换数据库。
这使得ChatGPT在处理临时分析请求或文档稀疏的混乱遗留数据库时特别有用。与其在Stack Overflow上搜索语法细节，不如保持对话的开放性，专注于逻辑，而不是查找。
结合来自数据集的Schema上下文，ChatGPT将纯英文翻译成SQL的能力可以每周节省数小时的上下文切换时间。
# 2. 快速生成和清洗数据集
数据准备工作总是比数据提取或分析消耗更多的时间。ChatGPT可以通过生成样本数据集、清理不一致的文本，甚至模拟边缘情况来进行模型测试，来帮助您自动化这个瓶颈。
描述结构：
"我需要一个包含500个虚假用户的CSV文件，每个用户都有姓名、国家和上次登录日期。”
结果是符合您Schema的、逼真的结构化数据。
在清理方面，当您将ChatGPT的正则表达式（regex）理解能力与上下文智能相结合时，它会大放异彩。
给它提供一些混乱的输入示例，比如不一致的国家代码或产品名称，它可以提出标准化逻辑，甚至生成用于Pandas清洗流程的代码。它无法取代完整的数据验证工作流程，但它能为您免除手动起草脚本的繁重工作。
# 3. 按命令编写Python数据脚本
如果您花费时间编写相同的预处理或可视化步骤，ChatGPT可以成为您的脚本助手。
请它编写一个合并两个DataFrame的Python函数、计算列平均值或过滤异常值——它将交付一个可直接运行的代码块。当与您的项目上下文配对时，您甚至可以获得包含错误处理和文档记录的定制化、模块化脚本。
这里最大的省时之处在于迭代开发。您无需编写样板代码，而是可以提示ChatGPT逐步调整逻辑：
- 现在添加异常处理。
- 现在让它返回JSON。
- 现在适配Apache Spark。
这就像拥有一个从不厌倦您返工的结对程序员，它能让您的注意力集中在解决问题上，而不是重复的语法上。
# 4. 自动化数据可视化工作流程
将数据转化为视觉效果的过程可能与清洗数据一样重复。ChatGPT可以通过生成您需要的精确绘图代码来加速这一过程。
描述数据故事——“我想要一个按地区划分的条形图，并带有自定义颜色和标签”——它会生成一个Matplotlib或Plotly代码片段，可以直接粘贴到您的Notebook中。
更好的是，ChatGPT可以跨多个报告标准化您的视觉风格，特别是借助新的“公司知识”功能，该功能允许您为未来的图表倾倒所有视觉元素。将您现有的图表脚本输入其中，并告知它对新数据集使用相同的审美规则。
这种方法将过去需要手动微调的工作转变为一个可复现、自动化的过程，确保您的可视化保持一致和专业。
# 5. 将ChatGPT用作数据文档引擎
文档是大多数项目崩溃的地方。ChatGPT可以将这项苦差事转变为一个简化的、半自动化的任务。
粘贴您的函数定义、Schema描述，甚至整个Jupyter Notebook单元格，并要求它生成易于人类阅读的解释。它可以总结逻辑、突出显示依赖关系，甚至为内部Wiki或README文件起草部分内容。
它在逆向工程未记录代码方面也出奇地有效。您可以将旧脚本的片段输入其中，它会推断出它们的作用、它们的位置以及如何改进它们。
这意味着需要解读他人逻辑的时间更少，而在此基础上构建的时间更多。结果是更清晰的交接和更轻松的新协作者入职。
# 6. 生成洞察总结和报告
每次分析之后，便是叙事阶段。ChatGPT可以接收结构化输出，如JSON摘要、模型指标CSV或原始统计结果，并生成可读的、有上下文的报告。
您无需手动编写摘要，而是可以要求它“用通俗的英语总结此回归输出”或“为利益相关者演示生成三段式的洞察摘要”。
它不仅仅是改写数字；它会在上下文中解释它们，将发现转化为可操作的见解。
您的指令越具体（例如：“重点关注亚太地区的异常情况”），生成的摘要就越有针对性、越准确。对于生成定期报告的数据团队来说，这种自动化可以节省时间，同时提高清晰度。
# 7. 在ChatGPT的帮助下构建端到端数据管道
ChatGPT不会执行您的管道，但它可以智能地设计它们。您可以描述您的工作流程目标：“从API摄取数据，清理空值，加载到BigQuery，并通过Slack通知。”输出将是Python或Apache Airflow格式的整个流程的脚手架。
这是通往蓝图级自动化的捷径，可以加速实施，而无需强迫您重新发明常见的结构。
当开始新项目时，这种技术尤其有效。您可以让ChatGPT输出一个适合您首选技术栈的模块化骨架管道，而不是从多个来源拼凑示例。
通过每一次迭代，您都可以完善流程，直到准备好部署。它不是一个无代码解决方案，但它将规划阶段转化为自然对话，使您能更快地从概念走向执行。
# 最后的思考
ChatGPT不是魔法——但它是一个放大器。您的提示越结构化、目标越清晰，它就越能转变为您数据工作的生产力倍增器。
它不是试图取代您的技术技能，而是通过处理那些可重复、易忘记或只是枯燥的工作来扩展这些技能。
无论是生成数据集、调试查询还是起草报告，ChatGPT都弥合了人类推理与机器效率之间的差距。诀窍不在于知道它能做什么——而在于知道如何让它为您完成这些工作。
Nahla Davies 是一位软件开发人员和技术作家。在全职投入技术写作之前，她曾担任一家体验式品牌组织的首席程序员，其客户包括三星、时代华纳、Netflix 和索尼等。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区