Need
分析技术栈
Default options
pandas 搭配 matplotlib 或 seaborn
Why it's needed
是用于导入、数据剖析、联接、清理和首轮制图的不错默认选择。
Codex use case
分析数据集并交付报告
将杂乱数据转化为清晰的分析和可视化结果。
Difficulty 中级
Time horizon 1 小时
使用 ChatGPT Work 清理数据、联接数据源、探究问题、对结果建模，并生成一份清晰的报告，附上佐证图表和局限性说明。
最适合
- 从杂乱文件入手，最终产出图表、备忘录、仪表板或报告的数据分析。
- 需要清理数据、进行可靠联接、使用可解释模型或开展可复现分析的问题。
- 需要产出可供他人审查和复用的成果的团队。
Contents
分析数据集并交付报告
将杂乱数据转化为清晰的分析和可视化结果。
使用 ChatGPT Work 清理数据、联接数据源、探究问题、对结果建模，并生成一份清晰的报告，附上佐证图表和局限性说明。
中级
1 小时
技能与插件
- Spreadsheets检查 CSV、TSV 和 Excel 文件，核对公式和联接，并创建可供审查的表格或图表。
- 读取您在 Drive 中指定且已获批准的 Google 表格和源文件。
- Data Analytics收集来源的背景信息，分析并验证数据，以及构建可复用的报告、仪表板、图表或笔记本。
| Skill | Why use it |
|---|---|
| Spreadsheets | 检查 CSV、TSV 和 Excel 文件，核对公式和联接，并创建可供审查的表格或图表。 |
| Google Drive | 读取您在 Drive 中指定且已获批准的 Google 表格和源文件。 |
| Data Analytics | 收集来源的背景信息，分析并验证数据，以及构建可复用的报告、仪表板、图表或笔记本。 |
入门提示
使用 @Data Analytics 检查随附的房产成交和高速公路距离数据集，并判断高速公路附近房屋的房产价值是否更低。
说明每个数据源包含的内容，找出相关列和可能的联接键，并检查缺失值、重复项、未匹配记录和不完整数据。清理并联接输入数据，不得覆盖源文件或编造数值。
用清晰的佐证图表探索这个问题；如建模有助于分析，请先从可解释模型入手，并用通俗语言说明结果、假设和不确定性。返回一份简明的报告、笔记本或电子表格，将答案置于开头，注明所创建文件的名称，并标明任何可能改变结论的数据问题。
使用 @Data Analytics 检查随附的房产成交和高速公路距离数据集，并判断高速公路附近房屋的房产价值是否更低。
说明每个数据源包含的内容，找出相关列和可能的联接键，并检查缺失值、重复项、未匹配记录和不完整数据。清理并联接输入数据，不得覆盖源文件或编造数值。
用清晰的佐证图表探索这个问题；如建模有助于分析，请先从可解释模型入手，并用通俗语言说明结果、假设和不确定性。返回一份简明的报告、笔记本或电子表格，将答案置于开头，注明所创建文件的名称，并标明任何可能改变结论的数据问题。
简介
数据分析的核心在于用数据为决策提供依据。目标不是为了分析而分析，而是产出能够帮助他人采取行动的成果：可以是供管理层使用的图表、供产品团队参考的实验结果报告、供研究人员查看的模型评估，或指导日常运营的仪表板。
由 R for Data Science 推广开来的一种实用框架是循环式流程：先导入并整理数据，再在转换、可视化和建模之间反复迭代，逐步加深理解，之后再传达结果。
ChatGPT Work 很适合这一工作流。它可以帮助您清理数据、探索假设、开展分析并产出可复现的成果。目标不是制作一次性笔记本，而是完成一份他人可以审查、信赖和重新运行的分析。
定义您的用例
选择一个您希望用数据回答的具体问题。问题越具体，就越容易确定恰当的输入、检查项和结果。
贯穿示例：高速公路附近的房产价值
下面以这个问题为例展开分析：
高速公路附近房屋的房产估值低了多少？
假设一个数据集包含房产价值或成交价，另一个包含位置、地块或距高速公路的距离信息。工作不只是运行模型，还要确保输入数据可信、记录联接过程、对结果进行压力测试，并最终产出他人可以使用的成果。
您可以附加 CSV 或 Excel 工作簿，通过 @google-drive 指定一个已获批准的 Google 表格；如果数据存储在您的计算机上，也可以使用桌面 App。
ChatGPT Work示例结果
在一个虚构样本中，ChatGPT 将 11 笔房产成交记录与高速公路距离文件匹配，并标记出一笔没有匹配距离数据的成交记录。距高速公路一英里以内的房屋平均价值为 $500,000，而距高速公路两到五英里的房屋为 $600,000。
排除距离高速公路较远的房产中价格最高的一套后，差额仍为 $94,000。报告和图表说明了以下局限：样本量较小，未匹配的成交记录已被排除，而且该比较无法证明因果关系，也未控制社区、成交时间、交通流量或噪声等因素。
导入数据
首先附加文件，并让 ChatGPT 检查这些文件。这有助于回答以下基础但重要的问题：
- 这里包含哪些文件格式？
- 每个数据集似乎分别描述了什么？
- 哪些列可能是目标变量、标识符、日期、位置或度量值？
- 有哪些明显的数据质量问题？
暂时不要让 ChatGPT 得出结论，先请它盘点并说明数据。
整理并合并输入数据
大多数实际工作都从这里开始。您有两个或更多数据集，主键并不明确，贸然合并可能导致数据丢失或产生重复项。
让 ChatGPT 在执行合并前分析合并情况：
- 检查候选键的唯一性。
- 统计空值率和格式差异。
- 统一明显不一致的格式，例如大小写、空白或地址格式。
- 进行试联接并报告匹配率。
- 在写入最终合并文件前，推荐最安全的合并策略。
如果您需要确定最佳键，例如规范化地址、由几列组合而成的地块标识符或基于位置的联接，请在接受合并结果前，让 ChatGPT 说明其中的权衡和边界情况。
使用图表探索数据
选择模型前，先用图表了解数据。在贯穿示例中，应比较高速公路附近与较远处的房屋，检查异常值和缺失值模式，并判断这种表面上的效应是否源自社区构成、房屋面积或其他因素。
确保每张图表都紧扣最初的问题。保存有用的比较结果，以便其他人检查分析过程。
为问题建模
并非每项分析都需要复杂模型。先从可解释的基准模型入手。
对于高速公路这一问题，合理的初步做法是采用回归或其他可解释的模型，在控制房屋面积、房龄和位置等相关因素的同时，估算距高速公路的远近与房产价值之间的关系。
请让 ChatGPT 明确说明以下内容：
- 目标变量和各项特征的定义。
- 要包含哪些控制变量，以及原因。
- 数据泄漏风险和排除项。
- 选择数据划分方式、评估方法或不确定性估计方法的依据。
- 如何用通俗语言解读结果。
即使第一个模型效果不佳，也仍有价值。它有助于判断问题究竟出在模型、特征、联接质量，还是问题本身。
传达分析结果
分析结果只有能被他人理解和使用，才有价值。请让 ChatGPT 生成受众所需的交付成果：
- 面向技术协作者的 Markdown 备忘录。
- 用于下游操作的电子表格或 CSV 文件。
- 供决策者使用的排版文档或 PDF。
- 用于可复用分析的笔记本、仪表板或静态报告。
请让它注明注意事项和局限性。如果联接质量不理想、存在抽样偏差，或模型假设不稳健，交付成果中应明确说明。
可选：设置 Python 环境
如果项目需要可复用的脚本或笔记本，请让 ChatGPT 使用现有 Python 环境，或搭建一个精简、可复现的环境。保持源文件不变，并分别保存分析结果、图表和最终报告。在 ChatGPT Work 中分析附件前，您无需设置 Python 环境。
建议的提示词
加载数据集并说明内容
审查我附加的数据文件，并说明每个文件包含什么内容。找出可能的目标列、日期字段、地块或位置标识符，识别文件格式、缺失信息和明显的数据质量问题。暂时不要得出结论。
合并前检查联接方案
检查这些数据集应如何联接。分析候选键，列出重复记录和未匹配记录，对明显的格式问题进行规范化处理，并说明最安全的联接方式。不要编造缺失值，也不要覆盖源文件。
构建首个可解释模型
建立模型，判断靠近高速公路是否与较低的房产价值相关。先从可解释的基准模型入手，在数据支持的情况下控制房屋面积、房龄和社区因素，并用通俗语言说明效应、不确定性和局限性。
为利益相关方整理结果
将这项分析整理成一份适合利益相关方阅读的简短报告。先给出结论，附上最有用的佐证图表，说明对数据和联接进行的检查，并明确指出其中的局限性或不确定性。保持源数据不变，并为所创建的文件命名。
Tech stack
Need
Default options
Why it's needed
Need
建模
Default options
Why it's needed
先从可解释的基线模型入手，再转向更复杂的预测模型。
| Need | Default options | Why it's needed |
|---|---|---|
| 分析技术栈 | pandas 搭配 matplotlib 或 seaborn | 是用于导入、数据剖析、联接、清理和首轮制图的不错默认选择。 |
| 建模 | statsmodels 或 scikit-learn | 先从可解释的基线模型入手，再转向更复杂的预测模型。 |
