如需查看完整的文档索引,请参阅 llms.txt。在文档页面的 URL 末尾加上 .md 即可查看该页面的 Markdown 版本。
主导航
主题
Codex

Codex 使用场景

分析数据集并交付报告

理清杂乱的数据,用清晰的分析和直观的图表呈现结果。

难度 Intermediate
时间跨度 1h

使用 ChatGPT 工作清洗数据、关联不同来源的数据、探究问题并对结果建模。生成一份清晰的报告,用图表支撑结论,并说明结论的局限。

最适合

  • 从杂乱的文件入手分析数据,最终交付图表、备忘录、仪表板或报告。
  • 需要清洗数据、准确关联记录、使用可解释模型或确保分析可复现的问题。
  • 需要交付分析成果供他人复核和复用的团队。

目录

    ← 所有使用场景

    分析数据集并交付报告

    理清杂乱的数据,用清晰的分析和直观的图表呈现结果。

    使用 ChatGPT 工作清洗数据、关联不同来源的数据、探究问题并对结果建模。生成一份清晰的报告,用图表支撑结论,并说明结论的局限。

    Intermediate
    1h

    使用 ChatGPT 工作清洗数据、关联不同来源的数据、探究问题并对结果建模。生成一份清晰的报告,用图表支撑结论,并说明结论的局限。

    Intermediate
    1h

    最适合

    • 从杂乱的文件入手分析数据,最终交付图表、备忘录、仪表板或报告。
    • 需要清洗数据、准确关联记录、使用可解释模型或确保分析可复现的问题。
    • 需要交付分析成果供他人复核和复用的团队。

    技能与插件

    • Spreadsheets
      检查 CSV、TSV 和 Excel 文件,核对公式和数据关联结果,制作可供复核的表格或图表。
    • 读取您在 Google 云端硬盘中指定且已获准访问的 Google 表格和源文件。
    • Data Analytics
      收集数据来源的背景信息,分析并验证数据,制作可复用的报告、仪表板、图表或笔记本。
    技能 使用理由
    Spreadsheets 检查 CSV、TSV 和 Excel 文件,核对公式和数据关联结果,制作可供复核的表格或图表。
    Google Drive 读取您在 Google 云端硬盘中指定且已获准访问的 Google 表格和源文件。
    Data Analytics 收集数据来源的背景信息,分析并验证数据,制作可复用的报告、仪表板、图表或笔记本。

    起始提示词

    使用 @Data Analytics 检查附件中的两份数据集,一份记录房产交易,另一份记录住宅到公路的距离。根据这些数据判断靠近公路的住宅价值是否较低。 说明每个数据源包含哪些内容,找出相关列以及可能用于关联记录的键。检查是否存在缺失值、重复项、未匹配的记录或不完整的数据。清洗并关联这些数据,不要覆盖源文件或编造数据值。 用清晰的图表辅助分析这个问题。如果适合建模,先从可解释的模型入手。用通俗的语言说明分析结果、所做的假设和结果的不确定性。提交一份简明的报告、笔记本或电子表格,在开头给出答案。列出所创建文件的名称,并指出任何可能改变结论的数据问题。
    使用 @Data Analytics 检查附件中的两份数据集,一份记录房产交易,另一份记录住宅到公路的距离。根据这些数据判断靠近公路的住宅价值是否较低。 说明每个数据源包含哪些内容,找出相关列以及可能用于关联记录的键。检查是否存在缺失值、重复项、未匹配的记录或不完整的数据。清洗并关联这些数据,不要覆盖源文件或编造数据值。 用清晰的图表辅助分析这个问题。如果适合建模,先从可解释的模型入手。用通俗的语言说明分析结果、所做的假设和结果的不确定性。提交一份简明的报告、笔记本或电子表格,在开头给出答案。列出所创建文件的名称,并指出任何可能改变结论的数据问题。

    简介

    数据分析的核心是用数据为决策提供依据。分析本身并不是目的,真正的目标是做出能帮助他人采取行动的成果,例如供管理层参考的图表、供产品团队解读的实验结果、供研究人员参考的模型评估,或用于指导日常运营的仪表板。

    《R 数据科学》 一书推广了一种实用的循环分析流程:先导入并整理数据,再反复进行数据变换、可视化和建模,逐步加深对数据的理解,最后传达分析结果。

    ChatGPT 工作很适合这一流程。它可以帮助您清洗数据、探索假设、开展分析,并生成可复现的成果。目标不只是做出一个用过一次就搁置的笔记本,而是让他人能够审查分析过程、信赖分析结果,并重新运行分析。

    明确使用场景

    先选定一个您想用数据回答的具体问题。问题越具体,就越容易确定需要哪些输入数据、该做哪些检查,以及最终要给出什么结果。

    贯穿全文的示例:高速公路附近的房产价值

    下面以这个问题为例:

    与距离高速公路较远的房屋相比,附近房屋的估值低多少?

    假设一个数据集记录了房产估值或成交价,另一个数据集记录了位置、地块或距高速公路的远近。除了运行模型,您还需要确保输入数据可靠,记录数据集的联接方式,检验结果是否稳健,并最终交付一份他人可以使用的分析成果。

    您可以附上 CSV 文件或 Excel 工作簿,也可以用 @google-drive 指定一份已获准使用的 Google 表格。如果数据存储在您的计算机上,您可以使用桌面应用。

    ChatGPT Work

    示例结果

    在一个虚构样本中,ChatGPT 将 11 笔房产交易与高速公路距离文件中的记录成功匹配,并标出了一笔缺少对应距离记录的交易。距高速公路一英里以内的房屋平均成交价为 50 万美元,距高速公路两至五英里的房屋平均成交价为 60 万美元。

    剔除较远一组中成交价最高的房产后,两组的平均成交价仍相差 9.4 万美元。报告和图表均说明,样本量较小,未匹配的交易已被排除,而且这项比较无法确定因果关系,也未控制街区、成交时间、交通或噪声等因素。

    导入数据

    先附上文件,请 ChatGPT 检查其内容。这有助于回答几个基本但重要的问题:

    • 这些文件分别是什么格式?
    • 每个数据集看起来记录了什么?
    • 哪些列可能是目标变量、标识符、日期、位置或度量值?
    • 哪些地方存在明显的数据质量问题?

    先请 ChatGPT 逐项列出数据并加以说明,暂时不要让它下结论。

    整理并合并输入数据

    实际分析工作大多从这一步开始。您手头有两个或更多数据集,但主键尚不明确,直接合并可能会丢失数据或产生重复记录。

    请 ChatGPT 在正式合并前评估合并方案:

    • 检查候选键的值是否唯一。
    • 统计空值比例,检查格式差异。
    • 统一明显不一致的格式,例如大小写、空白字符或地址写法。
    • 试做联接并报告匹配率。
    • 在写入最终的合并文件前,推荐最稳妥的合并策略。

    如果需要根据现有数据确定最合适的联接方式,例如使用格式统一后的地址、由多列组合而成的地块标识符,或按位置联接,请先让 ChatGPT 说明各种方案的取舍和需要考虑的边界情况,再决定是否接受合并结果。

    用图表探索数据

    在选择模型之前,先通过图表了解数据。在本例中,您可以比较高速公路附近和较远处的房屋,查看异常值和缺失值的分布规律,并检查观察到的差异是否与街区构成、房屋面积或其他因素有关。

    每张图表都应围绕最初的问题。保存有参考价值的对比图,以便他人审查分析过程。

    针对问题建模

    并非每项分析都需要复杂的模型。先从可解释的基线模型入手。

    对于高速公路附近的房产估值问题,合理的第一步是采用回归模型或其他易于解释的模型,在控制房屋面积、房龄和位置等相关因素的同时,估计房屋距高速公路的远近与房产价值之间的关系。

    请 ChatGPT 明确说明以下内容:

    • 目标变量是什么,各项特征如何定义。
    • 应纳入哪些控制变量,以及纳入的原因。
    • 有哪些数据泄漏风险,哪些数据被排除在分析之外。
    • 如何选择数据划分方式、评估方法或不确定性的估计方法。
    • 用通俗的语言解释结果的含义。

    即使第一个模型表现不佳,也能提供有用的信息,帮助您判断问题出在模型、特征、数据联接质量,还是问题本身。

    传达分析结果

    只有当他人能理解并使用分析结果时,分析才有价值。请 ChatGPT 根据受众的需要生成相应的成果:

    • 供技术协作者阅读的 Markdown 备忘录。
    • 供后续运营环节使用的电子表格或 CSV 文件。
    • 供决策者阅读的排版文档或 PDF 文件。
    • 便于重复使用分析成果的笔记本、仪表板或静态报告。

    请它说明解读结果时应注意的事项。如果数据联接质量欠佳、存在抽样偏差,或模型所依赖的假设可能不成立,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 ChatGPT 使用现有的 Python 环境,或搭建一个精简、可复现的环境。保留源文件原样,分别保存分析、图表和最终报告。在 ChatGPT 工作中分析附件里的数据之前,您无需设置 Python 环境。

    推荐提示词

    加载数据集并说明其内容

    检查我附上的数据文件,说明每个文件包含什么。指出哪些列可能是目标列,哪些列记录日期或用作地块或位置标识符,并说明文件格式、缺失的信息和明显的数据质量问题。先不要下结论。

    在联接前检查合并方案

    检查这些数据集应该如何联接。分析候选键的取值情况,列出重复和未匹配的记录,统一明显不一致的格式,并说明最稳妥的联接方式。不要编造缺失值,也不要覆盖源文件。

    构建可解释的初步模型

    建立模型,分析房屋靠近高速公路是否与房产价值较低有关。先建立一个可解释的基线模型,在数据允许的情况下考虑房屋面积、房龄和所在街区,并用通俗的语言说明估计的效应、不确定性和局限性。

    为利益相关方整理分析结果

    把这项分析整理成一份可直接提交给利益相关方的简短报告。开头先回答问题,附上最有助于说明结论的图表,说明如何检查数据和联接结果,并明确指出所有局限性或不确定性。保留源数据原样,并列出所创建文件的名称。

    技术栈

    需求

    数据分析工具

    默认选项

    pandas 搭配 matplotlib 或 seaborn

    为什么需要

    适合导入数据、了解数据概况、关联和清洗数据,以及绘制初步分析图表。

    需求

    建模

    为什么需要

    先建立可解释的基线模型,再尝试更复杂的预测模型。

    需求 默认选项 为什么需要
    数据分析工具 pandas 搭配 matplotlib 或 seaborn 适合导入数据、了解数据概况、关联和清洗数据,以及绘制初步分析图表。
    建模 statsmodels 或 scikit-learn 先建立可解释的基线模型,再尝试更复杂的预测模型。

    相关使用场景