需求
資料分析工具
預設選項
pandas 搭配 matplotlib 或 seaborn
為何需要
適合用來匯入資料、檢視資料概況、合併與清理資料,以及繪製初步分析圖表。
.md ,即可取得該頁面的 Markdown 版本。
Codex 應用案例
整理雜亂的資料,用視覺化圖表清楚呈現分析結果。
使用 ChatGPT 工作清理資料、合併不同來源的資料、探討問題並建立模型,再撰寫清楚的報告,以圖表佐證結果並說明分析的限制。
整理雜亂的資料,用視覺化圖表清楚呈現分析結果。
使用 ChatGPT 工作清理資料、合併不同來源的資料、探討問題並建立模型,再撰寫清楚的報告,以圖表佐證結果並說明分析的限制。
| 技能 | 使用理由 |
|---|---|
| Spreadsheets | 檢視 CSV、TSV 和 Excel 檔案,檢查公式與資料合併結果,並製作可供審閱的表格或圖表。 |
| Google Drive | 讀取你在 Google 雲端硬碟中指定且已授權存取的 Google 試算表和來源檔案。 |
| Data Analytics | 蒐集資料來源的背景資訊,分析並驗證資料,再製作可重複使用的報告、儀表板、圖表或筆記本。 |
資料分析的核心是用資料協助決策。分析本身並非目的,重點是做出能讓人採取行動的成果,例如供主管決策的圖表、給產品團隊的實驗結果摘要、供研究人員參考的模型評估,或用來指引日常營運的儀表板。
R for Data Science 一書推廣了一套實用的循環流程:先匯入並整理資料,再反覆轉換資料、進行視覺化與建模,逐步加深對資料的理解,最後再說明分析結果。
ChatGPT 工作很適合這套流程。它可以幫你清理資料、探索假設、進行分析,並產出可重現的成果。目標是讓其他人能檢閱、信任並重新執行你的分析,而不只是產出一份用過一次的筆記本。
選定一個你想用資料回答的具體問題。問題越明確,就越容易判斷需要哪些資料、該做哪些檢查,以及最後要呈現什麼結果。
本文將以這個問題為例:
與距離高速公路較遠的房屋相比,高速公路附近的房屋估值低多少?
假設一份資料集記錄了房屋估值或成交價,另一份則記錄了位置、地籍或與高速公路的距離。除了執行模型,你還需要確認輸入資料可靠、記錄資料如何關聯、檢驗結果是否穩健,並將分析整理成其他人也能使用的成果。
你可以附上 CSV 檔案或 Excel 活頁簿,也可以用 @google-drive 指定已獲准使用的 Google 試算表。如果資料存在你的電腦上,可以使用桌面應用程式。
在這組虛構樣本中,ChatGPT 將 11 筆房屋交易與高速公路距離檔案中的紀錄配對,並標出 1 筆找不到對應距離的交易。距離高速公路 1 英里以內的房屋平均成交價為 50 萬美元,距離 2 至 5 英里的房屋則為 60 萬美元。
排除較遠一組中成交價最高的房屋後,平均成交價仍相差 9.4 萬美元。報告和圖表均說明,樣本數少,未配對的交易也已排除。這項比較未控制社區、成交時間、交通或噪音等因素,無法據此確立因果關係。
先附上檔案,請 ChatGPT 檢查內容。這能幫你釐清幾個基本但重要的問題:
先請 ChatGPT 盤點並說明資料,暫時不要請它下結論。
實務上,分析往往從這一步開始。手上有兩份以上的資料集,卻不確定哪個欄位是主鍵,貿然合併可能會遺漏資料或產生重複紀錄。
合併前,先請 ChatGPT 評估資料是否適合合併:
如果需要推導出最合適的關聯方式,例如用標準化後的地址配對、用幾個欄位組成地籍識別碼,或依位置關聯資料,請先讓 ChatGPT 說明各種做法的取捨,以及哪些特殊情況會影響配對,再決定是否採用合併結果。
選擇模型前,先用圖表了解資料。在高速公路的範例中,可以比較距離高速公路較近與較遠的房屋、查看離群值、觀察缺失值的分布,並檢查表面上的價差是否反映了兩組房屋所在社區的組成、房屋面積或其他因素。
每張圖表都應與原本的問題有關。將有助於回答問題的比較圖表存下來,讓其他人也能檢視分析過程。
並非每項分析都需要複雜的模型。先建立一個容易解釋的基準模型。
針對高速公路的問題,可以先用迴歸模型或其他容易理解的模型,在控制房屋面積、屋齡和位置等相關因素後,估計房屋與高速公路的距離和房屋價值之間的關係。
請 ChatGPT 清楚說明以下事項:
即使第一個模型表現不佳,結果仍有參考價值。你可以據此判斷問題出在模型、特徵、資料配對品質,還是原本的提問。
分析成果要讓其他人看得懂、用得上,才有價值。請 ChatGPT 依讀者的需求產出合適的檔案:
請它一併說明解讀結果時要注意的事項。如果資料配對品質不佳、樣本有抽樣偏差,或模型所依賴的假設可能不成立,都應在交付的成果中明確指出。
如果專案需要可重複使用的指令碼或筆記本,請 ChatGPT 使用現有的 Python 環境,或建立一個精簡且可重現的環境。保留原始檔案,將分析、圖表和最終報告另存。如果要在 ChatGPT 工作中分析附件,不必事先設定 Python。
載入並說明資料集
合併前檢查資料如何關聯
建立容易解釋的初步模型
為利害關係人整理分析成果
需求
預設選項
為何需要
需求
資料分析工具
預設選項
pandas 搭配 matplotlib 或 seaborn
為何需要
適合用來匯入資料、檢視資料概況、合併與清理資料,以及繪製初步分析圖表。
需求
建模
預設選項
為何需要
先建立可解釋的基準模型,再採用較複雜的預測模型。
| 需求 | 預設選項 | 為何需要 |
|---|---|---|
| 資料分析工具 | pandas 搭配 matplotlib 或 seaborn | 適合用來匯入資料、檢視資料概況、合併與清理資料,以及繪製初步分析圖表。 |
| 建模 | statsmodels 或 scikit-learn | 先建立可解釋的基準模型,再採用較複雜的預測模型。 |
將 KPI 儀表板、指標定義、匯出資料、分群統計、產品上線背景和相關人員的討論串提供給 ChatGPT,再請它撰寫根因分析摘要,註明資料來源,並區分已確認的原因與待驗證的假設。
將來自 Slack、問卷、議題追蹤工具、客服或研究筆記的回饋交給 ChatGPT...
將研究資料、規劃文件、模型、儀表板、利害關係人的背景資訊及待解問題提供給 ChatGPT,再請它區分證據與解讀,草擬一份註明來源、可供主管審閱的決策備忘錄。