ChatGPT的插件使數(shù)據(jù)科學成為一種簡單、愉快的體驗

我們做數(shù)據(jù)分析時一般都是使用這樣的流程來進行：運行jupyter notebook、安裝庫、解決依賴關系和版本控制，數(shù)據(jù)分析，生成圖表。ChatGPT的“Code Interpreter”插件可以幫助我們進行數(shù)據(jù)分析。

作為測試，首先要ChatGPT進入角色,讓它作為經濟顧問。

act as an economic advisor and help me understand what is essential for calculating inflation.

1、加載和預處理數(shù)據(jù)

要求ChatGPT訪問歷史數(shù)據(jù)并開始對其進行預測。它告訴我它將使用FRED(聯(lián)邦儲備經濟數(shù)據(jù))數(shù)據(jù)庫，但不幸的是，它無法下載數(shù)據(jù)。

那么我們來幫它下載，詢問如何下載數(shù)據(jù)。

然后將它上傳給Code Interpreter，就可以進行EDA了。

在ChatGPT的幫助下，我可視化了數(shù)據(jù)，檢查了趨勢，并探索了關鍵指標。ChatGPT用簡單的英語進行了總結。

哈哈，ChatGPT什么都知道。

2、數(shù)據(jù)分析：它繪制了時間序列數(shù)據(jù)，直觀地探索CPI值的趨勢和季節(jié)性。

它使用增強Dickey-Fuller (ADF)檢驗平穩(wěn)性。結果表明，原始時間序列是非平穩(wěn)的。

3、數(shù)據(jù)轉換的平穩(wěn)性

為了實現(xiàn)平穩(wěn)性，它對時間序列數(shù)據(jù)應用了一階差分，這涉及到計算連續(xù)觀測數(shù)據(jù)之間的差異。它對不同的數(shù)據(jù)使用ADF檢驗重新檢驗平穩(wěn)性。結果表明，差分時間序列是平穩(wěn)的。

4、模型選擇與參數(shù)估計

下一步是預測五年的CPI。ChatGPT向我介紹了ARIMA模型，它分析了這些數(shù)字，給了我一個有意義的預測!

它設置檢查了自相關函數(shù)(ACF)和部分自相關函數(shù)(PACF)圖，來確定ARIMA模型的順序(參數(shù)p, d, q)。根據(jù)ACF和PACF圖，選取參數(shù)p=1, d=1, q=1的初始ARIMA模型。

5、模型訓練

它用所選參數(shù)(p=1, d=1, q=1)將ARIMA模型擬合到原始(無差異)時間序列數(shù)據(jù)。該模型從歷史數(shù)據(jù)模式中學習。

6、預測

使用擬合的ARIMA模型從最后一個數(shù)據(jù)點預測未來5年(60個月)的CPI。還生成點預測和置信區(qū)間，以解釋預測中的不確定性。

7、可視化和解釋

繪制歷史數(shù)據(jù)、預測CPI值和置信區(qū)間，在通貨膨脹趨勢的背景下解釋預測值，理解預測受到不確定性和外部因素的影響。

插件系統(tǒng)的確讓ChatGPT變得有趣:“Code Interpreter”不僅可以讓遠程運行代碼，而且還使數(shù)據(jù)科學簡單，高效。

無論你是經驗豐富的數(shù)據(jù)科學家還是剛入門的新手，都可以嘗試一下ChatGPT。智能不智能要看后續(xù)的驗證結果，但是省事是真省事。