数据分析如何正确使用ChatGPT进行辅助？

目录

1.数据介绍

2.特征工程

3.EDA分析

4.数据相关性分析

5.分析总结

        一篇优秀的学术论文，肯定有新颖、适当的论证视角，选择恰当的研究方法，搭建逻辑严密、平衡的论证框架，把有力的数据分析紧密结合起来，这样一篇论文将具有逻辑严密的论证过程。小编在之前的AI工具论文写作流程中，介绍了大量论文文字工作，今天小编使用Kaggle数据，给大家分享一下学术论文中数据分析相关内容使用Kimi的效果。

1.数据介绍

        首先介绍一下数据集，数据集我在Kaggle上下载了一个房价预测的数据集。具体使用到的有两个文件。

-------------------------------------------------------

其中[data_description.txt]文件主要是对数据集中每一列的描述。

-------------------------------------------------------

[train.csv]就是今天案例所用到的数据集了。

2.特征工程

        我们先让Kimi对数据做一下特征工程。

        特征工程（Feature Engineering）是数据预处理和机器学习领域中的一个重要步骤。它涉及到从原始数据中选择、修改和创建新的特征（即数据的属性或变量），以便更好地适应机器学习算法的需求，并最终提高模型的性能。特征工程的主要目的是使原始数据集更适合用于建模和分析。

提示词：

根据data_description.txt对数据集的描述

对Train.csv进行特征工程

ChatGPT反馈：

3.EDA分析

        让ChatGPT对数据做Exploratory data analysis (探索性数据分析)。

        探索性数据分析（Exploratory Data Analysis，简称EDA）是数据分析的一种方法论，它侧重于使用各种技术来大致理解数据集的主要特征。这个过程通常是数据分析项目的初步步骤，旨在通过摘要和可视化手段来发现数据的模式、异常、关键变量和潜在的关系。

提示词：

根据特征工程后的数据，对数据集进行Exploratory data analysis (探索性数据分析)

ChatGPT反馈：

4.数据相关性分析

最后我们让ChatGPT对数据集中对房价影响最大的15种数据进行相关性分析。

提示词：

提取对房屋销售价格影响最高的15个特征做相关性分析。

ChatGPT反馈：

5.分析总结

        最后我们让ChatGPT对分析过程做一个总结。ChatGPT做数据分析也相当简单，而且生成的图表也可直接用于论文辅佐论点的论证！

提示词：

站在一个[数据分析师]的角度 对上述分析过程做一个总结。

ChatGPT反馈：