chatgpt浏览器已安装加载项如何用 ChatGPT作为Python编程助手的作用

AI资讯1年前 (2023)发布 fengdao
32 0

的是…你已经知道了。你已经读了足够多关于它的内容,不再需要介绍了。如果你不知道是什么,先看看这个,然后回来继续。

与的对话可以很有趣,甚至具有启发性。但让我们来看看它到底有多有用。

让我们看看在根据我们提供的规范编写代码时能做些什么。我们将从简单开始,从那里开始构建。

简单数据处理脚本

我认为从某种数据处理脚本开始比较好。因为我打算让在之后使用各种库编写一些机器学习脚本,所以这似乎是一个合理的开始。

我们的目标

首先,我想尝试加载一个数据集;确保所有数据集值都是数值值,或将其转换为数值值;检查缺失的值;并将数据集分成训练集和测试集。

提示

编写一个脚本,执行以下操作:

-将数据集从磁盘上的csv加载到 中

-确保数据集完全是数字的;将字符串值转换为数字,并在字典中跟踪此转换以供以后引用

-检查中的缺失值,并为任何有一个缺失值的记录注入缺失值;完全删除有多个缺失值的记录

-将数据集分成测试集和训练集

as pd

# Load from csv to

df = pd.(‘.csv’)

# to track to

= {}

# to and track in

for col in df.:

if df[col].dtype == :

[col] = {val: i for i, val in (df[col].())}

df[col] = df[col].map([col])

# Check for

= df.isna().sum()

# for with one value

for col in [ == 1].index:

df[col].(df[col].(), =True)

# Drop with more than one value

df.(=len(df.) – 1, =True)

# Split into test and sets

from .

, = (df, =0.2)

注意:脚本从csv文件名“.csv”中加载数据集,并以80/20的比例将数据帧分成测试集和训练集。如果要使用不同的文件名或比例,请相应地更改路径/比例。

分析

生成了一个有用的脚本。它决定了数据集名称,以及训练/测试分割百分比,并指出了这两点,以及如果需要的话如何更改它们。总的来说,任务完成了。

重构代码

我们的目标

现在我们有了一个可以执行某些操作的脚本,让我们稍微重构一下它。良好编码的基石是使用函数来逻辑地组织代码,促进重用,并确保不重复。

提示

重写上面的脚本,使用一系列有意义的函数

响应

进口熊猫作为pd

从。导入

def a():

# Load from csv to

df = pd.()

# to track to

= {}

# to and track in

for col in df.:

if df[col].dtype == :

[col] = {val: i for i, val in (df[col].())}

df[col] = df[col].map([col])

df,

def s(df):

# Check for

= df.isna().sum()

# for with one value

for col in [ == 1].index:

df[col].(df[col].(), =True)

浏览器插件加载失败_浏览器加载流程_chatgpt浏览器已安装加载项如何用

# Drop with more than one value

df.(=len(df.) – 1, =True)

df

def (df, ):

(df, =)

# Use the

= “.csv”

df, = a()

df = s(df)

, = (df, 0.2)

在这里,我使用了三个函数:

1. a ()加载CSV数据集并将字符串值转换为数值。

2. s (df)处理数据集中缺失的值。

3. (df, )将数据集分成测试集和训练集。

主脚本使用这些函数来加载、转换和清理数据集,然后将其分割为测试集和训练集。

数据集的路径和测试比率是这些函数的输入。

分析

如果您查看的第一个脚本输出,您可能会看到一些相当明显的界线,即哪些功能将被分离到函数中。当然了。在这方面,完全符合我的预期。同样,生成了一个合格的脚本。

扩展我们的代码

我们的目标

好的,我们的脚本现在看起来好一点了,因为它使用了一些函数进行组织。接下来,让我们稍微扩展一下脚本,使用户可以在运行脚本时指定一些参数。

提示

重写上面的程序,以参数的形式从命令行请求以下内容,并在程序中使用它们:

—数据集CSV文件的路径/名称

-火车/测试的分割尺寸

-每个记录丢失值的数量阈值,在此之后删除整个记录,而不是输入丢失的值

响应

as pd

from .

def a():

# Load from csv to

df = pd.()

# to track to

= {}

# to and track in

for col in df.:

if df[col].dtype == :

[col] = {val: i for i, val in (df[col].())}

df[col] = df[col].map([col])

df,

def s(df, ):

# Check for

= df.isna().sum()

# for with one value

for col in [ == 1].index:

df[col].(df[col].(), =True)

# Drop with more than value

df.(=len(df.) – , =True)

df

def (df, ):

(df, =)

if == ”:

= .()

.(“”, help=”path/name of the csv file”)

.(“”, help=”train/test split size”, type=float)

.(“”, help=” for the of per “, type=int)

args = .()

# Use the

df, = a(args.)

浏览器插件加载失败_浏览器加载流程_chatgpt浏览器已安装加载项如何用

df = s(df, args.)

, = (df, args.)

在这个版本中,我使用模块将文件路径、测试/训练分割大小和每个记录缺失值数量的阈值作为命令行参数。用户必须使用正确的参数运行脚本,例如:

.py .csv 0.2 1

这将使用“.csv”文件运行脚本,为0.2,缺失值的阈值为1。

主脚本使用函数中的这些参数来加载、转换和清理数据集,然后将其分割为测试集和训练集。

值得一提的是,在运行脚本时,脚本应该从命令行运行,而不是从IDE运行。

分析

老实说,这里不需要太多分析,因为已经很好地解释了它的功能。在这里,我实际上要指出一些我以前没有注意到的东西,并赞扬的注释,它是富有表现力和简洁的。

将我们的代码转换为应用程序

我们的目标

现在让我们假设我们想让这段代码“生产”就绪(请原谅我)。让在应用程序中包装这些函数。

提示

将上面的程序重写为应用程序,允许用户提供与上面的命令行参数相同的参数

as pd

as st

from .

def a():

# Load from csv to

df = pd.()

# to track to

= {}

# to and track in

for col in df.:

if df[col].dtype == :

[col] = {val: i for i, val in (df[col].())}

df[col] = df[col].map([col])

df,

def s(df, ):

# Check for

= df.isna().sum()

# for with one value

for col in [ == 1].index:

df[col].(df[col].(), =True)

# Drop with more than value

df.(=len(df.) – , =True)

df

def (df, ):

(df, =)

def main():

st.(=”Data “, =”::”, =”wide”)

st.title(“Data “)

= st.(“Enter the path/name of the csv file: “)

= st.(“Enter the train/test split size ( 0 and 1): “, step=0.01, value=0.2)

= st.(“Enter the for the of per : “, step=1, value=1)

if st.(” Data”):

df, = a()

df = s(df, )

, = (df, )

st.(“Data !”)

if == ”:

main()

这个版本是一个应用程序,允许用户提供与命令行参数相同的参数。它使用库创建一个交互式web应用程序,允许用户输入文件路径,测试/训练分割大小,以及每条记录缺失值数量的阈值。然后,用户可以单击“处理数据”按钮来运行脚本并预处理数据。它使用与之前版本脚本相同的函数来加载、转换和清理数据集,然后将其分割为测试集和训练集。

要运行这个脚本,你需要安装,你可以在你的终端上运行pip 命令。安装完成后,使用命令 run .py运行脚本。

分析

它做了它该做的事。把我们的功能…功能,并用它们构建了一个简单的 web应用程序。

使用生成的脚本创建的 web应用程序

总结

根据我们提供的规范,在创建、重构、扩展和添加一个简单的数据预处理脚本的包装器方面做得非常出色。虽然它不是最复杂的程序,但它是朝着让充当编程助手而真正有用的方向迈出的一步。每一步的结果都恰到好处。

下次,我们将构建一个不那么琐碎的程序,但增加了一些复杂性和额外的需求。我很高兴看到在压力下的表现。希望你也是。

© 版权声明

相关文章

暂无评论

暂无评论...