数据分析项目中的许多环节既重复又耗时，还常常令人沮丧。谁会真的喜欢导入数据或清理杂乱的列呢？有了 DataLab 全新的 AI Assistant，您可以把更多时间用在您真正喜欢的事情上：用数据回答问题！
本文将介绍 10 个 DataLab AI Assistant 技巧，帮助您加快工作流程，高效打磨洞见。如果您想跟着一起尝试文中的提示词，可以使用这本工作簿！
注意：尽管这里的示例使用 Python 展示，但相同的原则也适用于 R 工作簿！
1. 自动处理所有包导入
开始一个项目时，您很可能会写下几行常用的包导入。之后，您会不时滚动到笔记本顶部，再补几行 import，然后继续手头工作。更打断节奏的是，您有时还得去查外部文档，只为回忆起某个包或函数的名字。
不过，您知道可以用 Generate 功能来生成大部分导入吗？即使是一个简单的提示词，如“导入完成机器学习分类任务所需的所有包。”，也会返回 pandas、NumPy，以及用于拆分数据、拟合几个模型并进行评估的相关导入。
使用 Generate 导入常用包
您还可以在提示词中加入工作流程的其他阶段。在很多情况下，您可能希望追加“包括可视化”，这样就会包含 Matplotlib 和 Seaborn 等包。
当然，列表中可能仍有缺漏，但它已经能替您省下导入基础包的时间，后续也可以根据需要更新。
补充提示：记录哪些提示词最适合您，常常会很有帮助，方便您快速回查！
2. 更快构建精美可视化
用 Python 做可视化并不难，但记住不同库的语法却很耗时间。AI Assistant 再次派上用场！
在下面的示例中，我们让助手先汇总数据集，然后用提示词“使用 Plotly 为数据框 df 创建柱状图，对 job 列中最常见的 10 个职业进行排序。”进行可视化。
使用 Generate 生成图表的第一版
结果还不错，但我们还能更好。您可以再次使用 Generate 来迭代它生成的代码！在提示窗口中写下“将图表改为从大到小排序的水平柱状图。添加一个相关标题，并使用简洁的白色主题。”后再次运行，我们得到了以下输出。
第二轮生成图表！
好得多！只用几句话，我们就生成了一张整洁而信息丰富的图表，包含标签和自定义样式。
补充提示：将其与对图表的手动微调相结合效果最佳。AI Assistant 往往能帮您完成 90%，但最后的 10% 多半需要您自己修饰！欢迎使用 DataCamp 的可视化课程学习您偏好的可视化库。
3. 加速您的 SQL
DataLab 让您可以在查询 SQL 数据库与使用 Python 或 R 分析结果之间无缝切换（现在甚至可以用 SQL 来查询 CSV 文件！）。不过，写一条格式良好的 SQL 查询常常很耗时。
您也可以在 SQL 单元格中使用 Generate 来为您编写查询。由于 AI Assistant 能访问数据库架构，它甚至会使用相关的列。
在下面的示例中，我们只要求统计最受欢迎的 10 个活动的票数，并未指定表或列名。返回的查询联接了两个必要的表（event 和 sales），对 qtysold 列进行了聚合，并按降序返回最受欢迎的 10 个活动。它甚至为结果列提供了有用的别名！
即时查询！
4. 撰写引言
在文本单元格中使用 Generate 可以帮助您启动报告的文字部分。像“为一个专注于识别信用卡欺诈实例的机器学习项目撰写引言。务必说明其重要性。”这样的提示词，就能返回一段扎实的引言，随后您可根据具体情况进行微调。
即时引言！
5. 格式化您的代码
在分析过程中，代码很容易变得“不修边幅”。缩进混乱、多余空格出现、行变得又长又难读。虽然您也许能看懂自己的代码，但他人未必可以。遵循标准化的代码格式有很多好处。
幸运的是，您无需手动整理！在文本单元格里用一个简单的提示词，就能轻松处理所有格式问题。
在提交报告前，逐个检查代码单元格，并运行类似“请按照PEP 8 标准格式化这段代码。”的提示词。这能帮助您快速清理代码，比如在需要的地方添加/移除空格、确保正确使用换行，并总体提升可读性。
使用 Generate 来格式化我们“邋遢”的代码！
6. 创建示例数据集
这里我们借鉴了 Richie Cotton 的灵感，他在其关于用 Python 访问 OpenAI API 的文章中使用了这个例子。文章展示了如何使用 API 返回生成示例数据集的代码。
正如他所指出的，示例数据集对于验证代码、练习不同技术等非常有用。虽然他使用的是 OpenAI API，但您也可以用一个 Generate 提示词达到相同效果！
只需写明您想要生成的数据集类型，以及希望包含的信息。
生成示例营销数据集
警告：务必指定所需的行数。没有长度说明的提示词，可能只会返回 5 行数据的示例数据集！
7. 将代码重构为可复用函数
一个经验法则是：如果您打算执行某项任务超过两次，就应该写成函数。使用 Generate，您可以快速把零散代码转换为可用函数。
在下面的示例中，我们将用于生成并绘制随机游走的一段代码转换为函数。更进一步，我们还要求加入一些参数，以便控制步数和步长。
零散代码
使用 Generate 之后！
如果您想继续迭代该函数，可以用额外的提示词进一步微调，或结合您在《Writing Functions in Python》或《Introduction to Writing Functions in R》等课程中学到的知识亲自上手。
8. 特征工程与预处理
初始化预处理流水线的代码可能又长又繁琐。Generate 可以让您快速搭建流水线，几乎无需太多调整。
事实上，由于 AI Assistant 已经了解您的 DataFrame，它能在设置流水线时考虑到相关变量。下面我们使用提示词“准备一个流水线，对数值变量进行缩放，对分类变量进行独热编码。”来生成完整的工作流。
使用 Generate 在 Python 中初始化预处理流水线
9. 抢先开展超参数调优
超参数调优是挖掘机器学习模型额外性能的好方法。但它往往需要大量代码，而且很难记住该调整哪些参数。
这又是 AI Assistant 能为您节省大量时间的场景。只需指定您要调优的模型类型，Generate 会处理其余部分。在下面的示例中，AI 还考虑到了我们一直在使用的 DataFrame，并将 is_fraud 列设为目标变量来进行调优设置。
注意：我们建议您在使用这一功能前具备一些超参数调优的知识。这样，您就能评估并调整诸如应包含哪些参数等内容。DataCamp 提供了两门优秀课程，分别针对Python和R。
借助 AI Assistant 进行超参数调优
10. 翻译并解读模型结果
您已经拟合了机器学习模型并评估了其性能。虽然您自己理解结果没有问题，但非技术用户可能难以跟上。
您可以使用 Generate 来帮助面向更广泛的受众解读结果。在下面的示例中，我们提供了一个分类任务的精确率与召回率，并请 AI 在预测客户流失的情境下解读结果。
务必对结果进行常识检验，并结合您对主题的理解进行比对。但在多数情况下，这样的提示词能帮助您将结果提炼给所有相关方。
解读分类评估指标
后续建议
DataLab 中全新AI 工具的可能性几乎无穷无尽。请务必不断尝试，您最终会积累出一套常用提示词工具箱，以加速您的工作流程。欢迎修改配套工作簿中的提示词，或新建一个空白的Python或R 工作簿。
但请注意：不要盲目使用 AI 助手的输出。AI 生成的代码可能在明显或细微之处存在错误。务必对结果进行常识检验，并清楚了解您要实现的目标。比如，生成的查询是否使用了正确的列？预处理流水线是否以您期望的方式转换了您想要转换的变量？
AI Assistant 是一种工具，而不是实践知识的替代品。虽然 AI Assistant 可能会提供有用的建议或语法，但最终结果由您负责。因此，我们建议您同时确保自己对使用助手所涉及的话题足够熟悉。DataCamp 的课程库是持续掌握您计划使用的技能与技术的绝佳途径。
延伸资源
如果您需要更多灵感，务必查看我们关于提示词工程的文章，以及我们的ChatGPT 速查表，其中包含许多可直接在 DataLab 中使用的提示词。
数据分析项目中的许多环节既重复又耗时，还常常令人沮丧。谁会真的喜欢导入数据或清理杂乱的列呢？有了 DataLab 全新的 AI Assistant，您可以把更多时间用在您真正喜欢的事情上：用数据回答问题！
本文将介绍 10 个 DataLab AI Assistant 技巧，帮助您加快工作流程，高效打磨洞见。如果您想跟着一起尝试文中的提示词，可以使用这本工作簿！
注意：尽管这里的示例使用 Python 展示，但相同的原则也适用于 R 工作簿！
1. 自动处理所有包导入
开始一个项目时，您很可能会写下几行常用的包导入。之后，您会不时滚动到笔记本顶部，再补几行 import，然后继续手头工作。更打断节奏的是，您有时还得去查外部文档，只为回忆起某个包或函数的名字。
不过，您知道可以用 Generate 功能来生成大部分导入吗？即使是一个简单的提示词，如“导入完成机器学习分类任务所需的所有包。”，也会返回 pandas、NumPy，以及用于拆分数据、拟合几个模型并进行评估的相关导入。
使用 Generate 导入常用包
您还可以在提示词中加入工作流程的其他阶段。在很多情况下，您可能希望追加“包括可视化”，这样就会包含 Matplotlib 和 Seaborn 等包。
当然，列表中可能仍有缺漏，但它已经能替您省下导入基础包的时间，后续也可以根据需要更新。
补充提示：记录哪些提示词最适合您，常常会很有帮助，方便您快速回查！
2. 更快构建精美可视化
用 Python 做可视化并不难，但记住不同库的语法却很耗时间。AI Assistant 再次派上用场！
在下面的示例中，我们让助手先汇总数据集，然后用提示词“使用 Plotly 为数据框 df 创建柱状图，对 job 列中最常见的 10 个职业进行排序。”进行可视化。
使用 Generate 生成图表的第一版
结果还不错，但我们还能更好。您可以再次使用 Generate 来迭代它生成的代码！在提示窗口中写下“将图表改为从大到小排序的水平柱状图。添加一个相关标题，并使用简洁的白色主题。”后再次运行，我们得到了以下输出。
第二轮生成图表！
好得多！只用几句话，我们就生成了一张整洁而信息丰富的图表，包含标签和自定义样式。
补充提示：将其与对图表的手动微调相结合效果最佳。AI Assistant 往往能帮您完成 90%，但最后的 10% 多半需要您自己修饰！欢迎使用 DataCamp 的可视化课程学习您偏好的可视化库。
3. 加速您的 SQL
DataLab 让您可以在查询 SQL 数据库与使用 Python 或 R 分析结果之间无缝切换（现在甚至可以用 SQL 来查询 CSV 文件！）。不过，写一条格式良好的 SQL 查询常常很耗时。
您也可以在 SQL 单元格中使用 Generate 来为您编写查询。由于 AI Assistant 能访问数据库架构，它甚至会使用相关的列。
在下面的示例中，我们只要求统计最受欢迎的 10 个活动的票数，并未指定表或列名。返回的查询联接了两个必要的表（event 和 sales），对 qtysold 列进行了聚合，并按降序返回最受欢迎的 10 个活动。它甚至为结果列提供了有用的别名！
即时查询！
4. 撰写引言
在文本单元格中使用 Generate 可以帮助您启动报告的文字部分。像“为一个专注于识别信用卡欺诈实例的机器学习项目撰写引言。务必说明其重要性。”这样的提示词，就能返回一段扎实的引言，随后您可根据具体情况进行微调。
即时引言！
5. 格式化您的代码
在分析过程中，代码很容易变得“不修边幅”。缩进混乱、多余空格出现、行变得又长又难读。虽然您也许能看懂自己的代码，但他人未必可以。遵循标准化的代码格式有很多好处。
幸运的是，您无需手动整理！在文本单元格里用一个简单的提示词，就能轻松处理所有格式问题。
在提交报告前，逐个检查代码单元格，并运行类似“请按照PEP 8 标准格式化这段代码。”的提示词。这能帮助您快速清理代码，比如在需要的地方添加/移除空格、确保正确使用换行，并总体提升可读性。
使用 Generate 来格式化我们“邋遢”的代码！
6. 创建示例数据集
这里我们借鉴了 Richie Cotton 的灵感，他在其关于用 Python 访问 OpenAI API 的文章中使用了这个例子。文章展示了如何使用 API 返回生成示例数据集的代码。
正如他所指出的，示例数据集对于验证代码、练习不同技术等非常有用。虽然他使用的是 OpenAI API，但您也可以用一个 Generate 提示词达到相同效果！
只需写明您想要生成的数据集类型，以及希望包含的信息。
生成示例营销数据集
警告：务必指定所需的行数。没有长度说明的提示词，可能只会返回 5 行数据的示例数据集！
7. 将代码重构为可复用函数
一个经验法则是：如果您打算执行某项任务超过两次，就应该写成函数。使用 Generate，您可以快速把零散代码转换为可用函数。
在下面的示例中，我们将用于生成并绘制随机游走的一段代码转换为函数。更进一步，我们还要求加入一些参数，以便控制步数和步长。
零散代码
使用 Generate 之后！
如果您想继续迭代该函数，可以用额外的提示词进一步微调，或结合您在《Writing Functions in Python》或《Introduction to Writing Functions in R》等课程中学到的知识亲自上手。
8. 特征工程与预处理
初始化预处理流水线的代码可能又长又繁琐。Generate 可以让您快速搭建流水线，几乎无需太多调整。
事实上，由于 AI Assistant 已经了解您的 DataFrame，它能在设置流水线时考虑到相关变量。下面我们使用提示词“准备一个流水线，对数值变量进行缩放，对分类变量进行独热编码。”来生成完整的工作流。
使用 Generate 在 Python 中初始化预处理流水线
9. 抢先开展超参数调优
超参数调优是挖掘机器学习模型额外性能的好方法。但它往往需要大量代码，而且很难记住该调整哪些参数。
这又是 AI Assistant 能为您节省大量时间的场景。只需指定您要调优的模型类型，Generate 会处理其余部分。在下面的示例中，AI 还考虑到了我们一直在使用的 DataFrame，并将 is_fraud 列设为目标变量来进行调优设置。
注意：我们建议您在使用这一功能前具备一些超参数调优的知识。这样，您就能评估并调整诸如应包含哪些参数等内容。DataCamp 提供了两门优秀课程，分别针对Python和R。
借助 AI Assistant 进行超参数调优
10. 翻译并解读模型结果
您已经拟合了机器学习模型并评估了其性能。虽然您自己理解结果没有问题，但非技术用户可能难以跟上。
您可以使用 Generate 来帮助面向更广泛的受众解读结果。在下面的示例中，我们提供了一个分类任务的精确率与召回率，并请 AI 在预测客户流失的情境下解读结果。
务必对结果进行常识检验，并结合您对主题的理解进行比对。但在多数情况下，这样的提示词能帮助您将结果提炼给所有相关方。
解读分类评估指标
后续建议
DataLab 中全新AI 工具的可能性几乎无穷无尽。请务必不断尝试，您最终会积累出一套常用提示词工具箱，以加速您的工作流程。欢迎修改配套工作簿中的提示词，或新建一个空白的Python或R 工作簿。
但请注意：不要盲目使用 AI 助手的输出。AI 生成的代码可能在明显或细微之处存在错误。务必对结果进行常识检验，并清楚了解您要实现的目标。比如，生成的查询是否使用了正确的列？预处理流水线是否以您期望的方式转换了您想要转换的变量？
AI Assistant 是一种工具，而不是实践知识的替代品。虽然 AI Assistant 可能会提供有用的建议或语法，但最终结果由您负责。因此，我们建议您同时确保自己对使用助手所涉及的话题足够熟悉。DataCamp 的课程库是持续掌握您计划使用的技能与技术的绝佳途径。
延伸资源
如果您需要更多灵感，务必查看我们关于提示词工程的文章，以及我们的ChatGPT 速查表，其中包含许多可直接在 DataLab 中使用的提示词。