“
阅读本文大概需要 3 分钟。
”如果能创建一个桌面软件，将自然语言直接转换成相关的 Python 数据分析代码，工作就方便了。
这不，有俩「好事」的程序员耐不住寂寞，把这个工具做出来。
近日，两个外国小哥 Kartik Godawat 和 Deepak Rawat 开发了一个 Jupyter 插件 Text2Code，可以将自然语言查询转换成相关的 Python 数据分析代码。
灵感来自 GPT-3，自然语言直接转代码
2020 年 6 月，OpenAI 推出了 GPT-3，它不仅具有未来的 NLP 相关的诸多功能，而且还能够生成 React 代码和 shell 命令。
俩人从中得到了灵感，他们意识到在做数据分析的时候，我们经常忘记不经常使用的 pandas 命令或者语法，需要去搜索，从 StackOverflow 复制代码然后需要相应地修改变量和列名。
最初他们试图把这个问题作为一个聊天机器人来解决，并试图使用 Rasa，但因为缺乏合适的训练数据而夭折了。
他们决定开发一个监督学习模型，该模型可以吃进自然语言和代码的对应语料，然后进行训练，完整的 pipeline 包含了下面几个步骤：
生成训练数据
为了模拟终端的用户想向系统查询的内容，我们开始尝试用英语描述一些命令的格式。
例如：
display a line plot showing $colname on y-axis and $colname on x-axis from $varname
然后，我们通过使用一个非常简单的生成器来替换 $colname 和 $varname 来生成数据，以获得训练集中的变量。
意图匹配
在生成数据之后，需要为特定的意图映射到一个唯一的「意图 id」，并使用通用语句编码器获取用户 query 的 embedding，然后用我们预先定义好的意图 query (生成的数据) 来得到余弦距离。
「通用句子编码器」-Universal Sentence Encoder 类似于 word2vec，会生成相应的 embedding，唯一的区别是这里的嵌入是用于句子而不是单词。
命名实体识别
相同的生成数据可以被用来训练一个自定义的实体识别模型，这个模型可以用来检测 columns，varaibles，library 的名字。
为此，作者还研究了 HuggingFace 模型，但最终决定使用 Spacy 来训练模型，主要是因为 HuggingFace 模型是基于 Transformer 的模型，与 Spacy 相比有点过于复杂繁重。
填充模板
一旦实体被正确识别并且意图被正确匹配，填充模板就变得非常容易。
例如，“show 5 rows from df” 这个查询将生成两个实体：一个变量和一个数值。这个模板代码编写起来很简单。
与 Jupyter 结合
这是所有步骤里最复杂的一步，因为为 Jupyter 编写如此复杂的扩展有点棘手，而且几乎没有文档或示例参考。
他们通过一些尝试并参考已经存在的扩展，最终将所有内容包装成一个单独的 Python 包，并且可以直接通过 pip 来安装。
单单一个 Python 包并不能直接使用，于是他们创建了一个前端以及一个服务器扩展，当 jupyter notebook 启动时，就会被加载。前端向服务器发送查询以获取生成的模板代码，然后将其插入 notebook 的对应单元并执行它。
Text2Code 的演示
模型也会失效，但数据分析师真的省事了
就像许多机器学习模型一样，有时候意图匹配和命名实体识别效果会很差，即使这个意图对人来说非常简单。
有时也会识别不到意图，就无法生成正确的代码，作者还考虑使用下面的方法来进一步改进插件的效果。
收集 / 生成高质量的英语训练数据，可以考虑从 quroa，StackOverflow 爬取更多的高赞回答，尝试用不同的方式来描述相同的内容，增强数据；收集真实世界的变量名和库名，而不是随机生成，使用基于 Transformer 的模型尝试命名实体识别。
如果这个模型训练的足够好，对数据分析师来，能省不少事了。
项目开源地址：
https://github.com/deepklarity/jupyter-text2code
参考链接：
https://towardsdatascience.com/data-analysis-made-easy-text2code-for-jupyter-notebook-5380e89bb493
推荐阅读
1
10 月 1 日之后，你新建的 GitHub 库默认分支不叫「master」了
2
3
4
崔庆才
静觅博客博主，《Python3网络爬虫开发实战》作者
隐形字
个人公众号：进击的Coder
长按识别二维码关注
好文和朋友一起看~
6406
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
