Pandas+ChatGPT超强组合pandas-ai:交互式数据分析和处理新方法

先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7

深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年最新网络安全全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
img
img
img
img
img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上网络安全知识点,真正体系化!

由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新

如果你需要这些资料,可以添加V获取:vip204888 (备注网络安全)
img

正文

在人工智能领域,Pandas经常用于机器学习和深度学习过程的预处理步骤。Pandas通过提供数据清理、重塑、合并和聚合,可以将原始数据集转换为结构化的、随时可用的2维表格,并将其输入人工智能算法。

项目地址:https://github.com/gventuri/pandas-ai

使用 pip 安装 Pandas AI
pip install pandasai
使用 OpenAI 导入 PandasAI

在下一步中,我们将导入之前安装的 pandasai 库,然后导入 LLM(大型语言模型)功能。截至 2023 年 5 月,pandasai 仅支持 OpenAI 模型,我们将使用它来理解数据。

import pandas as pd
from pandasai import PandasAI

# Sample DataFrame
df = pd.DataFrame({
    "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"],
    "gdp": [19294482071552, 2891615567872, 2411255037952, 3435817336832, 1745433788416, 1181205135360, 1607402389504, 1490967855104, 4380756541440, 14631844184064],
    "happiness_index": [6.94, 7.16, 6.66, 7.07, 6.38, 6.4, 7.23, 7.22, 5.87, 5.12]
})

# Instantiate a LLM
from pandasai.llm.openai import OpenAI
llm = OpenAI(api_token="your_API_key")

pandas_ai = PandasAI(llm)
pandas_ai.run(df, prompt='Which are the 5 happiest countries?')

6            Canada
7         Australia
1    United Kingdom
3           Germany
0     United States
Name: country, dtype: object

要使用 OpenAI API,您必须生成自己唯一的 API 密钥。

因为pandas的特性,我们不仅仅可以处理csv文件,我们还可以连接关系型的数据库,例如pgsql:

# creating the uri and connecting to database
 pg_conn = "postgresql://YOUR URI HERE"
 
 #Query sql database 
 query = """
 SELECT *
 FROM table_name
 """
 
 #Create dataframe named df
 df = pd.read_sql(query,pg_conn)

然后像上面代码一样,我们可以直接与它进行对话了:

# Using pandas-ai!


## 学习路线:

这个方向初期比较容易入门一些,掌握一些基本技术,拿起各种现成的工具就可以开黑了。不过,要想从脚本小子变成黑客大神,这个方向越往后,需要学习和掌握的东西就会越来越多以下是网络渗透需要学习的内容:  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/7a04c5d629f1415a9e35662316578e07.png#pic_center)





**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注网络安全)**
![img](https://img-blog.csdnimg.cn/img_convert/50a75cf54dac862f6e96e37dba378b80.png)

**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**

0061127)]

**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**

  • 5
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
需求分析: 1. 数据采集:需要爬取全国各地热门旅游景点的相关数据,包括景点名称、位置、评分、评论数等。 2. 数据清洗:对采集到的数据进行清洗,去除重复数据和缺失值,确保数据的准确性和完整性。 3. 数据存储:将清洗后的数据存储至数据库或Excel表格中,方便后续的数据分析和可视化。 4. 数据分析:对数据进行统计分析,包括热门景点的排名、评分、评论数等,以及各地区景点的分布情况、热门景点的特点等。 5. 数据可视化:使用Pyecharts等可视化工具,将分析结果以图表的形式展现出来,便于用户直观地了解景点的特点和分布情况。 6. 用户交互:为用户提供交互式的界面,支持用户选择不同的数据维度进行分析,例如按地区、评分、评论数等进行筛选和排序。 可行性分析: 1. 数据来源:旅游景点的相关数据可以通过网络爬虫等方式获取,数据获取难度不大。 2. 数据清洗:对于采集到的数据需要进行清洗和预处理,但是Python中有很多数据清洗和预处理工具可以使用,实现难度相对较小。 3. 数据存储:可以选择将数据存储在数据库或Excel表格中,数据存储难度不大。 4. 数据分析:Python中有很多数据分析工具可以使用,例如Pandas、Numpy等,数据分析难度相对较小。 5. 数据可视化:使用Pyecharts等可视化工具,数据可视化难度相对较小。 6. 用户交互:基于Python的Web框架如Flask等可以实现用户交互界面,用户交互难度相对较小。 综上所述,基于Pandas+Pyecharts的全国热门旅游景点数据分析系统具备可行性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值