ChatGPT 的插件使数据迷信成为一种简略、欢快的体验
咱们做数据分析时个别都是应用这样的流程来进行：运行 jupyter notebook、装置库、解决依赖关系和版本控制，数据分析，生成图表。ChatGPT 的“Code Interpreter”插件能够帮忙咱们进行数据分析。
作为测试，首先要 ChatGPT 进入角色, 让它作为经济参谋
act as an economic advisor and help me understand what is essential for calculating inflation.
1、加载和预处理数据
要求 ChatGPT 拜访历史数据并开始对其进行预测。它通知我它将应用 FRED(联邦储备经济数据)数据库，但可怜的是，它无奈下载数据。
那么咱们来帮它下载，询问如何下载数据。
而后将它上传给 Code Interpreter，就能够进行 EDA 了
在 ChatGPT 的帮忙下，我可视化了数据，查看了趋势，并摸索了要害指标。ChatGPT 用简略的英语进行了总结。
哈哈，ChatGPT 什么都晓得
2、数据分析：它绘制了工夫序列数据，直观地摸索 CPI 值的趋势和季节性。
它应用加强 Dickey-Fuller (ADF)测验平稳性。结果表明，原始工夫序列是非安稳的。
3、数据转换的平稳性
为了实现平稳性，它对工夫序列数据利用了一阶差分，这波及到计算间断观测数据之间的差别。它对不同的数据应用 ADF 测验从新测验平稳性。结果表明，差分工夫序列是安稳的。
4、模型抉择与参数估计
下一步是预测五年的 CPI。ChatGPT 向我介绍了 ARIMA 模型，它剖析了这些数字，给了我一个有意义的预测!
它设置查看了自相干函数 (ACF) 和局部自相干函数 (PACF) 图，来确定 ARIMA 模型的程序(参数 p, d, q)。依据 ACF 和 PACF 图，选取参数 p =1, d=1, q= 1 的初始 ARIMA 模型。
5、模型训练
它用所选参数 (p=1, d=1, q=1) 将 ARIMA 模型拟合到原始 (无差别) 工夫序列数据。该模型从历史数据模式中学习。
6、预测
应用拟合的 ARIMA 模型从最初一个数据点预测将来 5 年 (60 个月) 的 CPI。还生成点预测和置信区间，以解释预测中的不确定性。
7、可视化和解释
绘制历史数据、预测 CPI 值和置信区间，在通货膨胀趋势的背景下解释预测值，了解预测受到不确定性和内部因素的影响。
插件零碎确实让 ChatGPT 变得乏味:“Code Interpreter”不仅能够让近程运行代码，而且还使数据迷信简略，高效。
无论你是经验丰富的数据科学家还是刚入门的老手，都能够尝试一下 ChatGPT。智能不智能要看后续的验证后果，然而省事是真省事。
最初没有退出的连忙退出测试：https://avoid.overfit.cn/post/cb73cd0f3a1a4265914160902bae8705