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