데이터 시각화를 위한 ChatGPT 프롬프트: Pandas 데이터프레임을 아름다운 차트로 바꾸세요
데이터 시각화는 데이터 분석의 중요한 측면입니다.데이터를 이해하고, 패턴과 추세를 식별하고, 통찰력을 효과적으로 전달하는 데 도움이 됩니다.Python은 데이터 분석에 가장 많이 사용되는 언어 중 하나이며 Pandas 라이브러리는 Python에서 데이터를 조작하고 분석하는 데 널리 사용되는 도구입니다.이 글에서는 ChatGPT 프롬프트를 사용하여Pandas 데이터프레임을 멋진 차트로 바꾸는 방법을 살펴보겠습니다.또한 데이터 시각화를 위해 PygWalker (opens in a new tab) 라는 이름의 오픈 소스 파이썬 라이브러리를 사용하는 방법도 살펴보겠습니다.
ChatGPT 프롬프트 소개
ChatGPT는 OpenAI에서 학습한 대규모 언어 모델로 사람과 유사한 텍스트를 생성할 수 있습니다.차트를 플로팅하는 코드 생성과 같은 데이터 분석을 위한 프롬프트를 생성하는 데 사용할 수 있습니다.프롬프트는 사용하기 쉽게 설계되어 데이터 과학자의 시간과 노력을 절약할 수 있습니다.
ChatGPT 프롬프트를 사용하여 차트 그리기
매트플로틀립으로 데이터를 시각화하는 ChatGPT 프롬프트
ChatGPT 프롬프트를 사용하여Matplotlib 라이브러리를 사용하여 차트를 그릴 수 있습니다.Matplotlib은 다양한 차트 유형과 사용자 지정 옵션을 제공하는 인기 있는 Python 시각화 라이브러리입니다.다음은 ChatGPT 프롬프트를 사용하여 선형 차트를 그리는 예제입니다.
“날짜”와 “판매” 열이 있는 "sales_data.csv “라는 데이터세트가 있다고 가정해 보겠습니다.시간 경과에 따른 판매 추세를 보여주는 선형 차트를 그리려고 합니다.다음과 같은 ChatGPT 프롬프트를 사용할 수 있습니다.
프롬프트: 파이썬에서 코더 역할을 해줬으면 좋겠어요.["날짜” 및 “판매"] 열이 있는 데이터 세트 [” sales_data.csv “] 가 있습니다.[시간 경과에 따른 판매 추세를 보여주는 선형 차트 그리기]
특정 시나리오에 맞게 “[]” 내에서 단어를 변경할 수 있는 곳입니다.ChatGPT는 다음 코드를 생성합니다.
코드_블록_플레이스홀더_0
이 코드는 시간 경과에 따른 판매 추세를 보여주는 선형 차트를 생성합니다.ChatGPT 프롬프트를 사용하여 막대 차트, 스캐터 차트 및 히스토그램과 같은 다른 차트 유형에 대한 코드도 생성할 수 있습니다.
매트플로틀립으로 데이터를 시각화하는 ChatGPT 프롬프트
데이터 프레임에서 차트를 그리는 것 외에도 Matplotlib를 사용하여 이미지를 표시할 수도 있습니다.“image_folder”라는 이름의 이미지 폴더가 있다고 가정해 봅시다.각 이미지의 이름은 "cat_01.jpg “," dog_02.jpg “등과 같은 해당 레이블로 지정됩니다. 레이블과 함께 이미지 그리드를 표시하려고 합니다.다음 샘플 프롬프트를 사용하십시오.
프롬프트: 코더 역할을 해줬으면 좋겠어요.이미지 폴더가 있습니다.[디렉토리 내 파일 구성 방법 설명] [원하는 이미지 인쇄 방법 설명]
ChatGPT는 다음과 같은 파이썬 코드를 생성합니다.
코드_블록_플레이스홀더_1 이 코드는 해당 레이블이 있는 이미지 그리드를 생성합니다.ChatGPT 프롬프트를 사용하여 캡션이 있는 개별 이미지 또는 병렬 이미지 비교와 같은 다른 이미지 표시 스타일에 대한 코드를 생성할 수 있습니다.
라임으로 모델을 설명하라는 ChatGPT 프롬프트
가끔은 기계 학습 모델의 결과를 설명하고 싶을 때가 있습니다.LIME은 머신 러닝 모델을 설명하는 데 널리 사용되는 라이브러리입니다.scikit-learn 라이브러리를 사용하여 모델을 훈련했다고 가정해 보겠습니다.LIME을 사용하여 모델의 출력을 설명하고자 합니다.다음 프롬프트를 사용하십시오.
프롬프트: 데이터 과학자로서 모델 결과를 설명해 주셨으면 합니다.[라이브러리 이름] 모델을 학습시켰는데 LIME을 사용하여 결과를 설명하고 싶습니다.코드를 작성해 주세요.
코드_블록_플레이스홀더_2 이 코드는 꽃받침 길이, 꽃받침 너비, 꽃잎 길이, 꽃잎 너비의 네 가지 특징이 있는 홍채 데이터셋의 첫 번째 데이터 요소에 대한 설명을 생성합니다.설명은 분류기의 예측에 가장 중요한 특징을 보여줍니다.
Shap으로 모델을 설명하는 ChatGPT 프롬프트
SHAP (Shapley 가산 설명) 은 머신 러닝 모델을 설명하는 데 널리 사용되는 또 다른 라이브러리입니다.전체 데이터세트에서 모델 출력에 대한 각 기능의 기여도를 표시하여 글로벌 해석성을 제공합니다.
ChatGPT에는 다음 프롬프트를 사용하십시오.
프롬프트: 데이터 과학자로서 모델 결과를 설명해 주셨으면 합니다.저는 scikit-learn XGBoost 모델을 트레이닝했으며 Shap과 함께 일련의 플롯을 사용하여 결과를 설명하고 싶습니다.코드를 작성해 주세요.
다음은 ChatGPT의 출력입니다.
코드_블록_플레이스홀더_3 이 코드는 전체 데이터셋에서 모델 출력의 가장 중요한 특징을 보여주는 요약 플롯을 생성합니다.또한 데이터세트의 첫 번째 데이터 요소에 대한 강제 플롯을 생성하여 각 특징이 해당 데이터 포인트에 대한 모델의 예측에 어떻게 기여하는지 보여줍니다.
RATH 코파일럿을 통한 AI 기반 데이터 분석에 대해 알아보십시오
방대한 데이터와 투박한 BI 도구로 어려움을 겪는 것은 악몽일 수 있습니다.하지만 RATH를 사용하면 혼돈과 작별하고 간편한 데이터 분석을 시작할 수 있습니다.
RATH (opens in a new tab) 는 ChatGPT를 데이터 분석 워크플로에 통합하여 연중무휴 개인 데이터 분석가 역할을 하여 워크플로를 간소화하고 생산성을 높입니다.번거로움 없이 즉각적인 인사이트와 놀라운 시각화를 얻을 수 있습니다.
코드 없이 즉각적인 인사이트 확보
워크플로는 놀라울 정도로 간단합니다.
1.데이터 소스를 RATH에 연결 2.어떤 질문이든 물어보세요 3.몇 초 만에 즉시데이터 인사이트 및 시각화를 얻을 수 있습니다.
모든 것이 자연어로 이루어지며 코드가 필요하지 않습니다.RATH와 간단히 대화하여 역사상 비트코인 가격과 금 가격 간의 관계를 조사하는 이 멋진 데모를 확인해 보세요.
RATH가 여러 소스에서 데이터를 쉽게 추출하고 자연어를 사용하여 데이터를 탐색하고 이해하는 데 어떻게 도움이 되는지 확인할 수 있습니다.
생산성 향상
이제 데이터 처리의 골칫거리와는 작별하세요!
소규모 팀은 SQL 쿼리와 데이터 처리에 어려움을 겪는 경우가 많으며, 특히 전담 데이터 분석가나 전문 기술이 없으면 더욱 그렇습니다.이것이 바로 RATH가 세상을 구할 수 있는 곳입니다.
RATH를 사용하면 소규모 팀도 간단한 일상 언어를 사용하여 데이터 처리를 쉽게 처리할 수 있습니다.팀원이라면 누구나 RATH에 필요한 정보를 요청할 수 있으며 유용한 인사이트와 시각화를 빠르게 얻을 수 있습니다.이렇게 하면 팀은 데이터를 얻기 위해 고군분투하는 대신 데이터를 최대한 활용하는 데 집중할 수 있습니다.
원활한 워크플로 통합
RATH는 기존 워크플로를 방해하지 않는 광범위한 데이터 소스를 지원합니다.RATH에 연결할 수 있는 몇 가지 주요 데이터베이스 솔루션은 다음과 같습니다.
AirTable 통합에 대한 지원이 곧 출시될 예정입니다.자연어를 사용하여 AirTable 데이터를 쉽게 시각화할 수 있습니다!RATH를 AirTable 데이터에 연결하기만 하면 마법이 일어나는 것을 지켜볼 수 있습니다.
관심 있으신가요? 영감을 받으셨나요? ChatGPT 기반의 RATH로 데이터 인사이트를 한 번에 해제하세요! 베타 단계로 오픈된 RATH에 탑승하고 확인하세요!
결론
결론적으로, 우리는 ChatGPT의 프롬프트와 PygWalker를 사용하여 다양한 강력한 데이터 시각화 기술을 탐구했습니다.Matplotlib를 사용한 데이터 플로팅부터 Lime 및 Shap을 사용한 기계 학습 모델 설명에 이르기까지 PygWalker는 데이터 시각화 프로세스를 단순화합니다.PygWalker를 사용해 보고 ChatGPT의 프롬프트를 활용하여 손쉽게 데이터를 시각화하세요.