这个ChatGPT插件可以远程运行代码，还生成图表

来源：DeepHub IMBA
本文约900字，建议阅读4分钟ChatGPT的插件使数据科学成为一种简单、愉快的体验。

我们做数据分析时一般都是使用这样的流程来进行：运行jupyter notebook、安装库、解决依赖关系和版本控制，数据分析，生成图表。ChatGPT的“Code Interpreter”插件可以帮助我们进行数据分析。

作为测试，首先要ChatGPT进入角色,让它作为经济顾问：

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访问历史数据并开始对其进行预测。它告诉我它将使用FRED(联邦储备经济数据)数据库，但不幸的是，它无法下载数据。

那么我们来帮它下载，询问如何下载数据。

然后将它上传给Code Interpreter，就可以进行EDA了。‍

在ChatGPT的帮助下，我可视化了数据，检查了趋势，并探索了关键指标。ChatGPT用简单的英语进行了总结。

哈哈，ChatGPT什么都知道

2. 数据分析：它绘制了时间序列数据，直观地探索CPI值的趋势和季节性。

它使用增强Dickey-Fuller (ADF)检验平稳性。结果表明，原始时间序列是非平稳的。

3. 数据转换的平稳性

为了实现平稳性，它对时间序列数据应用了一阶差分，这涉及到计算连续观测数据之间的差异。它对不同的数据使用ADF检验重新检验平稳性。结果表明，差分时间序列是平稳的。

4. 模型选择与参数估计

下一步是预测五年的CPI。ChatGPT向我介绍了ARIMA模型，它分析了这些数字，给了我一个有意义的预测!

它设置检查了自相关函数(ACF)和部分自相关函数(PACF)图，来确定ARIMA模型的顺序(参数p, d, q)。根据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(无差异)时间序列数据。该模型从历史数据模式中学习。

6. 预测

使用拟合的ARIMA模型从最后一个数据点预测未来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，理解预测受到不确定性和外部因素的影响。

插件系统的确让ChatGPT变得有趣:“Code Interpreter”不仅可以让远程运行代码，而且还使数据科学简单，高效。

无论你是经验丰富的数据科学家还是刚入门的新手，都可以尝试一下ChatGPT。智能不智能要看后续的验证结果，但是省事是真省事。

最后没有加入的赶紧加入测试：https://openai/blog/chatgpt-plugins

编辑：黄继彦