数据准备AI化：从数据工程师到提示工程师

数据工程占据了数据科学过程的很大一部分。在CRISP-DM中，这个过程阶段被称为“数据准备”。它包括数据摄取、数据转换和数据质量保证等任务。在本文中，我们使用ChatGPT和Python解决了典型的数据工程任务。通过这样做，我们探索了数据工程与新的提示工程学科之间的联系。

2022年5月，Stephen Wolfram和Lex Fridman发表了一次富有洞见的演讲，题为“编程是否已死？”他们讨论了高级语言在未来是否仍将被开发人员使用的问题。根据Wolfram的说法，许多编程任务可以通过大型语言模型（LLM）自动化。在撰写本文时，这种模型的最显著例子是ChatGPT。自2022年底推出以来，它产生了惊人的结果。指定由LLM执行的操作被称为“提示工程”。如果Wolfram是对的，至少部分软件开发将从编写代码转变为编写提示。

在数据科学中，数据准备可能是一项耗时且繁琐的任务。那么为什么不尝试使用LLM自动化它呢？在接下来的章节中，我们将使用ChatGPT和Python解决不同的数据工程问题。我们没有自己编写Python代码，而是使用提示工程生成了它。以下案例是基于可用ChatGPT中文版本-知否AI问答(https://chat.cloudwizdom.com)（GPT-3.5）进行。

让我们从一个简单的问题开始，从样本数据集创建一个Pandas数据框架。表1包含了例如世界银行提供的国家指标。

为了从上面的样本创建一个数据框架，我们与ChatGPT开始了一次新的对话，并发布了以下提示：

创建一个 Pandas 表格，数据如下：

大洲，国家，年份，类别，变量，值

亚洲，中国，2022，经济，GDP，18.1

亚洲，中国，2022，人口统计，人口，1412

北美洲，美国，2022，经济，GDP，25.5

北美洲，美国，2022，人口统计，人口，333

欧洲，德国，2022，经济，GDP，3.9

欧洲，德国，2022，人口统计，人口，84

作为回应，模型生成了以下Python代码：

当在python运行以上脚本，输出如下：

尽管我们在实验中使用了一个样本，但下面部分生成的代码原则上也可以处理更大的数据集。

数据框架的透视

对于数据科学来说，我们在第一个提示中创建的表格结构并不理想。相反，所谓的“平面表格”会更方便。在表格1中，指标“GDP”和“人口”由名为“变量”和“值”的两列表示。相比之下，平面表格将为每个指标单独包含列，如表格2所示。

将表格1的格式转换为表格2的格式称为“透视”。让我们尝试使用ChatGPT来解决这个任务。为此，在我们的对话中发布了第二个提示：

将表格转换为以下格式：

大陆，国家，年份，GDP，人口

亚洲，中国，2022，18.1，1412

北美洲，美国，2022，25.5，333

欧洲，德国，2022，3.9，84

上述消息基于所需数据格式的示例。或者，我们也可以用纯语言方式表达我们的请求。与经典编程一样，提示工程可以有多种实现目标的替代解决方案。寻找最佳方法将是一个令人兴奋的近期任务。根据我们的提示，ChatGPT中文版-知否AI问答(https://chat.cloudwizdom.com)将调整Python代码如下：

运行上述代码将输出所需格式的表格：

另一个典型的数据工程任务是通过附加信息来丰富数据集。为此，我们要求ChatGPT通过以下提示将ISO国家代码添加到我们的数据中：

对于上述表格中的每个国家，添加其ISO代码

提示4：添加国家代码

输出结果：

接下来，我们将通过将一个国家的GDP除以其人口数量来衍生出一个新的列"人均GDP"。为此，我发送了以下提示：

通过将一个国家的GDP除以其人口数量来衍生出一个新的列"人均GDP"

提示5: 衍生新列

作为响应，模型调整了代码，如下所示：

输出结果显示脚本产生了预期的结果。

不可否认，我们的实验是基于一个简单的数据集。尽管如此，结果仍然令人瞩目。我们在不编写一行代码的情况下完成了几个数据工程任务。ChatGPT能够在大多数情况下正确实现我们的提示。即使模型犯了错误，它也能够反思并进行修正。和软件开发一样，生成的代码必须经过测试。此外，它可能需要重构和优化。在人工智能时代，仍然建议使用pylint。总结起来，我们必须同意沃尔夫勒姆的观点：未来，数据工程的重要部分将从编码转向提示工程。这种新的方法不会取代数据工程师，而是使他们更加高效。