最近被OpenAI的ChatGPT刷屏了。我猜你已经读了很多关于ChatGPT的文章，不需要再介绍了。假如碰巧您还不太了解ChatGPT是什么，可以先看一下这篇文章，然后再回来继续。
与ChatGPT对话很有趣，甚至很有启发性。我们的内容创作部门已经将ChatGPT用于文案生成。那么对研发部门，ChatGPT是否有用呢？我在算法团队做了一个测试，让ChatGPT来完成算法研究中频繁要做的数据清洗和处理问题，结果让人非常满意。我甚至愿意聘请ChatGPT做算法团队的数据工程师。
简单数据处理
我们首先从简单的任务入手，让ChatGPT完成数据加载和简单的清洗工作。
任务目标
上面这4个任务是算法执行前必须要做的常规工作。我们看一下ChatGPT的表现
输出结果
import pandas as pd
import numpy as npdef load_csv_data(file_path):# Load the csv file into a pandas DataFramedf = pd.read_csv(file_path)# Convert string type data to numeric type and save the mapping in a dictionaryconversion_map = {}for column in df.columns:if df[column].dtype == 'O':unique_values = df[column].unique()conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}df[column] = df[column].map(conversion_map[column])# Check for missing valuesmissing_value_counts = df.isnull().sum()for column, missing_count in missing_value_counts.items():if missing_count > 1:df.drop(df[df[column].isnull()].index, inplace=True)elif missing_count == 1:df[column].fillna(df[column].mean(), inplace=True)# Split the dataset into training and validation setstrain_df = df.sample(frac=0.8, random_state=0)val_df = df.drop(train_df.index)return train_df, val_df, conversion_map分析
上面代码可以完美完成目标任务，从csv文件中加载数据集，并以80/20的比例将数据集拆分为测试集和训练集，关键逻辑还加上了注释，ChatGPT甚至贴心的给出了函数使用方法。
ChatGPT生成上面代码总共用时116秒，同时我们的数据工程师编写同样功能的代码用时225秒。二者的代码差异不大，但是我们的数据工程师没写注释。
上面的任务是数据工程师几乎天天都要写的代码，他们很熟练。我又找了一个大学刚毕业还在实习期的数据助理来写，居然半个小时才完成，由于对接口不熟悉，大量时间花在了百度上[捂脸]。
第一轮比试，从各个维度上，都是ChatGPT胜。
重构代码
在上一轮的比试中，我发现我们的数据工程师有“偷鸡”行为——由于平时经常需要完成上面工作，他将很多功能封装成了独立的函数，用的时候直接引入或拷贝。使用函数按照逻辑组织代码，不仅能够促进代码复用，还有利于代码维护。所以我们接下来试着让ChatGPT重构一下自己的代码。
任务目标
将上面的代码按照功能合理地拆分成若干函数。
输出结果
import pandas as pd
import numpy as npdef load_csv(file_path):return pd.read_csv(file_path)def convert_strings_to_numeric(df):conversion_map = {}for column in df.columns:if df[column].dtype == 'O':unique_values = df[column].unique()conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}df[column] = df[column].map(conversion_map[column])return df, conversion_mapdef handle_missing_values(df):missing_value_counts = df.isnull().sum()for column, missing_count in missing_value_counts.items():if missing_count > 1:df.drop(df[df[column].isnull()].index, inplace=True)elif missing_count == 1:df[column].fillna(df[column].mean(), inplace=True)return dfdef split_data(df):train_df = df.sample(frac=0.8, random_state=0)val_df = df.drop(train_df.index)return train_df, val_dfdef prepare_data(file_path):df = load_csv(file_path)df, conversion_map = convert_strings_to_numeric(df)df = handle_missing_values(df)train_df, val_df = split_data(df)return train_df, val_df, conversion_map分析
ChatGPT拆分出5个函数：
- load_csv(file_path) 负责从csv文件中加载数据集，返回DataFrame；
- convert_strings_to_numeric(df) 负责将DataFrame中的非数值类型数据转换为数值类型，并记录转换映射表；
- handle_missing_values(df) 负责处理缺失值；
- split_data(df) 负责将数据集拆分为训练集和测试集；
- prepare_data(file_path) 将上面4给函数串起来，构成一个pipeline。
不得不说，ChatGPT有一次完美地完成了任务！并且函数名起得非常好，看函数名就能知道函数的功能，比很多中国程序员用拼音或缩写命名函数友好多了。
扩展代码
重构后的代码结构已经非常清晰了，但是还是有缺陷，那就是不够灵活，很多规则都是写死的。为了让代码更灵活、可扩展性更强，我们一般会将变量以参数的形式传入。
任务目标
重构上面的代码，以参数的形式从命令行传入以下内容：
- csv格式数据集的路径
- 拆分训练集和验证集的大小
- 阈值，缺失值大于此阈值则删除记录，小于等于此阈值则处理缺失值
输出结果
import pandas as pd
import numpy as np
import argparsedef load_csv(file_path):return pd.read_csv(file_path)def convert_strings_to_numeric(df):conversion_map = {}for column in df.columns:if df[column].dtype == 'O':unique_values = df[column].unique()conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}df[column] = df[column].map(conversion_map[column])return df, conversion_mapdef handle_missing_values(df, threshold):missing_value_counts = df.isnull().sum()for column, missing_count in missing_value_counts.items():if missing_count > threshold:df.drop(df[df[column].isnull()].index, inplace=True)elif missing_count <= threshold:df[column].fillna(df[column].mean(), inplace=True)return dfdef split_data(df, split_ratio):train_df = df.sample(frac=split_ratio, random_state=0)val_df = df.drop(train_df.index)return train_df, val_dfif __name__ == "__main__":parser = argparse.ArgumentParser(description='Prepare data for machine learning.')parser.add_argument('file_path', help='Path to the csv file.')parser.add_argument('--split-ratio', type=float, default=0.8, help='Ratio of the training set size.')parser.add_argument('--threshold', type=int, default=1, help='Threshold for handling missing values.')args = parser.parse_args()df = load_csv(args.file_path)df, conversion_map = convert_strings_to_numeric(df)df = handle_missing_values(df, args.threshold)train_df, val_df = split_data(df, args.split_ratio)分析
ChatGPT很好地理解了我们的意图，引入了argparse模块来管理和解析命令行参数，关键是参数名起的也非常合理，参数说明也非常准确（尽管是英文的）。参数都正确地传入了所属的函数，又一次完美的完成了任务。
总结
ChatGPT根据我们提供的规范，在创建、重构、扩展一个简单的数据预处理Python脚本方面做得非常出色，每一步的结果都符合要求。虽然这不是一个复杂任务，确实日常工作中最常见的基本工作。ChatGPT的表现确实惊艳了众人，预示着它朝着成为真正有用的编程助手迈出重要的一步。
最终我们从如下几个方面将ChatGPT和我们的数据工程师做了对比：
| ChatGPT | 人类程序员 | |
|---|---|---|
| 正确性 | ✅ | ✅ |
| 速度 | ✅ | |
| 编码规范 | ✅ | |
| 文档注释 | ✅ |
可见ChatGPT在编码速度和编码习惯上都完胜人类工程师。这让我不得不开始担心程序员未来的饭碗。是的，你没有看错！程序员这个曾经被认为是最不可能被AI取代的职业，如今将面临来自ChatGPT的巨大挑战。根据测试，ChatGPT已经通过Google L3级工程师测试，这意味着大部分基础coding的工作可以由ChatGPT完成。尽管ChatGPT在涉及业务的任务上表现不佳，但未来更可能的工作方式是架构师或设计师于ChatGPT协同完成工作，不再需要编码的码农。
