Schnelle Analyse von Excel-Tabellendaten mit KI-Dialogwerkzeugen

Fragen Sie:

Wie kann ich KI dazu bringen, meine strukturierten Daten (Excel/CSV) besser zu analysieren? Der Inhalt ist lang und es fühlt sich an, als ob er etwas fallen gelassen wurde

Antwort:

Aufgrund der Beschränkungen des Kontextfensters kann die KI sehr lange Inhalte nicht auf einmal verarbeiten.. Darüber hinaus ist das große Sprachmodell selbst nicht gut in mathematischen Operationen, so dass es auchKann keine Berechnungen direkt auf der Grundlage der von Ihnen bereitgestellten strukturierten Daten durchführen. Am besten ist es, sie in Verbindung mit dem Code zu verwenden.

Zum Beispiel können Tools wie ChatGPT, Claude Ihnen automatisch helfenCode für die Analyse der Daten generierenund kann sogar eine Stapelverarbeitung der Daten für Sie durchführen. Sie können auch Ihren eigenen Code schreiben, um die Analyse zu implementieren, wenn Sie dies wünschen.

Begründung

1. Geben Sie die Struktur der Daten an, nicht die vollständigen Daten: Beschreiben Sie in der Aufforderung an die KI nur die Struktur Ihrer Daten (z. B. Spaltennamen und Datentypen) oder geben Sie ein kleines Datenbeispiel an. Sie müssen die vollständigen Daten nicht direkt einfügen, damit Sie nicht einen Teil der Informationen verlieren, wenn die Eingabe zu lang ist.
2. Klären Sie Ihren Bedarf: Sagen Sie der KI klar und deutlich, was Sie mit den Daten tun oder sie analysieren wollen, z. B. statistische Tabellen oder Grafiken erstellen oder bestimmte Kennzahlen berechnen.
3. Lassen Sie KI Code generieren: Lassen Sie KI je nach Bedarf Code zum Lesen und Analysieren von Daten schreiben. Auf diese Weise kann der Code Ihre gesamten Daten verarbeiten und genaue Ergebnisse generieren, ohne sich um kontextbezogene Fenstereinschränkungen zu kümmern.

typisches Beispiel

Nehmen wir an, ich exportiere die Zugriffsdaten meines X in eine csv/Excel-Datei, die die Anzahl der Besuche für jeden Tag enthält, dann übermittle ich diese Daten an ChatGPT (Claude ist in Ordnung) und bitte es, mir zu helfen: "Analysiere meine Tweets-Daten für das Jahr, welcher Monat hatte die meisten Besuche? Welche Woche hatte die meisten Besuche? Welcher Tag hatte die beiden größten Besuche?"

ChatGPT Als Erstes werden wir eine Stichprobe meiner Daten durchführen, um eine Vorstellung davon zu erhalten, wie meine Datenstruktur aussieht.

Dann generieren Sie den Code entsprechend den Anforderungen und führen ihn schließlich aus, um das Ergebnis zu erhalten.

Claude Es ist ähnlich, mit dem einzigen Unterschied, dass ChatGPT Python und Claude JavaScript verwendet.

Claude gibt die Ergebnisse zurück:

Ich werde Ihnen bei der Analyse dieser Daten helfen. Ich verwende ein Analysetool, um die CSV-Datei zu verarbeiten und die Daten der Besuche (Profilbesuche) in verschiedenen Zeitdimensionen zu sehen.

// Lesen und Parsen der CSV-Datei
const fileContent = await window.fs.readFile('account_overview_analytics 2.csv', { encoding: 'utf8' });
importiere Papa von 'papaparse';

const parsedData = Papa.parse(fileInhalt, {
  header: true, dynamicTyping: true, {
  dynamicTyping: true,
  skipEmptyLines: true
});

const data = parsedData.data;

// Nach Monat gruppieren
const monthlyVisits = {};
data.forEach(Zeile => {
  const date = new Date(Zeile.)
  const monthKey = `${date.getFullYear()}-${String(date.getMonth() + 1).padStart(2, '0')}`;
  if (!monthlyVisits[monthKey]) {
    monthlyVisits[monthKey] = 0;
  }
  monthlyVisits[monthKey] += row['Profile visits'] || 0; }
}).

// Ermitteln des Monats mit den meisten Besuchen
const maxMonthVisits = Object.entries(monthlyVisits)
  .sort((a, b) => b[1] - a[1])[0]; // Ermitteln des Monats mit den meisten Besuchen.
console.log('Höchste monatliche Besuche:', maxMonthVisits);

// Nach Woche gruppieren
const weeklyVisits = {};
data.forEach(row => {
  const date = new Date(row.Date);
  const weekNumber = getWeekNumber(date);
  const weekKey = `${date.getFullYear()}-W${String(weekNumber).padStart(2, '0')}`;
  if (!weeklyVisits[weekKey]) {
    weeklyVisits[weekKey] = 0;
  }
  weeklyVisits[weekKey] += row['Profile visits'] || 0;
}).

// Die Woche mit den meisten Besuchen finden
const maxWeekVisits = Object.entries(weeklyVisits)
  .sort((a, b) => b[1] - a[1])[0]; // Suche nach der Woche mit den meisten Besuchen.
console.log('Maximale wöchentliche Besuche:', maxWeekVisits);

// Ermitteln des Tages mit den meisten Besuchen
const dailyVisits = data.map(row => ({
  date: row.
  Besuche: Zeile['Profilbesuche'] || 0
Datum, Besuche: Zeile['Profilbesuche'] || 0)); const
const maxDayVisits = dailyVisits.sort((a, b) => b.visits - a.visits)[0];
console.log('Höchste tägliche Besuche:', maxDayVisits);

// Hilfsfunktion: liefert die Wochennummer eines Datums
function getWeekNumber(Datum) {
  const d = new Date(Date.UTC(date.getFullYear(), date.getMonth(), date.getDate()));
  const dayNum = d.getUTCDay() || 7;
  const dayNum = d.getUTCDay() | 7; d.setUTCDate(d.getUTCDate() + 4 - dayNum);
  const yearStart = new Date(Date.UTC(d.getUTCFullYear(),0,1));
  return Math.ceil((((d - yearStart) / 86400000) + 1)/7);
}

Basierend auf der Analyse:

1. der meistbesuchte Monat ist der Februar 2024 mit insgesamt 25.317 Besuchen
2. die meistbesuchte Woche war die 7. Woche des Jahres 2024 (Mitte Februar) mit 9.537 Besuchen
3. der meistbesuchte einzelne Tag war Freitag, der 16. Februar 2024 mit 4.203 Besuchen
Es sieht so aus, als wäre der Februar der beste Monat für Ihr Konto gewesen, insbesondere die Woche Mitte Februar. Erinnern Sie sich daran, dass Sie am 16. Februar bestimmte Inhalte gepostet haben, die zu einem Anstieg der Besucherzahlen führten? Dies könnte Ihnen Aufschluss über Ihre künftige Inhaltsstrategie geben.
Wenn Sie mehr Details wünschen, wie z. B. eine spezifische Analyse des Inhaltstyps oder andere Metriken (z. B. Interaktionsraten, Follow-Raten usw.), kann ich dies auch weiter für Sie analysieren.

ChatGPT.

import pandas as pd

# Laden Sie die CSV-Datei, um die Daten zu analysieren
file_path = '/mnt/data/konto_uebersicht_analytics (2).csv'
Daten = pd.read_csv(file_path)

# Anzeige der ersten paar Zeilen um die Struktur der Daten zu verstehen
data.head()

Ergebnis.
Ergebnis
                Datum Impressionen Likes Engagements Bookmarks Shares
0 Fr, 27. Dez. 2024 17955 65 405 29 1
1 Do, 26. Dez. 2024 1126219 2870 21818 1386 65
2 Mi, 25. Dez. 2024 1657311 4312 19589 1544 78
3 Di, 24. Dez. 2024 401326 1424 12266 749 41
4 Mo, 23. Dez. 2024 467837 1528 16703 782 43

Neue Follower Unfollows Antworten Reposts Profilbesuche Beitrag erstellen
0 4 0 10 10 35 0
1 206 39 198 427 1099 1
2 361 23 179 667 1700 3
3 141 15 153 272 517 5
4 96 27 217 260 559 2

Videoaufrufe Medienaufrufe
0 242 346
1 22707 88041
2 12096 23161
3 17368 42005
4 34821 77995

Der Datensatz enthält Spalten wie Datum, Impressionen, Likes, usw. Um Ihre Fragen zu beantworten.

1. der Monat mit den meisten Impressionen: Ich gruppiere die Daten nach Monat und berechne die Gesamtimpressionen. 2. die Woche mit den meisten Impressionen: Ich gruppiere die Daten nach Monat und berechne die Gesamtimpressionen.
2. die Woche mit den maximalen Impressionen: Ich gruppiere die Daten nach Woche und berechne die Gesamtimpressionen. 3. der Tag mit den maximalen Impressionen: Ich gruppiere die Daten nach Woche und berechne die Gesamtimpressionen.
3. der Tag mit den meisten Impressionen: Ich suche das einzelne Datum mit den meisten Impressionen.
Lassen Sie mich mit den Berechnungen fortfahren.

# Konvertieren Sie die Spalte "Datum" in ein Datumsformat, um die Gruppierung zu erleichtern.
Konvertieren Sie die Spalte "Datum" in ein Datumsformat, um die Gruppierung zu erleichtern. data['Datum'] = pd.to_datetime(data['Datum'], format='%a, %b %d, %Y')

# Hilfsspalten für Monat und Woche hinzufügen
data['Monat'] = data['Datum'].dt.to_period('M')
data['Woche'] = data['Datum'].dt.isocalendar().Woche

# Gruppieren nach Monat und Summieren der Impressionen
monthly_impressions = data.groupby('Month')['Impressions'].sum()

# Nach Woche gruppieren und die Impressionen summieren
weekly_impressions = data.groupby('Woche')['Impressionen'].sum()

# Suche nach dem Tag mit den meisten Impressionen
max_day = data.loc[data['Impressionen'].idxmax()]

# Extrahieren der Ergebnisse
max_month = monatliche_Einblendungen.idxmax()
max_monat_wert = monatliche_eindrücke.max()

max_Woche = wöchentliche_Eindrücke.idxmax()
max_week_value = weekly_impressions.max()

max_day_date = max_day['Date']
max_day_value = max_day['Impressionen']

(max_month, max_month_value, max_week, max_week_value, max_day_date, max_day_value)

Ergebnis

(Zeitraum('2024-02', 'M'),
 22484999,
 7,
 7480737,
 Timestamp('2024-02-16 00:00:00'),
 2753640)

Hier ist die Analyse Ihrer Tweet-Impressionen.

1. der Monat mit den meisten Impressionen: Februar 2024, mit insgesamt 22.484.999 Impressionen 2. die Woche mit den meisten Impressionen: Woche 7 (Mitte Februar 2024), mit insgesamt 22.484.999 Impressionen.
2. die Woche mit den meisten Impressionen: Woche 7 (Mitte Februar 2024), mit insgesamt 7.480.737 Impressionen.
3. der Tag mit den meisten Impressionen: 16. Februar 2024, mit 2.753.640 Impressionen.
Lassen Sie es mich wissen, wenn Sie eine detailliertere Visualisierung oder eine weitere Aufschlüsselung wünschen!

Wenn Sie keinen Zugang zu den oben genannten KI-Tools haben, versuchen Sie es mit einem ähnlichen Produkt in Ihrem Land:intellektuell anregende Rede Beratung mit der Shang-Tang-Dynastie (16. Jahrhundert v. Chr.) Alle verfügen über KI-Dialogwerkzeuge, die auf die Datenanalyse von EXCEL-Dateien ausgerichtet sind.