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 fühlt sich an, als wäre er ein wenig verworfen worden

Antwort:

Aufgrund der Beschränkungen des Kontextfensters kann die KI keine sehr langen Inhalte 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 nicht ein Teil der Informationen verloren geht, wenn die Eingabe zu lang ist.
2. Klären Sie Ihre Anforderungen: Sagen Sie der KI klar und deutlich, was Sie mit den Daten tun oder sie analysieren möchten, 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

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

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 verwendet, während Claude JavaScript benutzt.

Claude gibt die Ergebnisse zurück:

我来帮您分析这些数据。我会使用分析工具来处理CSV文件，查看不同时间维度的访问量（Profile visits）数据。

// 读取并解析CSV文件
const fileContent = await window.fs.readFile('account_overview_analytics 2.csv', { encoding: 'utf8' });
import Papa from 'papaparse';

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

const data = parsedData.data;

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

// 找出访问量最大的月份
const maxMonthVisits = Object.entries(monthlyVisits)
  .sort((a, b) => b[1] - a[1])[0];
console.log('月度访问量最高：', maxMonthVisits);

// 按周分组
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;
});

// 找出访问量最大的周
const maxWeekVisits = Object.entries(weeklyVisits)
  .sort((a, b) => b[1] - a[1])[0];
console.log('周访问量最高：', maxWeekVisits);

// 找出访问量最大的天
const dailyVisits = data.map(row => ({
  date: row.Date,
  visits: row['Profile visits'] || 0
}));
const maxDayVisits = dailyVisits.sort((a, b) => b.visits - a.visits)[0];
console.log('日访问量最高：', maxDayVisits);

// 辅助函数：获取日期所在的周数
function getWeekNumber(date) {
  const d = new Date(Date.UTC(date.getFullYear(), date.getMonth(), date.getDate()));
  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);
}

根据分析结果：

1. 访问量最高的月份是 2024年2月，总访问量达到了 25,317 次
2. 访问量最高的周是 2024年第7周（2月中旬），访问量为 9,537 次
3. 访问量最高的单日是 2024年2月16日（星期五），当天访问量达到了 4,203 次
看起来2月份是您账号表现最好的时期，特别是2月中旬的那一周。您是否记得在2月16日发布了什么特别的内容，导致访问量激增？这可能对您未来的内容策略有所启发。
如果您想了解更多细节，比如具体的内容类型分析或者其他指标（如互动率、关注率等），我也可以为您进一步分析。

ChatGPT.

import pandas as pd

# Load the CSV file to analyze the data
file_path = '/mnt/data/account_overview_analytics (2).csv'
data = pd.read_csv(file_path)

# Display the first few rows to understand the structure of the data
data.head()

Result:
Result
                Date  Impressions  Likes  Engagements  Bookmarks  Shares  
0  Fri, Dec 27, 2024        17955     65          405         29       1   
1  Thu, Dec 26, 2024      1126219   2870        21818       1386      65   
2  Wed, Dec 25, 2024      1657311   4312        19589       1544      78   
3  Tue, Dec 24, 2024       401326   1424        12266        749      41   
4  Mon, Dec 23, 2024       467837   1528        16703        782      43   

New follows  Unfollows  Replies  Reposts  Profile visits  Create Post  
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   

Video views  Media views  
0          242          346  
1        22707        88041  
2        12096        23161  
3        17368        42005  
4        34821        77995  

The dataset includes columns such as Date, Impressions, Likes, and others. To answer your questions regarding:

1. Month with the maximum impressions: I'll group the data by month and calculate total impressions.
2. Week with the maximum impressions: I'll group the data by week and calculate total impressions.
3. Day with the maximum impressions: I'll find the single date with the highest impressions.
Let me proceed with the calculations.

# Convert the 'Date' column to a datetime format for easier grouping
data['Date'] = pd.to_datetime(data['Date'], format='%a, %b %d, %Y')

# Add helper columns for month and week
data['Month'] = data['Date'].dt.to_period('M')
data['Week'] = data['Date'].dt.isocalendar().week

# Group by month and sum the impressions
monthly_impressions = data.groupby('Month')['Impressions'].sum()

# Group by week and sum the impressions
weekly_impressions = data.groupby('Week')['Impressions'].sum()

# Find the day with the maximum impressions
max_day = data.loc[data['Impressions'].idxmax()]

# Extract the results
max_month = monthly_impressions.idxmax()
max_month_value = monthly_impressions.max()

max_week = weekly_impressions.idxmax()
max_week_value = weekly_impressions.max()

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

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

Result

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

Here is the analysis of your tweet impressions:

1. Month with the maximum impressions: February 2024, with a total of 22,484,999 impressions.
2. Week with the maximum impressions: Week 7 (mid-February 2024), with a total of 7,480,737 impressions.
3. Day with the maximum impressions: February 16, 2024, with 2,753,640 impressions.
Let me know if you'd like a more detailed visualization or further breakdown!

Wenn Sie keinen Zugang zu den oben genannten KI-Tools haben, versuchen Sie, ein ähnliches Produkt in Ihrem Land zu verwenden: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.