KI-Prompts für Datenwissenschaft

zur Verfügung. Sein Schema ist wie folgt:

enthält fehlende Werte. Hier ist die Ausgabe von

Generieren Sie ein Python-Skript, das die Interquartilsbereichs-Methode (IQR) verwendet, um Ausreißer in den folgenden numerischen Spalten eines pandas DataFrame `df` zu identifizieren: `[[LIST_OF_NUMERIC_COLUMNS]]`. Das Skript sollte: 1. Q1, Q3 und IQR für jede angegebene Spalte berechnen. 2. Die oberen und unteren Grenzen definieren (Q1 - 1.5 * IQR, Q3 + 1.5 * IQR). 3. Ein neues DataFrame erstellen, das nur die Zeilen enthält, die Ausreißerwerte in einer der angegebenen Spalten aufweisen. 4. Die Form des ursprünglichen DataFrames und des Ausreißer-DataFrames ausgeben.

. Die Datentypen der folgenden Spalten müssen korrigiert werden: -

zu identifizieren. Ich möchte Duplikate basierend auf einer Untermenge von Spalten überprüfen:

, die einen String entgegennimmt und die folgenden Textbereinigungsschritte durchführt: 1. Konvertiert den Text in Kleinbuchstaben. 2. Entfernt alle Satzzeichen. 3. Entfernt numerische Ziffern. 4. Entfernt gängige englische Stoppwörter. 5. Stemmt die verbleibenden Wörter mithilfe des Porter Stemmers. Die Funktion sollte den bereinigten String zurückgeben. Fügen Sie Importe von

eine Reihe von Python-Plots für die univariate Analyse. Für jede numerische Spalte in

. Führen Sie dann Folgendes aus: 1. Erstellen Sie eine Heatmap der Korrelationsmatrix mit

untersuchen. Die kategoriale Variable ist

mit einem Datetime-Index und einer Spalte namens

. Generieren Sie ein Python-Skript, das: 1. Diese beiden Spalten mit

mit Breiten- und Längengradspalten namens

. Ich erstelle ein Modell zur Vorhersage von

. Generieren Sie ein Python-Skript, das die folgenden neuen Features aus dieser Spalte erstellt: - Jahr - Monat - Wochentag (als Zahl, 0=Montag) - Tag des Jahres - Woche des Jahres - Ein binäres Flag

hat die folgenden numerischen Features:

verwendet, um die folgenden kategorialen Spalten in meinem DataFrame

darstellt. Generieren Sie Python-Code, um eine neue Spalte

ist nach Datum indiziert und hat eine Zielspalte

Agieren Sie als AutoML-Spezialist. Ich habe einen vorverarbeiteten Datensatz mit Features `X` und einer binären Zielvariable `y`. Generieren Sie ein vollständiges Python-Skript, das drei verschiedene Basis-Klassifikationsmodelle trainiert und evaluiert: 1. Logistische Regression 2. Random Forest Classifier 3. Gradient Boosting Classifier (mit LightGBM) Für jedes Modell sollte das Skript: - 5-fache Kreuzvalidierung verwenden. - Die mittlere Genauigkeit (Accuracy), Präzision (Precision), Recall und den F1-Score berechnen und ausgeben. - Die Ergebnisse in einem pandas DataFrame zur einfachen Vergleichbarkeit speichern.

durchzuführen. Meine Feature-Matrix ist

Features. Die Netzwerkarchitektur sollte sein: - Eingabeschicht mit

-Pipeline für einen Machine-Learning-Workflow erstellt. Die Pipeline sollte aus den folgenden Schritten bestehen: 1. Fehlende numerische Werte mit

, die eine univariate Zeitreihe enthält. Generieren Sie ein Python-Skript, das

-Bibliothek verwendet, um ein einfaches kollaboratives Filter-Empfehlungsmodell für Benutzer-Artikel zu erstellen. Nehmen Sie an, ich habe ein pandas DataFrame

, um eine Konfusionsmatrix zu berechnen und zu plotten. Der Plot sollte klar mit Achsentiteln ('Predicted Label', 'True Label') und den Klassennamen

Verwenden Sie `y_test` (wahre Labels) und `y_pred_proba` (vorhergesagte Wahrscheinlichkeiten für die positive Klasse aus meinem Klassifikator), um ein Python-Skript zu generieren, das: 1. Den AUC-Score (Area Under the Curve) berechnet. 2. Die ROC-Kurve (Receiver Operating Characteristic) plottet. 3. Eine diagonale Linie enthält, die einen zufälligen Klassifikator zum Vergleich darstellt. 4. Den Plot mit dem AUC-Score beschriftet.

trainiert. Ich möchte eine einzelne Vorhersage für eine spezifische Instanz

Ich habe ein trainiertes `RandomForestClassifier`-Modell namens `model`. Meine Features haben die Namen `[[LIST_OF_FEATURE_NAMES]]`. Generieren Sie Python-Code, um die Feature-Wichtigkeiten aus dem Modell zu extrahieren, sie mit ihren Namen abzugleichen und ein horizontales Balkendiagramm zu erstellen, das die Top 15 der wichtigsten Features zeigt.

sklearn.inspection.permutation_importance

und die vorhergesagten Wahrscheinlichkeiten

[[ZIELVARIABLE, z.B. 'Mitarbeiterfluktuation']]

Unten ist ein Python-Skript, das einen Plot generiert. Nach dem Skript werde ich den Plot beschreiben. Ihre Aufgabe ist es, eine prägnante, einparagrafische Interpretation dieser Erkenntnis für ein Geschäftspublikum zu schreiben. Vermeiden Sie technischen Jargon. `[[PASTE PYTHON PLOT SCRIPT]]` Der Plot zeigt ein Balkendiagramm, in dem Kunden der Support-Kategorie „Tier 1“ durchschnittlich 150 $ pro Monat ausgeben, während Kunden der Kategorie „Tier 3“ durchschnittlich 45 $ ausgeben. Schreiben Sie nun die geschäftliche Zusammenfassung.

mit den Ergebnissen eines A/B-Tests. Es enthält die Spalten

Agieren Sie als Datenanalyst. Entwerfen Sie eine E-Mail an das Produktteam, in der Sie die Ergebnisse eines A/B-Tests für die neue Funktion „One-Click Checkout“ berichten. Wichtige Erkenntnisse: - Konversionsrate der Kontrollgruppe: 3,5 % - Konversionsrate der Behandlungsgruppe (mit Funktion): 4,8 % - Das Ergebnis ist statistisch signifikant mit einem p-Wert von 0,002. - Der Test lief 14 Tage lang mit 50.000 Benutzern in jeder Gruppe. Strukturieren Sie die E-Mail mit einer klaren Betreffzeile, einer kurzen Zusammenfassung des Ergebnisses, den Schlüsselzahlen und einer Empfehlung zur Einführung der Funktion.

Erklären Sie das Konzept des „Overfittings“ im maschinellen Lernen, wie Sie es einem Vertriebsleiter erklären würden. Verwenden Sie eine Analogie. Halten Sie die Erklärung unter 150 Wörtern.

Generieren Sie eine Markdown-Vorlage für eine README-Datei eines Data-Science-Projekts. Die Vorlage sollte die folgenden Abschnitte enthalten: - Projekttitel - Geschäftsproblem - Datenquelle - Methodik (Datenbereinigung, EDA, Modellierung) - Ergebnisse - Code ausführen (Abhängigkeiten, Anweisungen) - Wichtige Kontakte

(die trainierte Modelldatei) Das Dockerfile sollte: 1. Von einem

haben, der POST-Anfragen mit einer JSON-Payload akzeptiert. Das Skript muss: 1. Ein vortrainiertes scikit-learn-Modell aus einer Datei namens

Generieren Sie ein Python-Skript-Snippet, das zeigt, wie MLflow für das Experiment-Tracking verwendet wird. Das Skript sollte: 1. Einen MLflow-Run starten. 2. Zwei Parameter protokollieren: `learning_rate` und `n_estimators`. 3. Drei Metriken protokollieren: `accuracy`, `precision` und `recall`. 4. Das trainierte Modell selbst als Artefakt protokollieren. 5. Den Run beenden.

-Branch ausgeführt wird. Der Workflow sollte „CI Pipeline“ genannt werden und die folgenden Aufgaben ausführen: 1. Python 3.9 einrichten. 2. Abhängigkeiten aus

def remove_outliers(df, column_name): Q1 = df[[column_name]].quantile(0.25) Q3 = df[[column_name]].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR return df[(df[[column_name]] >= lower_bound) & (df[[column_name]] <= upper_bound)]

, und ich habe einen neuen Batch von Produktionsdaten in

hoch. Laden Sie sie zuerst in ein pandas DataFrame und führen Sie eine vollständige Datenprofilierung durch. Identifizieren Sie fehlende Werte, Datentypen und grundlegende Statistiken für jede Spalte. Zeigen Sie mir die Ausgabe.“ **Prompt 2 (nachdem die KI geantwortet hat):** „Vielen Dank. Basierend auf diesem Profil generieren Sie ein Python-Skript zur Datenbereinigung. Imputieren Sie fehlendes Alter mit dem Median. Löschen Sie Zeilen, in denen

: Integer, normalverteilt um einen Mittelwert von 40 mit einer Standardabweichung von 10. -

-Methode, die Modell-Hyperparameter entgegennimmt. - Eine

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier df = pd.read_csv('data.csv') df = df.dropna() X = df[[['feature1', 'feature2']]] y = df[['target']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) print(model.score(X_test, y_test))

), für die das Modell eine hohe Abwanderungswahrscheinlichkeit (0,92) vorhersagte. Erklären Sie diese Vorhersage mithilfe einer kontrafaktischen Erklärung. Beschreiben Sie in einfachem Deutsch die minimalen Änderungen an den Features dieses Kunden (z.B.

. Die Abfrage sollte die Bindungsrate monatlicher Kundenkohorten berechnen. Die Kohorte eines Kunden ist der Monat seines ersten Kaufs. Die Bindung für einen bestimmten Monat ist der Prozentsatz der Kunden aus einer Kohorte, die in diesem Monat einen Kauf getätigt haben. Die Ausgabe sollte drei Spalten haben:

[['date', 'region', 'sales', 'product_category']]

), die nicht in den pandas-Speicher passt. Die Aufgabe besteht darin, den Mittelwert von