هل أتيتم يا رفاق بأمل أن تحللت بياناتكم نفسها؟ حسنًا، لقد اقتربنا من تحقيق ذلك اليوم. PandasAI هي أداة ابتكارية تسهل بشكل كبير عملية التحليل الإحصائي للبيانات. هذه المكتبة البرمجية في Python تطور من قاعدة الأدوات الشهيرة Pandas بمساعدة الذكاء الاصطناعي الخلاق، مما يجعل التحليل الإحصائي التلقائي ولكن المعقد بيانات حقيقة ممكنة.
عن طريق تطبيق نماذج خلاقة مثل GPT-3.5 من OpenAI، يمكن لـ PandasAI أن تفهم وتستجيب للاستفسارات البشرية مثل الإستجابة، تنفيذ التلاعبات المعقدة في البيانات، وتوليد تمثيلات بصرية. التحليل الإحصائي والذكاء الاصطناعي يجتمعان لخلق رؤى تفتح طرقاً جديدة للأعمال والباحثين.
هذا البرنامج التعليمي سيستكشف كيفية استخدام هذه المكتبة القوية لمهام مختلفة. هيا بنا نبدأ!
إعداد PandasAI
لإعداد PandasAI، سنحتاج إلى تثبيت PandasAI على النحو التالي:
pip install pandasai
للتفاعل مع نماذج OpenAI، ستحتاج إلى مفتاح API. إذا لم يكن لديك مفتاح API لـ OpenAI، يمكنك التسجيل للحصول على حساب على منصة OpenAI وإنشاء مفتاح API الخاص بك هناك. الرمز التالي يساعد في تهيئة مثيل لـ PandasAI مع OpenAI:
import pandas as pd
from pandasai import PandasAI
from pandasai.llm.openai import OpenAI
# تخزين توكن الـ API في بيئة Open AI
# استبدال "YOUR_API_KEY" بتوكن API الذي تم إنشاؤه
llm = OpenAI(api_token='YOUR_API_KEY')
# تهيئة حالة من Pandas AI مع بيئة OpenAI
pandas_ai = PandasAI(llm, verbose=True, conversational=False)الذكاء الاصطناعي الانتاجي: نبذة عن الموضوع
الذكاء الاصطناعي الانتاجي هو مجموعة فرعية من الذكاء الاصطناعي الذي يخلق بيانات جديدة مشابهة لمجموعة البيانات الحالية. على عكس النماذج التمييزية، التي تصنف أو تتنبأ بناءً على البيانات المعطاة، يمكن للنماذج الانتاجية إنتاج محتوى جديد. يمكن تطبيق الذكاء الاصطناعي الانتاجي على النصوص والصور والبنى البيانية المعقدة.
في التحليل البيانات، يمكن للذكاء الاصطناعي الانتاجي توليد مجموعات بيانات واقعية لتدريب النماذج، وملء نقاط البيانات المفقودة، وحتى المساعدة في إنشاء تقارير تحليلية. قدرته على فهم وتقليد أنماط البيانات يجعله محرك قوي.
كيف يستخدم PandasAI الذكاء الاصطناعي الانتاجي لتنظيف البيانات
يستخدم PandasAI الذكاء الاصطناعي الانتاجي لأتمتة وتحسين عملية تنظيف البيانات. بدلاً من التعرض لتحديد وإصلاح الأخطاء يدويًا، يمكنك استخدام محرك الذكاء الاصطناعي لتنظيف بياناتك.
على سبيل المثال، يمكنك أن تطلب منه “إزالة الإدخالات المكررة” أو “ملء القيم المفقودة”، وسيولد محرك الذكاء الاصطناعي مجموعة بيانات نظيفة، مما يوفر عليك الوقت والجهد الثمينين.
لننشئ إطار بيانات ببعض القيم المفقودة:
df = pd.DataFrame({
"country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", None, "Australia", "Japan", "China"],
"gdp": [19294482071552, 2891615567872, 2411255037952, None, 1745433788416, 1181205135360, 1607402389504, 1490967855104, 4380756541440, 14631844184064],
"happiness_index": [None, 7.16, 6.66, 7.07, 6.38, 6.4, 7.23, 7.22, 5.87, 5.12]
})Now, we can prompt to get clean preprocessed data with the following code:
response = pandas_ai.run(df, "Preprocess this dataframe for me")
print(response)The output is shown below. You can see that the data has been cleaned.
تكوين الميزات بمساعدة الذكاء الاصطناعي الانتاجي
إن إنشاء ميزات جديدة يدويًا في مجموعة البيانات يمكن أن يكون مهمة مملة. يمكنك أن تأمر محرك الذكاء الاصطناعي بإنشاء ميزات جديدة بناءً على الأعمدة الموجودة في البيانات.
على سبيل المثال، مع مقتطف الكود التالي، يمكنك بسهولة الإنشاء الجديد لسمات البيانات، مما يزيد بشكل كبير من مجال وجودة التحليل الخاص ببياناتك.
response = pandas_ai.run(df, "Create new features from this data")
print(response)You can see in the output below that the new feature created by AI is a happiness rank. AI put two and two together to understand that the countries could be ranked based on the happiness index and GDP per capita!
التصور الذكي للبيانات من خلال الذكاء الاصطناعي الخلاق
تحسين PandasAI لتصور البيانات عن طريق استخدام الذكاء الاصطناعي الخلاق لتوصية أنماط تصور الأنسب لمجموعة البيانات الخاصة بك. بدلاً من التساؤل حول أي مخطط أو رسم بياني يجب استخدامه، يمكنك الحصول على توصيات مبتكرة تساعدك على الاستفادة القصوى من بياناتك.
على سبيل المثال:
response = pandas_ai.run(df, "Which data visualization do you recommend for this data?")
print(response)يمكنك رؤية في الناتج أدناه أن البيانات قد تم تصويرها بالطريقة التي يعتقد محرك الذكاء الاصطناعي أنها الأفضل.
حالة استخدام الواقعية: الذكاء الاصطناعي الخلاق في التوقعات المالية
دعونا نلقي نظرة على حالة استخدام الواقعية لـ PandasAI. يمكن أن تتجاوز مجرد تحليل بيانات أسعار الأسهم السابقة؛ يمكنها محاكاة مواقف مستقبلية بناءً على اتجاهات السوق، وأداء الشركة، والأحداث العالمية.
يمكننا استخدام نماذج خلقية لإنشاء مجموعة من الأسعار المستقبلية المحتملة، معتبرين التقلبات ومؤشرات السوق الأخرى. هذا النهج الشامل والاتجاهي يسمح للمستثمرين والمحللين بالتحضير بشكل أفضل للنتائج المالية، مما يجعل الذكاء الاصطناعي الخلاق سلعة لا مفر منها في التوقعات المالية.
بانداس مقابل بانداس آي: خيار الذكاء الاصطناعي الخلاق
بينما بانداس هو مكتبة معروفة يستخدمها العديد من الناس لمعالجة وتحليل البيانات، بانداس آي يأخذها إلى مستوى أبعد من ذلك عن طريق دمج قدرات الذكاء الاصطناعي الخلاق. مع بانداس التقليدي، قد تكتب الكود لتصفية، تحويل، وتصور البيانات، لكنك مقيد بالبيانات التي لديك بالفعل.
على النقيض من ذلك، يمكن لـ PandasAI توليد رؤى جديدة وتصورات وحتى التلاعب بالبيانات بناءً على محفزات اللغة الطبيعية. يمكن لمحرك الذكاء الاصطناعي الخلاق تقديم تحليلات من الصعب ترميزها يدويًا. تخيل سؤالك لبياناتك: “ما هو العائد المحتمل للربع القادم؟” والحصول على تقرير مولد كإجابة – هذه هي قوة PandasAI.
ملاحظة: لقد تعرضنا لمجموعة متنوعة من المحفزات التي يمكن لـ PandasAI قبولها. إذا جربت محفزاتك الإبداعية، فقط تحذير بسيط أن بعضها قد يسبب أخطاء. هنا رابط لخير موضوع يساعد في استكمال ذلك: Crash “Invalid input data. Must be a Pandas or Polars data frame” on the “row” question.
الخاتمة
لا يقتصر PandasAI على أداة لتلاعب البيانات؛ بل هو خطوة هامة في تحليل البيانات بفضل قدرات الذكاء الاصطناعي الخلاقة. يتجاوز قيود الإطارات التحليلية التقليدية من خلال العمل ليس فقط مع بياناتك ولكن فهمها لتوليد رؤى جديدة.
من ملء الفجوات في مجموعات البيانات إلى توقعات سوق المال، الاحتمالات لا حصر لها. مع تحولنا نحو مستقبل يزداد تعقيد البيانات، يصبح القدرة على توليد رؤى هادفة منها حاسمة. يوفر PandasAI لمحة إلى ذلك المستقبل، فرصة ترغب في استكشافها.
الموارد الإضافية
- برنامج تعليمي آخر مثير على PandasAI: مكتبة PandasAI من OpenAI
- الوثائق الرسمية: PandasAI
Source:
https://dzone.com/articles/harnessing-generative-ai-in-data-analysis-with-pan