搜索到
28
篇与
的结果
-
学术研究常用GPTs 学术研究常用GPTs 一、大模型在学术研究中的角色和价值1.文献搜索和综述2.研究选题3.数据获取4.数据处理与分析5.辅助编程与模型构建6.学术写作与编辑7.教学与学习辅助8.创意生成与理论探索9.自动化研究工具二、GPT Store简介三、常用GPTs1.Consensus 2.Scholar GPT 3.Scholar AI 4.Ai PDF5.Ask Your PDF 6.Advanced Data Analysis 7.WebPilot8.Scraper 9.Code Copilot 10.Wolfram 11.DALL· E 12.ChatGPT 4o 三、定制专属GPT一、大模型在学术研究中的角色和价值大模型在学术研究中扮演着多种重要角色，并具有显著的价值：1.文献搜索和综述GPT可以帮助研究人员进行高效的文献搜索和综述。通过输入研究主题或关键字，GPT能够快速定位相 关文献，并总结出其中的关键点和趋势。这不仅节省了研究人员大量的时间，还能帮助他们更全面地了 解研究领域的发展现状和主要争议点。2.研究选题在选择研究课题时，GPT可以提供灵感和建议。根据用户的研究兴趣和背景，GPT可以生成一系列潜在 的研究问题，并评估这些问题的可行性和创新性。这有助于研究人员找到具有前瞻性和实际意义的研究 方向。3.数据获取GPT在数据获取方面也有重要作用。通过与网络爬虫和API的结合，GPT可以帮助研究人员从互联网上收 集大量数据。这些数据可以包括文本、图像、音频等各种形式，满足不同研究的需求。4.数据处理与分析数据处理与分析是学术研究中的关键环节。GPT可以通过编写和优化数据处理脚本，帮助研究人员进行 数据清洗、预处理和可视化。同时，GPT还可以应用机器学习和统计分析方法，对数据进行深入分析， 揭示潜在的模式和规律。5.辅助编程与模型构建GPT具有强大的编程辅助能力。它可以生成代码片段、调试程序、优化算法，并帮助研究人员构建复杂 的模型。例如，在深度学习研究中，GPT可以提供网络架构设计建议，并生成相应的代码实现。6.学术写作与编辑学术写作是研究成果展示的重要方式。GPT可以辅助研究人员进行论文撰写，提供段落、摘要和结论的 建议，优化语言表达，提高文章的逻辑性和可读性。此外，GPT还可以帮助编辑和校对文稿，确保学术 论文符合格式要求和语言规范。7.教学与学习辅助GPT在教学和学习中同样具有重要价值。它可以生成教学材料、设计课程内容、提供教学案例，并回答 学生的疑问。对于自学者来说，GPT可以根据学习进度和需求，提供个性化的学习建议和资源。8.创意生成与理论探索GPT具有创造性思维，能够帮助研究人员在理论探索和假设生成过程中提供新的视角和灵感。通过对已 有知识的整合和延展，GPT可以提出创新性的理论框架和研究假设，推动学术研究的进步。9.自动化研究工具GPT可以作为自动化研究工具的一部分，提升研究效率。例如，GPT可以自动生成实验报告、数据分析 结果和文献综述，减少重复性工作，让研究人员有更多时间专注于创造性研究。综上所述，GPT在学术研究中的角色和价值是多方面的。它不仅能提高研究效率，促进知识创新，还能 在数据处理、学术写作和教学等各个环节提供重要支持。随着技术的发展，GPT在学术研究中的应用前 景将更加广阔。二、GPT Store简介GPT Store最初由Sam Altman在去年11月6号开发者大会上发布。GPT Store是OpenAI旗下定制聊天机器人商城，里面将汇集用户为各种任务创建的聊天机器人。OpenAI把不同的应用类型区分成了多种： 图片生成、写作、效率类、数据分析、代码工具等等，可以满足普通人日常的工作需求。2024年1月10 日，OpenAI正式推出了GPT Store。对于用户来说，GPTs是设置了特定提示语的GPT，可以帮我们完成特定的任务。你只需要直接输入你的问题即可，不需要编写复杂的提示词了，对于使用者的门槛就大大降低了对于开发者来说，无需繁琐的编程，只需通过轻松的对话，你便能打造出一个独具匠心的GPT，既 能分享心得，亦可自用。开发者无需任何代码，全程支持可视化点击操作，只需要提交对话指令、 额外的知识数据，然后选择是否需要网络搜索、数据分析和图片生成等多模态功能，就能快速开发 法律、金融、医疗等特定领域的ChatGPT助手如何用各种GPTs 询问GPT能帮你完成什么任务？How can I use this GPT？What can you do?你能帮我做什么？你能帮我完成什么任务？三、常用GPTsConsensus主要是为了解决ChatGPT给文献胡说八道的问题，针对主题可以给出真实文献Scholar GPTScholar GPT充当学术研究助理，利用Google Scholar 和其他知名学术资源提供有关广泛学术主题的准确而全面的信息Scholar AI针对主题帮你找到相关文献并总结摘要呈现给你Ai PDF提供pdf文档总结功能，单个文档可以达到2GB，一本书的容量。因此用来速读一本书很合适Ask Your PDF与pdf交谈，括对内容的特定查询、总结文档或创建知识库添加参考文献为这个学术论文添加最近的10个参考文献Advanced Data Analysis数据分析神器分析鸢尾花数据对该数据进行探索性分析对该数据进行相关性分析WebPilot过去gpt没有联网功能，可以通过这个gpt进行联网Scraper爬虫Code Copilot代码优化、解释和测试等Wolfram能够有效解决数学方程、文字问题、绘制图形和图表，甚至查找特定计算工作所需的数据DALL· E图片生成ChatGPT 4o支持多模态的输入三、定制专属GPT两种方式创建：使用 “Create”通过 Prompt 来定制使用“Configure”直接定制：可以提交本地知识本地知识的作用：在创建专属GPT时，本地上传知识库的作用是为你的GPT提供一个特定领域或内容的知识来源，从 而帮助其更精准地回答与该知识库相关的问题。具体来说，本地上传的知识库可以包括你希望GPT 掌握的文档、数据集、文件或资料，这些内容将作为专属GPT的参考信息。通过上传知识库，你可 以：定制化回答：GPT会根据你上传的资料生成与内容相关的回答，使得回答更符合实际需求。提高准确性：对于一些专业性较强或特定领域的内容，上传的知识库可以帮助GPT更准确地提供解 答，避免依赖通用知识库中的信息。覆盖特定领域：如果你有某些领域的专门信息（如公司内部文档、行业报告等），上传这些文件能 让GPT掌握并解答相关领域的专业问题。总体来说，上传知识库就是给GPT提供专门的背景资料，提升其在特定任务中的表现。 案例：定制一个英文翻译和回答GPT -
-
第4章 列表、元组 本章教学目标：熟练掌握列表和元组的概念；熟练掌握列表和元组提供的常用方法；熟练掌握常用内置函数对列表和元组的操作；熟练掌握列表和元组支持的运算符；熟练掌握列表推导式的语法和应用；理解列表与元组的相同点与不同点；熟练掌握生成器表达式的语法和应用；熟练掌握切片操作；熟练掌握序列解包的语法和应用。4.1 列表教学内容：列表创建与删除；列表元素访问；列表常用方法；列表对象支持的运算符；内置函数对列表的操作。教学重点：列表方法，列表对运算符与内置函数的支持。习题：1、2、3、4、5、6、9、11、124.2 列表推导式语法与应用教学内容：列表推导式语法。4.3 元组与生成器表达式教学内容：元组创建与元素访问，元组与列表的区别，生成器表达式。教学重点：元组与列表的区别。习题：7、8、104.4 切片语法与应用教学内容：切片。教学重点：切片语法中三个数字的含义，使用切片访问列表、元组、字符串中的部分元素。习题：134.5 序列解包教学内容：序列解包的不同形式。教学重点：序列解包的本质是同时为多个元素赋值。习题：14、15、16、17实验项目2：抓狐狸游戏2
-
任务3.2 掌握DataFrame的常用操作 # 代码3-9 from sqlalchemy import create_engine import pandas as pd # 创建数据库连接 engine = create_engine('mysql+pymysql://root:1234@127.0.0.1:3306/testdb?charset=utf8') musicdata = pd.read_sql_table('musicdata', con=engine) print('音乐行业收入信息表的索引为：', musicdata.index) print('音乐行业收入信息表的所有值为：\n', musicdata.values) print('音乐行业收入信息表的列名为：\n', musicdata.columns) print('音乐行业收入信息表的数据类型为：\n', musicdata.dtypes) # 代码3-10 # 查看DataFrame的元素个数、维度数、形状 print('音乐行业收入信息表的元素个数为：', musicdata.size) print('音乐行业收入信息表的维度数为：', musicdata.ndim) print('音乐行业收入信息表的形状为：', musicdata.shape) # 代码3-11 print('音乐行业收入信息表转置前形状为：', musicdata.shape) print('音乐行业收入信息表转置后形状为：', musicdata.T.shape) # 代码3-12 # 使用字典访问的方式取出musicdata中的某一列 format = musicdata['format'] print('音乐行业收入信息表中的format的形状为：', format.shape) # 代码3-13 # 使用访问属性的方式取出musicdata中的number_of_records number_of_records = musicdata.number_of_records print('音乐行业收入信息表中的number_of_records的形状为:', number_of_records.shape) # 代码3-14 metric5 = musicdata['metric'][:5] print('音乐行业收入信息表中的metric前5个元素为：\n', metric5) # 代码3-15 format_metric = musicdata[['format', 'metric']][:5] print('音乐行业收入信息表中的format和metric前5个元素为：\n', format_metric) # 代码3-16 musicdata5 = musicdata[:][1:6] print('音乐行业收入信息表的1～6行元素为：\n', musicdata5) # 代码3-17 print('音乐行业收入信息表中前5行数据为:\n', musicdata.head()) print('音乐行业收入信息表中后5行元素为：\n', musicdata.tail()) # 代码3-18 format1 = musicdata.loc[:, 'format'] print('使用loc()方法提取format列的size为：', format1.size) format2 = musicdata.iloc[:, 3] print('使用iloc()方法提取第3列的size为：', format2.size) # 代码3-19 format_metric1 = musicdata.loc[:, ['format', 'metric']] print('使用loc()方法提取format和metric列的size为：', format_metric1.size) format_metric2 = musicdata.iloc[:, [1, 3]] print('使用iloc()方法提取第1和第3列的size为：', format_metric2.size) # 代码3-20 print('列名为format和metric的行名为3的数据为：\n', musicdata.loc[3, ['format', 'metric']]) print('列名为format和metric行名为2,3,4,5,6的数据为：\n', musicdata.loc[2: 6, ['format', 'metric']]) print('列位置为1和3，行位置为3的数据为：\n', musicdata.iloc[3, [1, 3]]) print('列位置为1和3，行位置为2,3,4,5,6的数据为：\n', musicdata.iloc[2: 7, [1, 3]]) # 代码3-21 # 传入表达式 print('musicdata中metric为“Units”的format为：\n', musicdata.loc[musicdata['metric'] == 'Units', ['format', 'metric']]) print('musicdata中metric为“Units”的第1、4列数据为：\n', musicdata.iloc[musicdata['metric'] == 'Units', [1, 4]]) # 代码3-22 print('musicdata中metric为“Units”的第1、4列数据为：\n', musicdata.iloc[(musicdata['metric'] == 'Units').values, [1, 4]]) # 代码3-23 # 将format值为CD的变换为数值1 print('更改前musicdata中format为CD的数据为：\n', musicdata.loc[musicdata['format'] == 'CD', 'format']) musicdata.loc[musicdata['format'] == 'CD', 'format']=1 print('更改后musicdata中format为1的数据为：\n', musicdata.loc[musicdata['format'] == 1, 'format']) # 代码3-24 # 转换为时间序列数据 dates = pd.to_datetime(musicdata['date']) # 建立月份列 musicdata['month'] = dates.map(lambda x: x.month) # 查看前5行 print('musicdata新增列month的前5行为：\n', musicdata['month'].head()) # 代码3-25 musicdata['day'] = 15 print('musicdata新增列day的前5行为：\n', musicdata['day'].head()) # 代码3-26 print('删除day前musicdata的列索引为：\n', musicdata.columns) musicdata.drop(labels='day', axis=1, inplace=True) print('删除day后musicdata的列索引为：\n', musicdata.columns) # 代码3-27 print('删除1～3行前musicdata的长度为：', len(musicdata)) musicdata.drop(labels=range(1, 4), axis=0, inplace=True) print('删除1～3行后musicdata的长度为：', len(musicdata)) # 代码3-28 import numpy as np print('音乐行业收入信息表中number_of_records的平均值为：', np.mean(musicdata['number_of_records'])) # 代码3-29 print('音乐行业收入信息表中number_of_records的平均值为：', musicdata['number_of_records'].mean()) # 代码3-30 print('音乐行业收入信息表value_actual的描述性统计为：\n', musicdata['value_actual'].describe()) # 代码3-31 print('音乐行业收入信息 表format频数统计前6行结果为：\n', musicdata['format'].value_counts()[:6]) # 代码3-32 musicdata['metric'] = musicdata['metric'].astype('category') print('音乐行业收入信息表metric列转变数据类型后为：', musicdata['metric'].dtypes) # 代码3-33 print('音乐行业收入信息表metric的描述统计结果为：\n', musicdata['metric'].describe())
-
任务3.1 读写不同数据源的数据 # 代码3-1 import pandas as pd # 使用read_table函数读取音乐行业收入信息表 musicdata = pd.read_table('../data/musicdata.csv', sep=',', encoding='gbk') print('使用read_table函数读取音乐行业收入信息表的长度为：', len(musicdata)) # 使用read_csv函数读取音乐行业收入信息表 musicdata1 = pd.read_csv('../data/musicdata.csv', encoding='gbk') print('使用read_csv函数读取音乐行业收入信息表的长度为：', len(musicdata1)) # 代码3-2 # 使用read_table函数读取音乐行业收入表，sep=';' musicdata2 = pd.read_table('../data/musicdata.csv', sep = ';', encoding='gbk') print('当分隔符为;时，音乐行业收入信息表为：\n', musicdata2) # 使用read_csv函数读取音乐行业收入信息表，header=None musicdata3 = pd.read_csv('../data/musicdata.csv', sep=',', header=None, encoding='gbk') print('当header为None时，音乐行业收入数据信息表为：\n', musicdata3) # 使用UTF-16编码读取音乐行业收入信息表 musicdata4 = pd.read_csv('../data/musicdata.csv', sep=',', encoding='utf-16') print('encoding为"utf-16"时音乐行业收入数据信息表为：\n', musicdata4) # 代码3-3 import os print('音乐行业收入信息表写入文本文件前目录内文件列表为：\n', os.listdir('../tmp')) # 将musicdata以csv格式存储 musicdata.to_csv('../tmp/musicdataInfo.csv', sep=';', index=False) print('音乐行业收入信息表写入文本文件后目录内文件列表为：\n', os.listdir('../tmp')) # 代码3-4 # 读取musicdata.xlsx文件 musicdata = pd.read_excel('../data/musicdata.xlsx') print('音乐行业收入信息表长度为：', len(musicdata)) # 代码3-5 print('音乐行业收入信息表写入Excel文件前，目录内文件列表为：\n', os.listdir('../tmp')) musicdata.to_excel('../tmp/musicdata.xlsx') print('音乐行业收入信息表写入Excel文件后，目录内文件列表为：\n', os.listdir('../tmp')) # 代码3-6,没有办法直接运行，因为没有配置好环境。 from sqlalchemy import create_engine # 创建一个MySQL连接器，用户名为root，密码为1234 # 地址为127.0.0.1，数据库名称为testdb，编码为UTF-8 engine = create_engine('mysql+pymysql://root:1234@127.0.0.1:3306/testdb?charset=utf8') print(engine) # 代码3-7 # 使用read_sql_query函数查看testdb中的数据表数目 musicadatalist = pd.read_sql_query('show tables', con=engine) print('testdb数据库数据表清单为:\n', musicadatalist) # 使用read_sql_table函数读取音乐行业收入信息表 musicdata = pd.read_sql_table('musicdata', con=engine) print('使用read_sql_table函数读取音乐行业收入信息表的长度为:\n', len(musicdata)) # 使用read_sql函数读取音乐行业收入信息表 musicdata = pd.read_sql('musicdata', con=engine) print('使用read_sql函数读取音乐行业收入信息表的长度为:\n', len(musicdata)) # 代码3-8 # 使用to_sql()方法存储musicData musicdata.to_sql('test1', con=engine, index=False, if_exists='replace') # 使用read_sql函数读取test表 formlist1 = pd.read_sql_query('show tables', con=engine) print('新增一个表格后，testdb数据库数据表清单为：\n', formlist1)
