服务
用ChatGPT做数据分析指南：新手也能上手的公共数据分析
朴正根
2023-07-11
2 分钟阅读
#ChatGPT
本文介绍如何借助ChatGPT，让新手也能轻松完成公共数据分析，并通过实际数据分析案例说明在实务中的应用方法。
独自做MVP/服务，为什么这么难？ 2025年6月16日
数据分析很重要，想必大家已经从各种渠道听说过了。这次我们之所以要做分析，是为了在大家打造Product时建立依据，
因此开展数据分析。
在打造Product的过程中，可能会对自己的产品和功能产生怀疑；如果未能达成计划中的目标（KPI等），团队成员的士气和信心也可能受挫。因此，主要目的是尽可能减少早期的外部变量。
当然，80%以上的首个Product都以失败告终。我想强调的是，在这一过程中根据用户意见进行Develop更为重要。
接下来将简单介绍查找、处理和分析数据的方法。
首先，在分析数据之前有一些需要设置的要素，这部分内容将在之后介绍。（如果比较着急，建议请ChatGPT推荐下面这2个要素）
这次将重点介绍：借助ChatGPT，即使不亲自编写代码，也能完成数据分析。
关于这部分内容，当然也可以借助GPT轻松确认。
首先，我查阅了多份公共数据，想分析它们之间是否存在关联，但数据之间用于共同关联的“年度”“地区”等大多不一致，因此很难进行分析。
此外还有很多其他数据，建议大家一定试着加以利用。
基于从上述首尔开放数据广场下载的数据，为了进行分析，我提出了如上请求。
但遗憾的是出现了错误代码，于是我也就此询问了ChatGPT，
它非常耐心地说明了出错原因，并给出了修正后的代码。
接着，我想知道数据是否真的合并好了，于是请它提供可以确认这一点的代码，
所幸确认数据都正常显示。
查看数据时发现，2016年度数据中的“件数差”为NaN值，因此判断排除2016年度的数据更好，并据此做了修改。
可是这时又出现了错误，于是请GPT帮忙修正。
我想了解“件数差”（生态里程加入件数的增长量）与“每件当年碳排放差”（个人碳排放量的增长量）之间的关联，因此提出了如下问题。
相关系数为“-0.38”，因此判断两者之间存在相关性，但较弱（相关系数介于-1到1之间，越接近-1或1，相关性越强）。
更进一步，我还想通过图表查看，于是得到了如下结果。
对于第一次做数据分析的读者来说，我这次写的内容可能有些难度。如有任何疑问，欢迎随时留言:)
如果您想知道哪些工作可以交给AI，
通过2分钟诊断，即可确认当下最应该优先结构化的环节。按您方便的程度作答即可。
Engagement
浏览和互动会保存为内部内容运营指标。
0 views
要点
- •文章说明了制作产品时需要数据分析的原因：在对功能产生疑虑、目标未达成而动摇的情况下，用以减少早期的外部变量。
- •查看多份公共数据后发现，“年度”“地区”等标准彼此不同，难以进行关联分析，最终选择了标准一致的数据进行分析。
- •在合并数据的过程中，每次出现错误都向ChatGPT询问原因并请它给出修正代码加以解决，同时也请它提供用于确认合并结果是否正确的代码。
- •2016年度数据中的“件数差”一项为NaN（空值），因此采取将该年度排除在分析之外的方式进行了处理。
- •生态里程（Eco Mileage）加入件数增长量与每件碳排放增长量的相关系数为-0.38；依据相关系数的取值范围为-1~1，判断为弱相关，并通过图表进行了确认。
常见问题
不会编程，也能用ChatGPT做数据分析吗？
作者没有亲自编写代码，而是通过向ChatGPT提出请求的方式完成了数据合并与分析。出现错误时，直接把错误内容拿去提问，获得原因说明和修正后的代码后继续推进。不过，文章中也补充说明，对于初次接触数据分析的读者，部分内容可能较难理解。
分析公共数据时，最先遇到的障碍是什么？
在尝试将多份公共数据放在一起查看时，“年度”“地区”等基准项目因数据而异，难以关联。此外还存在特定年度的数值为NaN（空值）的缺失值问题，这种情况下采取了排除该年度的方式处理。
相关系数-0.38应如何解读？
相关系数的取值在-1到1之间，越接近-1或1，相关性越强。文章针对-0.38这一结果，判断为相关性虽弱但确实存在，并且没有止步于数值，还通过图表确认了分布情况。
朴
朴正根
STAR-T首席顾问
作为IT服务规划和设计专家，我研究并分享来自各种初创公司和企业的成功案例。
立即行动
阅读之后，立即连接到可以执行的服务和咨询。
通过洞察理解问题后，下一步是确定执行结构。可以直接跳转到相关服务或免费咨询。