能发光发热的地方很多,各种场景化功能也不断地被挖出来,比如写文案、写论文、写代码、、数据分析、情感咨询、科研分析等等,让AI真正地有“智慧”了,而不是传统语音助手式得“人工”智能。

我最近常用来辅助写代码,以及自动化实现一些办公场景,发现它真的非常好用。

下面以和SQL编程为例,你只需要提,让来实现代码功能。

代码

代码一直是很费时间的事,即使编译器给出了错误提示,你有时候也很难快速找到的方法, 所以会去百度、谷歌,查等各种网站找解决方案。

但是能快速定位代码的bug,并给出解决方案,或者它可以改写低效率的代码,给出更优的方案。

以代码为例,让识别里面的语法错误(这个很简单,不能除以0)

def f(a,b):
    print(a/b)
f(4,0)

对于非语法错误,会给出合适的实现方法,我们使用递推法写个斐波那契数列,但发现并没有输出正确的斐波那契数列,让给出解法。

def fib_next(n):
    a = 0
    b = 1
    for _ in range(n):
        a, b = a+b, b
    return a
if __name__ == '__main__':
    for i in range(1,9):
        print(fib_next(i),end=',')

这段代码输出了1,2,3,4,5,6,7,8,显然不是斐波那契数列

能力很强,对于常见的语法错误,基本都能识别出来,能节省开发者大量的检索时间。

代码翻译为R语言

有时我们需要将一种编程语言代码转换为另一种编程语言来实现,比如在项目迁移时或者开发者切换时,这会费很大的功夫。

因为能在各种编程语言间自由穿梭,所以代码翻译是它的强项,下面举个例子,将一段建模的代码翻译为R语言。

该代码是一个分类模型,对产品不合格品进行检测。

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 创建虚拟数据集
data = {
    '硬度': [60, 70, 65, 55, 75, 80, 85, 90, 95, 100],
    '重量': [100, 120, 110, 90, 130, 150, 160, 170, 180, 190],
    '尺寸': [5, 6, 5.5, 4.5, 6.5, 7, 7.5, 8, 8.5, 9],
    '合格': [1, 1, 1, 0, 1, 1, 1, 0, 0, 0]  # 合格:1,不合格:0
}
df = pd.DataFrame(data)
# 分割特征和目标
X = df[['硬度', '重量', '尺寸']]
y = df['合格']
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建决策树分类器
classifier = DecisionTreeClassifier()
# 拟合模型
classifier.fit(X_train, y_train)
# 进行预测
y_pred = classifier.predict(X_test)
# 计算模型准确性
accuracy = accuracy_score(y_test, y_pred)
print(f'模型准确性:{accuracy * 100:.2f}%')

可以看到完美地将分类模型代码翻译为R语言代码,保持了原有数据和功能,非常的清晰。

你可以尝试将翻译为任何其他编程语言,会节省你很多开发时间。

编写代码文档

在正规的项目开发中,都需要为代码编写代码文档,方便查看和维护。

可以为你编写代码文档,你只需要在这个基础上做补充和完善,非常的方便。

以上面分类模型代码为例,我们让编写代码文档,看看效果如何。

还是不错完成了代码文档的编写,将该代码的功能和实现步骤都体现了出来,而且格式也比较规范。

编写SQL查询语句

写SQL是数据从业者几乎每天要做的事情,有的查询比较复杂,会占用大量的时间,有了后只需要提出数据查询需求,它便可以输出查询代码,你只需要在这个基础上稍作个性化修改,便可以直接用起来。

写SQL代码的好处是,它能高效的做代码优化,给出较优的逻辑和用法,特别对于SQL新手来说很是方便。

这里准备了一个查询场景:

查询的数据是用户网站浏览数据,包含用户ID、登录天数、UV、PV等字段,需要查询登录天数、UV、PV均大于中位数的用户

具体代码:

SELECT UserID
FROM UserWebsiteData
WHERE LoginDays > (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY LoginDays) FROM UserWebsiteData)
    AND UV > (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY UV) FROM UserWebsiteData)
    AND PV > (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY PV) FROM UserWebsiteData);

确实没有什么毛病,虽然是逻辑较为简单的查询,但是代码数量却不少,对于这种耗费体力的SQL查询使用能很好的解决。

优化SQL查询语句

很多SQL新手写代码不考虑查询性能,导致查询速度非常慢,如果是自己使用还好,要是放到调度里则会浪费资源。

可能帮你优化SQL查询代码,以下是示例代码,使用了子查询,看看如何优化

SELECT * FROM t1 WHERE id (SELECT id FROM t2 WHERE name = 'chackca');

给出两条建议,一是使用INNE,二是为相关列添加索引,可以加速查询。

懂SQL的人基本都会使用这两个方法去优化查询,给出的建议还是非常中肯的。

结论

上面只讲到辅助编程的冰山一角,可以帮助你高效编程,大大节省代码时间和提升代码质量,我觉得是可以好好去利用的。

用好比你去上什么编程课程要有用百倍,它比市面上很多编程老师要厉害的多。

后面我会继续分享辅助编程实现一些自动化的场景,比如:

你如果有什么心得也可以在评论区秀一下