01.阅前了解事项

A.本文仅个人观点，仅供参考

B.本文演示为ChatGPT plus版

C.文中演示指令已整理成word

D.word文档在文末有获取方式

02.GPT的数据分析

由于近期OpenAI对于plus用户开放了GPT-4o的图表交互模式，使得我们让其数据分析变得更加简单。所谓的图表交互模式，就是让我们可以和图表进行对话。这里作者来针对GPT的数据分析能力做一个测试，看其是否可以分析正确。我们需要获取一份实验数据，但是由于作者手里没有现成可演示的数据。于是作者先是利用上篇文章的实验设计，模拟出符合研究假设的数据。然后再将这一数据重新发给新的GPT对话，并让其分析。然后我们对比GPT的分析结论是否符合刚开始的研究假设，以此判断ChatGPT的数据分析能力。下面是操作的流程。

0.2.1.测试中的实验

研究问题：咖啡醇溃疡性结肠炎泛凋亡方向

研究假设：咖啡醇能够减轻溃疡性结肠炎小鼠模型的临床症状

实验设计：该研究问题及研究假设的实验设计，在文章【发表SCI】利用ChatGPT制定详细的研究实验设计，并辅助数据收集【附指令】中有具体展示。(点击蓝色字体可跳转该文章)

数据模拟：由于作者不具备真实实验的条件，于是作者利用ChatGPT根据上述的研究问题和实验设计，模拟反推出符合研究假设的数据。也就是演示中的数据集，是ChatGPT模拟出来的，是符合上述研究假设的数据。如下图所示：

关于ChatGPT的数据模拟，后期作者会单独写一篇文章介绍该如何使用。

02.2.测试具体流程

流程一：为了确保ChatGPT偷懒，作者将重新打开一个GPT对话，并要求GPT清除之前的记忆，防止ChatGPT利用记忆直接给出结论。

流程二：上传数据集附带分析指令。

流程三：分析ChatGPT对于数据集的分析，是否符合上述的研究假设。因为该数据是根据研究假设模拟生成。如果ChatGPT的分析结论符合研究假设，那么表示其数据分析能力合格。如果ChatGPT的分析结论不符合研究假设，那么表示其数据分析能力不合格。下图为ChatGPT对于数据集的分析截图：

通过上面截图可以看出，ChatGPT根据数据集的分析，完全符合上述的研究假设：咖啡醇能够减轻溃疡性结肠炎小鼠模型的临床症状。这也表明ChatGPT的数据分析能力是合格的。

03.GPT的数据绘图

ChatGPT可以根据我们的数据，绘制出折线图、柱状图、堆积柱状图、水平条形图、饼图、散点图、气泡图、箱线图、热力图、直方图、面积图、雷达图、堆积面积图、瀑布图、树图、桑基图、词云图、地理图等等。下面我们依旧使用上述模拟出的数据来给大家做演示。

上图可以看出，ChatGPT给出图片还算是精美的。并且ChatGPT生成的图表可以下载，还可以交互式调整图表中的参数以及格式，如果有需要，也可以让其给出具体的绘制代码。但是数据可视化绘图的过程中，我们对于指令的描述要具体详细。有时我们不管是让其分析，还是让其绘制图表，第一次得到回复可能是错误的。这时我们需要不断地修改描述，以此得到最佳的结果。