LLM实践系列：利用LLM重构数据科学流程03- LLM驱动的数据探索与清洗

第3章：LLM驱动的数据探索与清洗

在传统的数据科学流程中，数据探索与清洗是耗时最长、最依赖人工的环节。它就像是为一场盛大晚宴准备食材，需要仔细清洗、去皮、切块，容不得半点马虎。但如果有一个智能助手能帮你完成这些繁琐的工作，情况又会如何呢？

本章，我们将以一个预测客户流失的电商数据集为例，演示如何利用LLM作为你的“智能数据管家”，高效地完成数据探索与清洗。

案例背景：预测电商客户流失

假设我们拥有一个名为 customer_data.csv 的数据集，它包含以下字段：

• customer_id：客户唯一ID
• age：客户年龄
• city：客户所在城市
• join_date：注册日期
• last_purchase_date：最后一次购买日期
• total_spend：总消费金额
• churned：是否流失（1为流失，0为未流失）

我们希望用这些数据构建一个模型来预测客户流失，而首要任务就是对数据进行清洗和准备。

1. 初步探索：让LLM发现数据中的“脏东西”

传统做法：

数据科学家会手动编写代码，例如使用 df.info() 或 df.isnull().sum() 来查看数据类型和缺失值情况。

LLM驱动的做法：

我们将跳过繁琐的编程，直接向LLM提问。

你的提问：

“我有一个关于电商客户的数据集，字段有：customer_id, age, city, join_date, last_purchase_date, total_spend, churned。你能帮我分析一下这份数据可能存在哪些问题，并提供数据清洗的建议吗？”

LLM的回答（示例）：

LLM会根据其对数据科学的知识，给出如下分析：

“根据你的描述，数据可能存在以下问题：

1. 缺失值：age和total_spend可能存在缺失值，需要检查。
2. 数据类型不正确：join_date和last_purchase_date可能是字符串格式，需要转换为日期时间类型。
3. 异常值：age和total_spend中可能存在不合理的极端值，例如年龄为负数或消费金额为零的情况。

清洗建议：

• 对于缺失值，age可以用中位数或均值填充；total_spend可以考虑用0填充（如果缺失代表没有消费）。
• 对于日期列，使用 pd.to_datetime 函数进行转换。
• 对于异常值，需要根据业务逻辑判断后进行处理。”

LLM的分析不仅全面，而且充满了“人情味”，它知道数据科学家通常会遇到的问题。

---

2. 代码生成：将建议转化为行动

传统做法：

在得到清洗建议后，数据科学家需要根据这些建议，手动编写代码。

LLM驱动的做法：

我们只需要告诉LLM我们的决定，它就能立即生成代码。

你的提问：

“好的，我决定：对于total_spend的缺失值，用0进行填充；join_date和last_purchase_date列需要转换为日期时间类型。请为我生成Python代码。”

LLM的回答（示例，提供代码块）：

Python

import pandas as pd# 假设你的数据已经加载到名为df的DataFrame中
# df = pd.read_csv('customer_data.csv')# 处理total_spend列的缺失值，用0填充
df['total_spend'] = df['total_spend'].fillna(0)# 将日期列转换为日期时间类型
df['join_date'] = pd.to_datetime(df['join_date'])
df['last_purchase_date'] = pd.to_datetime(df['last_purchase_date'])print("数据清洗完成！")

通过这种方式，LLM将繁琐的编码工作完全自动化。你不需要记住复杂的API语法，只需要用最自然的语言告诉LLM你的需求。

3. 结果验证：LLM的反馈与协作

传统做法：

在执行完清洗代码后，你需要再次运行 df.info() 和 df.isnull().sum() 来验证结果。

LLM驱动的做法：

LLM不仅能生成代码，还能帮你理解和验证结果。

你的提问：

“我执行了上面的代码，现在想验证一下是否处理成功。请帮我写一个验证脚本。”

LLM的回答（示例）：

Python

# 再次检查total_spend的缺失值
print("total_spend缺失值数量：", df['total_spend'].isnull().sum())# 检查日期列的数据类型
print("join_date数据类型：", df['join_date'].dtype)
print("last_purchase_date数据类型：", df['last_purchase_date'].dtype)

通过这一系列交互，LLM成为了一个高效的协作伙伴，不仅提供了解决方案，还帮助你验证了结果。它将原本耗时的人工任务，转变为一个高效、智能且可重复的对话过程。这正是LLM重塑数据科学流程的开端。