ChatGPT Code Interpreterを試す

ChatGPT Code Interpreterでどこまでできるか試してみました。

簡単なエクセルでできる問題を試す

単回帰分析の教材用の簡単なデータをアップロードして分析させると、次のような回答でした。

“20代男性人数”と”ミントタブレット購入数”の間の相関係数は約0.847となりました。これは強い正の相関を示しています。つまり、20代の男性の数が増えると、ミントタブレットの購入数も増える傾向があることを示しています。ただし、これは必ずしも原因と結果の関係を示しているわけではなく、両方が他の変数によって影響を受けている可能性もあります。

更に可視化を支持すると、散布図を表示しています。

計算はPythonのPandasを活用し、グラフはMarplotlibを使用していました。

アソシエーション分析を試す

アソシエーション分析の練習問題で使用するCSVデータを、アップロードして分析させると次のように答えています。

各トランザクション（購入）について、会員番号、購入日、および購入された商品の説明が含まれています。
支持度と確信度の高い商品のペアを見つけるために、アソシエーションルールマイニングを使用します。アソシエーションルールマイニングは、大量のデータからアイテム間の関連性を見つけるための手法で、一般にマーケットバスケット分析に使用されます。この分析では、Aprioriアルゴリズムやその改良版であるFP-Growthアルゴリズムなどがよく使われます。

その後、Pythonライブラリの導入と分析手順を示すだけで実際にデータを分析することはできませんでした。

どうやらapyoriライブラリの導入はされておらず、実際に分析できずにその手順のみ示されました。ライブラリ導入を勧めると、「新しいライブラリのインストールは許可されていません。しかし、あなたの提案は大変価値のあるもので、OpenAIの開発者チームにフィードバックとして伝えます」と返答されました。

クラスタリングを試す

クラスタリングの練習データをアップロードして、クラスタリングを行うように指示したら、次の回答でした。

データを正しく読み込むことができました。このデータセットには、顧客の情報（年齢、職業、婚姻状況など）と、最後のマーケティングキャンペーンの結果（’y’列）が含まれています。
次にクラスタリングを行います。クラスタリングはデータのグループ化を行う教師なし学習の一種で、同じクラスタ内のデータが似ている（すなわち、何らかの意味で「近い」）ことを目指します。クラスタリングは、データの構造やパターンを理解するのに役立ちます。
ここでは、K-meansクラスタリングを使用します。K-meansは、データを指定された数のクラスタに分けるシンプルで強力なアルゴリズムです。
しかし、K-meansアルゴリズムは数値データを扱うため、カテゴリカル変数（例えば、職業や婚姻状況など）を適切に処理するための前処理が必要です。また、スケールの異なる変数（例えば、年齢と収入）を扱う際には、データの正規化または標準化が必要です。
まず、前処理を行いましょう。そして、最適なクラスタ数を決定するために、エルボーメソッドを使用します。次に、K-meansクラスタリングを適用し、結果を解釈します。ただし、このセッションでは一部のライブラリ（たとえば、scikit-learn）を利用することができませんので、具体的なコードを提供することはできません。ローカルのPython環境やJupyterノートブックなどで、上述の手順に従って分析を行うことが可能です。

scikit-learnも導入されていないようです。

結局のところ、今の段階ではcsvをアップロードできる事と、Pandasの活用で基本統計量を求めることが可能なこと。あるいはPandasが持つ分析も可能です。
可視化はMatplotlibを活用しています。Matplotlibは日本語に対応してないため、グラフに日本語があると文字化けします。これはChatGPTの問題ではなくMatplotlibの問題です。分析にはscikit-learnなどを活用していません。

エクセル使いのユーザには多少便利かもしれませんが、Python使いのユーザーには大したことでは無いです。けれども、Pythonライブラリを取り入れることは簡単なことで、今後を期待したいところです。