本文主要是介绍【玩转TableAgent数据智能分析】——个人体验分享，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 前言
- 上手体验
- 优势
- 不足
- 再次体验
- 第三次体验
- 第四次体验
- 1、找到高价房源和低价房源的特点，看清民宿行业的整体布局
- 2、了解各个地域的整体价格，优选潜力城市
- 3、对比各个城市的评分，深入了解不同城市的民宿市场特点
- 4、对比不同床型价格，确定民宿床型
- 5、结论
- 总结
前言
TableAgent作为新AI时代的数据分析智能体，其功能强大，用途广泛，它给我的第一感觉简直就是数据分析方面的达摩克利斯之剑。本文简单分享一下自己对该平台的一些使用体验，感觉拿来处理、分析各种数据应该会是一个不错的选择。👀
TableAgent体验入口
上手体验
- 我上传了一张含有全国各民族、性别的人口数量的数据文件，然后我希望得到一张男女不同年龄阶段的人口数量的条形图（如下图第二张自己绘制的图片），并给出一定的分析。看一下平台作出的反馈。
- TableAgent读取的数据以及提问的内容
优势
- 首先令我令我眼前一亮的地方就是在一开头它会给出代码的思维导图——
Data Graph，可以说是非常的简洁明了，有的时候一些比较困难的数据处理任务可能会让他卡壳，但是这种数据流的形式确实能带来不错的效果。
-整个回答的层次也是非常全面：试了几个基本都是按照Data Graph → \xrightarrow{ } Alaya → \xrightarrow{ } Action → \xrightarrow{ } Observation 给出回答的。
不足
- 最后给出的回答说女性数据为空，（非常奇怪，因为他读取的数据确实是有的，不清楚是什么问题😦），所以最后给出的答案也就不太准确。
- 可能它也觉得有问题，所以第一次生成答案之后自动又回答的一次。不过，遗憾的是两次回答的都有问题。
再次体验
- 这次使用平台上自带的一些数据来重新体验一下。这次选择的是关于电影点评的一个数据。
- 我给出的需求是
按照评论字数从低到高重新排列数据，并找出所有的负面评论，并指出来。
前半部分其实比较好处理，常见的一些大模型应该都具备这个能力。后面设计情感分析的能力相对比较考验它的理解能力了。来看它的回答：
- 从回答中可以看出，在同时处理
评论字数和负面评论这两个关键词时貌似有些不妥，从评论内容来看对负面评论的筛选能力还是欠缺，但是在评论字数上，对于第一个问题的回答确实是没有问题、准确无误的。猜测可能提问内容涉及两个方向，回答优先级的问题导致后半部分被淡化了。于是这次单独提问看一下回答情况：
- 这次的结果非常不错，指出来的内容全部符合，这几个负面评论吐槽的还真是激烈啊，尤其是第二个，字少但攻击力拉满。而且还给出了问题之外的
负面评论集中的电影的恢复，可以说分析的比价全面了。不过这里得插一句，龙叔的十二生肖个人认为还是比较不错的，评价不好的我不赞同。😤
- 所以干脆来看看对十二生肖的负面评价到底有哪些内容：
- 回答筛选的内容还是比较全面的，至于这些具体的评论，留给大家去评价吧。😑
第三次体验
这次让他读取的是某个地区2012年4个月份温度、湿度、降雨量的统计数据，具体内容如下：
-
这次我描述了一个比较具体的绘图任务，希望能给出我想要的结果。直接看我的提问和它给出的回答：
-
代码生成：
-
仔细看一下绘制的折线图可以发现，基本符合我想要的结果的，通过这幅图也是完全可以进行一定的趋势变化分析。唯一有小问题的地方就是多给出了一个“湿度极值”图例标注，应该是对我的描述的理解出现了一些疏漏。至于这里的 ⋆ \star ⋆ 标识，实际上标注的位置应该是正确的，但是图片大小显示的问题导致看起来不协调。总体来说，绘制的效果还是可以的。
第四次体验
-
这次依旧体验的是自带的数据（
Airbnb的民宿价格&评价），看看能否通过对TableAgent一直提问的方式，直至达到想要的分析结果，数据内容和整体情况如下所示，一共953条数据，平均价格在171左右。
这些完整数据可以通过点击左下角底部的dataframe得到：
另外，可以通过直接点击索引名称右侧的小三角形 ▼ \blacktriangledown ▼对其降序和升序排列（如果是字符的话则按照首字母的顺序进行排序）。
-
现在假设你是一名商人，现在想要进军民宿市场，但是身边朋友都不看好这个行业，这时你有了
TableAgent的神助，看看能否借此完成初步的市场调研。下面开始你的商业分析。
1、找到高价房源和低价房源的特点，看清民宿行业的整体布局
- 咨询TableAgent：计算所有房源价格的平均价格，然后帮我分析高于平均价格20 %的所有房源和低于平均价格20%的所有房源有什么特点，比如所在城市、评分情况等，具体一点。
- 回复:
- 分析：从以上内容来看，如果做高端民宿，需要重点参考评分在4.9以上的民宿的发展情况；如果做中低端性价比的民宿，需要重点留意和观察4.8分以下的这些民宿存在的一些问题，后续需要尽可能的规避这些问题，否则很难占领市场。而且可以发现，高端类型的民宿的床型相对比较不固定的，
bed、queen bed等，而低端类型bed占比非常大。
2、了解各个地域的整体价格，优选潜力城市
- 咨询TableAgent：统计每个城市的平均价格，然后绘制排名前7的城市中价格和评分之间的折线图
- 回复:
- 分析：对于想要一心做高端民宿的你而言，从上面以及结合之前的分析来看，
La Union、Gianyar和Maryland这三所城市可以成为备选的入驻城市。尤其是La Union城市，相比不算太高的价格，但是总体评分很好，整体的民宿的商业环境可以说是非常nice的，也会比较适合“新手开业”。
3、对比各个城市的评分，深入了解不同城市的民宿市场特点
-
咨询TableAgent：统计每个城市的平均评分，然后绘制排名前7的城市中价格和评分之间的折线图
-
回复:
-
分析：假设以300作为低\高端类型的分界线，
North Carllina、La Union和Iceland可以作为值得考虑进军的城市。冰岛估计太远了，就在剩下两个当中选吧。😎
当然，如果做中低端的，Idaho可以考虑，5.0的评分确实很令人难以相信。（也可能是关于Idaho的数据就1条，然后这1个民宿的评分是5.0） -
4、对比不同床型价格，确定民宿床型
-
咨询TableAgent：将价格（price）除以床位数（Number of bed）得到床位单价，统计不同床型（Type of bed ）的床位单价，绘制排名前7的床型中价格和评分的关系
-
回复:
-
分析：一般来说，床位单价较低可能吸引更多的客户，但也可能影响盈利能力，而较高的床位单价可能提高盈利，但也可能减少入住率。从上面分析，来看，
queen beds可以说是不二选择了，有着足够盈利空间的床位单价的同时还能保持较高的评分，果断选择它了。
5、结论
综合上面的分析，作为“商业新星”的你可以选择去La Union开一家高端民宿，定价在200$ （高于平均价格的20%）~400$，提供queen beds的床型，应该可以在市场上快速占据一定的席位的。🧐
有一说一，La Union这地方确实不错啊。👍
总结
TableAgent整体回答的效果还是可以的，对于我们日常处理一些数据可以说是绰绰有余了。界面部分很简洁，代码生成部分看起来也很舒服，尤其是
Data Graph部分的流程图，一目了然。功能部分，画图+分析的回答基本能够满足我们的需求。不过经过多次体验来看，在使用的过程中要注意的地方就是在描述问题的时候要尽可能详细、全面、无歧义，这样得到的回答会非常完美，一次性就能得到自己想要的结果。👍
大家可以自己去体验一下效果，总体还是很不错的。
TableAgent体验入口
这篇关于【玩转TableAgent数据智能分析】——个人体验分享的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
