码农饭碗不保——ChatGPT正在取代Coder

最近被OpenAI的ChatGPT刷屏了。我猜你已经读了很多关于ChatGPT的文章,不需要再介绍了。假如碰巧您还不太了解ChatGPT是什么,可以先看一下这篇文章,然后再回来继续。

与ChatGPT对话很有趣,甚至很有启发性。我们的内容创作部门已经将ChatGPT用于文案生成。那么对研发部门,ChatGPT是否有用呢?我在算法团队做了一个测试,让ChatGPT来完成算法研究中频繁要做的数据清洗和处理问题,结果让人非常满意。我甚至愿意聘请ChatGPT做算法团队的数据工程师。

文章目录

    • 简单数据处理
      • 任务目标
      • 输出结果
      • 分析
    • 重构代码
      • 任务目标
      • 输出结果
      • 分析
    • 扩展代码
      • 任务目标
      • 输出结果
      • 分析
    • 总结

简单数据处理

我们首先从简单的任务入手,让ChatGPT完成数据加载和简单的清洗工作。

任务目标

  1. 加载数据集;
  2. 确保数据集中所有值均为数值类型,如果不是则尝试将其转换为数值类型;
  3. 检查缺失值;
  4. 数据集分成训练集和测试集。

上面这4个任务是算法执行前必须要做的常规工作。我们看一下ChatGPT的表现

输出结果

import pandas as pdimport numpy as npdef load_csv_data(file_path):    # Load the csv file into a pandas DataFrame    df = pd.read_csv(file_path)        # Convert string type data to numeric type and save the mapping in a dictionary    conversion_map = {}    for column in df.columns:        if df[column].dtype == 'O':            unique_values = df[column].unique()            conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}            df[column] = df[column].map(conversion_map[column])        # Check for missing values    missing_value_counts = df.isnull().sum()    for column, missing_count in missing_value_counts.items():        if missing_count > 1:            df.drop(df[df[column].isnull()].index, inplace=True)        elif missing_count == 1:            df[column].fillna(df[column].mean(), inplace=True)        # Split the dataset into training and validation sets    train_df = df.sample(frac=0.8, random_state=0)    val_df = df.drop(train_df.index)        return train_df, val_df, conversion_map

分析

上面代码可以完美完成目标任务,从csv文件中加载数据集,并以80/20的比例将数据集拆分为测试集和训练集,关键逻辑还加上了注释,ChatGPT甚至贴心的给出了函数使用方法。

ChatGPT生成上面代码总共用时116秒,同时我们的数据工程师编写同样功能的代码用时225秒。二者的代码差异不大,但是我们的数据工程师没写注释。

上面的任务是数据工程师几乎天天都要写的代码,他们很熟练。我又找了一个大学刚毕业还在实习期的数据助理来写,居然半个小时才完成,由于对接口不熟悉,大量时间花在了百度上[捂脸]。

第一轮比试,从各个维度上,都是ChatGPT胜。

重构代码

在上一轮的比试中,我发现我们的数据工程师有“偷鸡”行为——由于平时经常需要完成上面工作,他将很多功能封装成了独立的函数,用的时候直接引入或拷贝。使用函数按照逻辑组织代码,不仅能够促进代码复用,还有利于代码维护。所以我们接下来试着让ChatGPT重构一下自己的代码。

任务目标

将上面的代码按照功能合理地拆分成若干函数。

输出结果

import pandas as pdimport numpy as npdef load_csv(file_path):    return pd.read_csv(file_path)def convert_strings_to_numeric(df):    conversion_map = {}    for column in df.columns:        if df[column].dtype == 'O':            unique_values = df[column].unique()            conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}            df[column] = df[column].map(conversion_map[column])    return df, conversion_mapdef handle_missing_values(df):    missing_value_counts = df.isnull().sum()    for column, missing_count in missing_value_counts.items():        if missing_count > 1:            df.drop(df[df[column].isnull()].index, inplace=True)        elif missing_count == 1:            df[column].fillna(df[column].mean(), inplace=True)    return dfdef split_data(df):    train_df = df.sample(frac=0.8, random_state=0)    val_df = df.drop(train_df.index)    return train_df, val_dfdef prepare_data(file_path):    df = load_csv(file_path)    df, conversion_map = convert_strings_to_numeric(df)    df = handle_missing_values(df)    train_df, val_df = split_data(df)    return train_df, val_df, conversion_map

分析

ChatGPT拆分出5个函数:

  • load_csv(file_path) 负责从csv文件中加载数据集,返回DataFrame;
  • convert_strings_to_numeric(df) 负责将DataFrame中的非数值类型数据转换为数值类型,并记录转换映射表;
  • handle_missing_values(df) 负责处理缺失值;
  • split_data(df) 负责将数据集拆分为训练集和测试集;
  • prepare_data(file_path) 将上面4给函数串起来,构成一个pipeline。

不得不说,ChatGPT有一次完美地完成了任务!并且函数名起得非常好,看函数名就能知道函数的功能,比很多中国程序员用拼音或缩写命名函数友好多了。

扩展代码

重构后的代码结构已经非常清晰了,但是还是有缺陷,那就是不够灵活,很多规则都是写死的。为了让代码更灵活、可扩展性更强,我们一般会将变量以参数的形式传入。

任务目标

重构上面的代码,以参数的形式从命令行传入以下内容:

  • csv格式数据集的路径
  • 拆分训练集和验证集的大小
  • 阈值,缺失值大于此阈值则删除记录,小于等于此阈值则处理缺失值

输出结果

import pandas as pdimport numpy as npimport argparsedef load_csv(file_path):    return pd.read_csv(file_path)def convert_strings_to_numeric(df):    conversion_map = {}    for column in df.columns:        if df[column].dtype == 'O':            unique_values = df[column].unique()            conversion_map[column] = {unique_values[i]: i for i in range(len(unique_values))}            df[column] = df[column].map(conversion_map[column])    return df, conversion_mapdef handle_missing_values(df, threshold):    missing_value_counts = df.isnull().sum()    for column, missing_count in missing_value_counts.items():        if missing_count > threshold:            df.drop(df[df[column].isnull()].index, inplace=True)        elif missing_count <= threshold:            df[column].fillna(df[column].mean(), inplace=True)    return dfdef split_data(df, split_ratio):    train_df = df.sample(frac=split_ratio, random_state=0)    val_df = df.drop(train_df.index)    return train_df, val_dfif __name__ == "__main__":    parser = argparse.ArgumentParser(description='Prepare data for machine learning.')    parser.add_argument('file_path', help='Path to the csv file.')    parser.add_argument('--split-ratio', type=float, default=0.8, help='Ratio of the training set size.')    parser.add_argument('--threshold', type=int, default=1, help='Threshold for handling missing values.')    args = parser.parse_args()    df = load_csv(args.file_path)    df, conversion_map = convert_strings_to_numeric(df)    df = handle_missing_values(df, args.threshold)    train_df, val_df = split_data(df, args.split_ratio)

分析

ChatGPT很好地理解了我们的意图,引入了argparse模块来管理和解析命令行参数,关键是参数名起的也非常合理,参数说明也非常准确(尽管是英文的)。参数都正确地传入了所属的函数,又一次完美的完成了任务。

总结

ChatGPT根据我们提供的规范,在创建、重构、扩展一个简单的数据预处理Python脚本方面做得非常出色,每一步的结果都符合要求。虽然这不是一个复杂任务,确实日常工作中最常见的基本工作。ChatGPT的表现确实惊艳了众人,预示着它朝着成为真正有用的编程助手迈出重要的一步。

最终我们从如下几个方面将ChatGPT和我们的数据工程师做了对比:

ChatGPT人类程序员
正确性
速度
编码规范
文档注释

可见ChatGPT在编码速度和编码习惯上都完胜人类工程师。这让我不得不开始担心程序员未来的饭碗。是的,你没有看错!程序员这个曾经被认为是最不可能被AI取代的职业,如今将面临来自ChatGPT的巨大挑战。根据测试,ChatGPT已经通过Google L3级工程师测试,这意味着大部分基础coding的工作可以由ChatGPT完成。尽管ChatGPT在涉及业务的任务上表现不佳,但未来更可能的工作方式是架构师或设计师于ChatGPT协同完成工作,不再需要编码的码农。