ChatGPT在数据可视化中的应用(二)

简介: ChatGPT在数据可视化中的应用(二)

接上文 ChatGPT在数据可视化中的应用(一)https://developer.aliyun.com/article/1620328

1.3 指导生成图标
虽然目前ChatGPT无法直接输出图标结果,但是它可以指导我们如何用不同的工具实现。发送如下内容给ChatGPT。

image.png

ChatGPT收到上述内容后,返回如下结果。

Excel实现方式:

  • 准备数据: 创建包含月份和销量数据的Excel表格。
  • 选择数据: 选中数据范围,并点击插入选项卡中的"折线图",选择合适的折线图类型。
  • 添加数据标签: 右键单击图表上的数据点,选择“添加数据标签”以显示每个数据点的具体值。

Python实现方式(使用Matplotlib):

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font",family='Yuanti SC') # 这是我自己添加的,解决不能正常显示中文的问题

# 准备数据
months = ['一月', '二月', '三月', '四月', '五月','六月','七月','八月','九月','十月','十一月','十二月']
sales = [100, 120, 90, 110, 130,105,120,150, 175,200,180,210]

# 创建折线图
plt.plot(months, sales, marker='o', color='b', linestyle='-', linewidth=2)
plt.xlabel('月份')
plt.ylabel('销量')
plt.title('月份-销量折线图')

# 添加数据标签
for i in range(len(months)):
    plt.text(i, sales[i], str(sales[i]), ha='center', va='bottom')

plt.grid(True)
plt.show()

Tableau实现方式:
导入数据: 将月份和销量数据导入Tableau软件。
创建图表: 在数据源中,拖动月份字段到列区域,销量字段到行区域,选择线条图类型。
调整图表样式: 根据需要设置图表标题、轴标签、数据点标签等。
发布图表: 可以保存图表为图像或交互式报表,并分享给他人。
以上是使用Excel、Python(Matplotlib)、Tableau这三种工具来绘制月份-销量折线图的具体实现方式。根据你的需求和熟悉程度,选择其中任何一种工具都可实现所需的数据可视化效果。

image.png

ChatGPT给出了详细的制作过程。当然,我们可以向其提出更多的要求,比如将标题设置为xxx、将数据标签设置为xxx,ChatGPT都会给出相应的操作步骤,这里就不展开了。我们提一个稍微难一点的要求,比如绘制堆叠面积图,看看效果如何。发送如下内容给ChatGPT。

image.png

ChatGPT收到上述内容后,返回如下结果。

Excel实现方式:

  • 准备数据: 在Excel中创建包含"day"、"功能页1"至"功能页6"的用户停留时长数据表格。
  • 选择数据: 选中数据范围,点击插入选项卡中的“插入面积图”,选择堆叠面积图类型。
  • 调整图表: 根据需要设置图表标题、轴标签等,确保每个功能页面的用户停留时长以堆叠形式显示。

Python实现方式(使用Matplotlib):

import matplotlib.pyplot as plt
import pandas as pd
import matplotlib
matplotlib.rc("font",family='Yuanti SC') # 这是我自己添加的,解决不能正常显示中文的问题
# 读取数据
data = pd.read_excel('your_data.xlsx')

# 绘制堆叠面积图
plt.stackplot(data['day'], data['功能页1'], data['功能页2'], data['功能页3'], data['功能页4'], data['功能页5'], data['功能页6'],
              labels=['功能页1', '功能页2', '功能页3', '功能页4', '功能页5', '功能页6'])
plt.xlabel('天数')
plt.ylabel('用户停留时长')
plt.title('不同功能页面用户停留时长占比变化趋势')
plt.legend(loc='upper left')
plt.show()

运行结果如下图:
image.png

Tableau实现方式:

  1. 导入数据: 将包含用户停留时长数据的Excel文件导入Tableau软件。
  2. 创建堆叠面积图: 拖动"day"字段到列区域,将各个功能页面的停留时长字段分别拖动到行区域,选择堆叠面积图类型。
  3. 调整图表样式: 设置标题、轴标签、颜色等,确保图表清晰展示不同功能页面用户停留时长在整体时长中的占比变化趋势。

通过上述Excel、Python(Matplotlib)、Tableau这三种工具的实现方式,你可以展示不同功能页面用户停留时长在整体时长中的占比变化趋势。根据自己的喜好和熟练程度选择合适的工具进行操作。如需更多帮助或解释,请随时告

ChatGPT分别给出了使用三种工具的具体实现方式。如果需要ChatGPT给出其他图表的制作方法,更换成相应的指令即可。

1.4 解读图标
我们还可以利用ChatGPT对生成的图表结果进行解读。只需把分析目标和具体数据等发送给ChatGPT,它就会返回相应的解读结果。发送如下内容给ChatGPT。

image.png

ChatGPT收到上述内容后,返回如下结果。

image.png

当分析销售额随时间变化的折线图时,可以进一步深入解读数据。以下是针对您提供的销售额数据的更详细解读:
  • 销售额的月度变化趋势:
    从折线图中可以看出,销售额在前三个月有一个持续增长的趋势,从1285万元增长到1965万元。 在第四个月,销售额略微下降至1975万元,之后在接下来的几个月中波动较大,但整体保持在一个相对稳定的水平。
  • 销售额的峰值和谷值:
    最高销售额出现在第四个月,为1975万元,这可能是由于某种市场活动或产品推广导致的销售额增长。
    最低销售额出现在第十一个月,为1370万元,这可能是由于市场竞争激烈或季节性需求下降等原因导致的销售额减少。
  • 销售额的稳定性:
    尽管销售额在不同月份有所波动,但整体趋势相对稳定,没有出现剧烈的波动或异常情况。
    这种相对稳定的销售额表现可能反映出公司在市场上的一定稳定地位和产品需求的稳定性。
  • 销售额的年度总体趋势:
    通过观察整个年度的销售额变化情况,可以看出公司在整个年度内的销售额总体上呈现出一个波动的趋势。

这种波动可能受到季节性因素、市场需求变化或公司内部策略调整等多种因素的影响。
通过以上逐条解读,您可以更深入地了解销售额数据背后的变化趋势和特征,为业务决策提供更多有价值的信息和参考。如果您需要进一步的解读或有其他问题,请随时告诉我。

1.5 故事化呈现
我们还可以利用ChatGPT对图表结果进行故事化呈现。因为ChatGPT有基于上下文对话的能力,所以可以其基于上文的解读结果来执行该任务。发送如下内容给ChatGPT。

image.png

ChatGPT收到上述内容后,返回如下结果。

故事化呈现:
标题:挥洒2023,销售之旅
在2023年的销售之旅中,每个月都是一场充满变化和挑战的旅程。我们的销售额随着时间的推移而起伏,展现出一个个独特的故事。

  • 启航之初:
    在1月份,我们以1285万元的销售额开始了新的一年。这是一个鼓舞人心的开端,为我们的销售之旅奠定了坚实基础。
  • 踌躇与突破:
    随着销售额在2月和3月的快速增长,我们看到了1842万元和1965万元的壮丽数字。这段时间里,我们面对挑战,但也迎来了突破和成长。
  • 春夏之间:
    到了4月和5月,销售额略有下降,分别为1975万元和1582万元。这段时间,我们经历了春夏之间的过渡,调整策略,准备迎接新的挑战。
  • 盛夏绽放:
    随着6月和7月销售额的回升,分别达到1828万元和1886万元,我们的业务再次绽放出生机和活力。盛夏时节,我们勇往直前,追求更大的成就。
  • 秋冬季节:
    到了8月至12月,销售额波动较大,从1388万元到1889万元不等。在秋冬季节中,我们经历了起伏和挑战,不断寻找增长的机会。

2023年的销售之旅如同一幅画卷,记录了我们不断努力、迎接挑战、寻找机遇的旅程。通过对销售趋势的深度分析,我们将继续挥洒激情,驶向更美好的明天!

通过这样的故事化呈现,您可以更生动地理解销售数据背后的故事,激发团队的激情和动力。

可以看到,ChatGPT将数据变动通过一个完整的故事串联了起来。在日常工作中,我们需要根据实际情况对故事内容进行调整。

相关文章
|
24天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
16天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。
|
20天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2577 22
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
18天前
|
人工智能 IDE 程序员
期盼已久!通义灵码 AI 程序员开启邀测,全流程开发仅用几分钟
在云栖大会上,阿里云云原生应用平台负责人丁宇宣布,「通义灵码」完成全面升级,并正式发布 AI 程序员。
|
3天前
|
JSON 自然语言处理 数据管理
阿里云百炼产品月刊【2024年9月】
阿里云百炼产品月刊【2024年9月】,涵盖本月产品和功能发布、活动,应用实践等内容,帮助您快速了解阿里云百炼产品的最新动态。
阿里云百炼产品月刊【2024年9月】
|
2天前
|
存储 人工智能 搜索推荐
数据治理,是时候打破刻板印象了
瓴羊智能数据建设与治理产品Datapin全面升级,可演进扩展的数据架构体系为企业数据治理预留发展空间,推出敏捷版用以解决企业数据量不大但需构建数据的场景问题,基于大模型打造的DataAgent更是为企业用好数据资产提供了便利。
163 2
|
20天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1576 16
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
22天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
977 14
|
4天前
|
Linux 虚拟化 开发者
一键将CentOs的yum源更换为国内阿里yum源
一键将CentOs的yum源更换为国内阿里yum源
221 2
|
17天前
|
人工智能 开发框架 Java
重磅发布!AI 驱动的 Java 开发框架:Spring AI Alibaba
随着生成式 AI 的快速发展,基于 AI 开发框架构建 AI 应用的诉求迅速增长,涌现出了包括 LangChain、LlamaIndex 等开发框架,但大部分框架只提供了 Python 语言的实现。但这些开发框架对于国内习惯了 Spring 开发范式的 Java 开发者而言,并非十分友好和丝滑。因此,我们基于 Spring AI 发布并快速演进 Spring AI Alibaba,通过提供一种方便的 API 抽象,帮助 Java 开发者简化 AI 应用的开发。同时,提供了完整的开源配套,包括可观测、网关、消息队列、配置中心等。
734 9