AIGC：人工智能驱动的数据分析新时代-编程知识

AIGC：人工智能驱动的数据分析新时代

随着人工智能技术的迅猛发展，我们正迎来数据分析的新时代，其中AIGC（Artificial Intelligence with Generative Capabilities）的应用成为引领潮流的重要方向。本文将深入探讨几个关键方向，包括GPTs应用商店、Python技术栈、生成代码与开发提效、数据库查询范式的创新，以及如何让任何人都拥有数据分析的能力。

1. GPTs应用商店正式发布

近期，GPTs应用商店正式发布，为企业带来了丰富的商机。其中，一家具备AIGC思维的公司成功加入AI电商领域，为行业注入新的活力。这预示着利用GPTs的强大能力，企业可以提供更智能、个性化的服务，从而在竞争激烈的市场中脱颖而出。

2. Python技术栈的应用

在技术栈方面，Python依然是人工智能领域的核心。引入LangChain和后端API Flask，为开发者提供了更高效的构建和部署AIGC解决方案的途径。这一技术组合为AIGC的应用提供了坚实的基础，使开发者更专注于业务逻辑的实现。

3. 生成代码与开发提效

Copilt等代码生成工具的应用，为开发人员提供了更高效的开发方式。利用AIGC的生成式能力，开发者能够更快速地生成复杂的代码结构，提高开发效率。在数据库查询方面，SQL的生成和分析变得更加智能，使得开发过程更为流畅。

4. SQL不再是查询或数据分析的必须

AIGC的自然语言处理能力为数据库查询带来了革命性的变化。SQL不再是数据分析的必须语言，取而代之的是更自然、直观的交互方式。这一变革使得任何人都能够通过AIGC进行数据查询和分析，不再局限于专业的SQL语法。

5. 新的数据库查询范式

在数据库查询方面，我们正在迈向一个新的范式。用户、小编、老板、产品经理、技术实施人员都能够通过提问的方式直接与数据库进行交互。借助chatgpt等自然语言处理能力，生成SQL变得更加简单，新手也能够快速上手，具备更强的学习能力。

6. 轻量的关系型数据库应用

引入了本地数据库，使用Python自带的sqlite3库创建了一个轻量的关系型数据库。这为大佬在测试产品想法的时候提供了一个便捷的工具，同时也展示了AIGC在数据库管理方面的灵活性。

7. text2SQL的实践

通过安装了相关库，展示了text2SQL的实际应用。使用LangChain将LLM（Language Model）和用户之间链式连接，通过AIGC实现了对数据库的查询。这不仅提高了用户与数据库的交互体验，也让产品经理等非技术人员能够更轻松地进行数据分析。以下哈士奇以一个简单的实例对大家进行aigc对于数据库方面的实践

导入相应的数据包

python复制代码#text2SQL
!pip install openai==0.28.1  #llm
!pip install langchain  #AI框架
!pip install  langchain-experimental  #实验 sql

创建简单数据库

python复制代码# 轻量的关系型数据库，大佬一般在测试产品想法的时候用它
# 本地数据库  python 自带
import sqlite3
# 数据库连接句柄
conn = sqlite3.connect('FlowerShop.db')
# 游标
cursor = conn.cursor()
# 执行sql 完成支持sql  三大范式
cursor.execute('''CREATE TABLE FLOWERS(ID INTEGER PRIMARY KEY,Name TEXT NOT NULL,Type TEXT NOT NULL,Source TEXT NOT NULL,PurchasePrice REAL,SalePrice REAL,StockQuantity INTEGER,SoldQuantity INTEGER,ExpiryDate DATE,Description TEXT,EntryDate DATE DEFAULT CURRENT_DATE);
''')flowers = [ ('Rose', 'Flower', 'France', 1.2, 2.5, 100, 10, '2023-12-31', 'A beautiful red rose'), ('Tulip', 'Flower', 'Netherlands', 0.8, 2.0, 150, 25, '2024-12-31', 'A colorful tulip'), ('Lily', 'Flower', 'China', 1.5, 3.0, 80, 5, '2023-12-31', 'An elegant white lily'), ('Daisy', 'Flower', 'USA', 0.7, 1.8, 120, 15, '2023-12-31', 'A cheerful daisy flower'), ('Orchid', 'Flower', 'Brazil', 2.0, 4.0, 50, 2, '2023-12-31', 'A delicate purple orchid')]for flower in flowers:cursor.execute('''INSERT INTO Flowers(Name, Type, Source, PurchasePrice, SalePrice, StockQuantity, SoldQuantity, ExpiryDate, Description )VALUES(?,?,?,?,?,?,?,?,?);''', flower)
# 事务
conn.commit()
# 关闭数据库连接 为了并发 减少线程数
conn.close()

使用AIGC进行数据库操作使得数据库应用更灵活

python复制代码from langchain.utilities import SQLDatabase
from langchain.llms import OpenAI
from langchain_experimental.sql  import SQLDatabaseChain
#数据库对象
db=SQLDatabase.from_uri("sqlite:///FlowerShop.db")
# 返回openai实例 细节出来
llm = OpenAI(temperature=0,verbose=True,api_key＝'你的key')
#Chain 起来这些
#langchain 提供了各种chain
db_chain =SQLDatabaseChain.from_llm(llm,db,verbose=True)
response=db_chain.run("有多少种不同的鲜花")
print(response)