GitHub 热榜:一个能将文本快速转化为代码的 Python 神器!

FightingCoder

共 2233字,需浏览 5分钟

 ·

2020-09-30 22:04


阅读本文大概需要 3 分钟。


如果能创建一个桌面软件,将自然语言直接转换成相关的 Python 数据分析代码,工作就方便了。


这不,有俩「好事」的程序员耐不住寂寞,把这个工具做出来。


近日,两个外国小哥 Kartik Godawat 和 Deepak Rawat 开发了一个 Jupyter 插件 Text2Code,可以将自然语言查询转换成相关的 Python 数据分析代码。



                 

灵感来自 GPT-3,自然语言直接转代码

2020 年 6 月,OpenAI 推出了 GPT-3,它不仅具有未来的 NLP 相关的诸多功能,而且还能够生成 React 代码和 shell 命令。
 
俩人从中得到了灵感,他们意识到在做数据分析的时候,我们经常忘记不经常使用的 pandas 命令或者语法,需要去搜索,从 StackOverflow 复制代码然后需要相应地修改变量和列名。
 
最初他们试图把这个问题作为一个聊天机器人来解决,并试图使用 Rasa,但因为缺乏合适的训练数据而夭折了。
 
他们决定开发一个监督学习模型,该模型可以吃进自然语言和代码的对应语料,然后进行训练,完整的 pipeline 包含了下面几个步骤:
 
生成训练数据
 
为了模拟终端的用户想向系统查询的内容,我们开始尝试用英语描述一些命令的格式。
 
例如:
 
display a line plot showing $colname on y-axis and $colname on x-axis from $varname
 
然后,我们通过使用一个非常简单的生成器来替换 $colname 和 $varname 来生成数据,以获得训练集中的变量。
              
意图匹配
 
在生成数据之后,需要为特定的意图映射到一个唯一的「意图 id」,并使用通用语句编码器获取用户 query 的 embedding,然后用我们预先定义好的意图 query (生成的数据) 来得到余弦距离。
 
「通用句子编码器」-Universal Sentence Encoder 类似于 word2vec,会生成相应的 embedding,唯一的区别是这里的嵌入是用于句子而不是单词。
              
命名实体识别
 
相同的生成数据可以被用来训练一个自定义的实体识别模型,这个模型可以用来检测 columns,varaibles,library 的名字。
 
为此,作者还研究了 HuggingFace 模型,但最终决定使用 Spacy 来训练模型,主要是因为 HuggingFace 模型是基于 Transformer 的模型,与 Spacy 相比有点过于复杂繁重。
              
填充模板
 
一旦实体被正确识别并且意图被正确匹配,填充模板就变得非常容易。
 
例如,“show 5 rows from df” 这个查询将生成两个实体:一个变量和一个数值。这个模板代码编写起来很简单。
               
与 Jupyter 结合
 
这是所有步骤里最复杂的一步,因为为 Jupyter 编写如此复杂的扩展有点棘手,而且几乎没有文档或示例参考。
 
他们通过一些尝试并参考已经存在的扩展,最终将所有内容包装成一个单独的 Python 包,并且可以直接通过 pip 来安装。
 
单单一个 Python 包并不能直接使用,于是他们创建了一个前端以及一个服务器扩展,当 jupyter notebook 启动时,就会被加载。前端向服务器发送查询以获取生成的模板代码,然后将其插入 notebook 的对应单元并执行它。
 
Text2Code 的演示
 
模型也会失效,但数据分析师真的省事了

就像许多机器学习模型一样,有时候意图匹配和命名实体识别效果会很差,即使这个意图对人来说非常简单。
 
有时也会识别不到意图,就无法生成正确的代码,作者还考虑使用下面的方法来进一步改进插件的效果。
 
收集 / 生成高质量的英语训练数据,可以考虑从 quroa,StackOverflow 爬取更多的高赞回答,尝试用不同的方式来描述相同的内容,增强数据;收集真实世界的变量名和库名,而不是随机生成,使用基于 Transformer 的模型尝试命名实体识别。
 
如果这个模型训练的足够好,对数据分析师来,能省不少事了。

项目开源地址:
https://github.com/deepklarity/jupyter-text2code

参考链接:
https://towardsdatascience.com/data-analysis-made-easy-text2code-for-jupyter-notebook-5380e89bb493

推荐阅读

1

10 月 1 日之后,你新建的 GitHub 库默认分支不叫「master」了

2

突发!Windows XP 源代码泄露

3

图解 | 数字签名和数字证书的前世今生

4

官方正式的发布 GitHub 命令行客户端真香 !




崔庆才

静觅博客博主,《Python3网络爬虫开发实战》作者

隐形字

个人公众号:进击的Coder

长按识别二维码关注





好文和朋友一起看~
浏览 36
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报