科研菜鸡的好助手——代码小浣熊 + 办公小浣熊

2024-07-06
湖北
本文字数：1137 字
阅读完需：约 4 分钟

作为一名是一个管理专业的研究生，也是前程序员。“科研菜鸡”面对如山的文献、复杂的数据常常力不从心，但是程序员的敏感“嗅觉”让我嗅到了小浣熊，这实在不能说是锦上添花，完全就是雪中送炭呀！！！

import pandas as pdfrom ltp import LTPfrom collections import Counterfrom itertools import chain
# 初始化LTP模型ltp = LTP()ltp.add_words(words=["********"])
# 读取CSV文件df = pd.read_csv('output/otherMonth.csv')
# 删除含有空值的行，并确保所有数据都是字符串类型df.dropna(subset=['text'], inplace=True)df['text'] = df['text'].astype(str)
# 对text列进行分词和词性标注seg = ltp.pipeline(df['text'].tolist(), tasks=["cws", "pos"])word_counts = dict(Counter(chain.from_iterable(seg['cws'])))pos = {word: pos for words, poss in zip(seg['cws'], seg['pos']) for word, pos in zip(words, poss)}
# 创建一个空的列表来保存结果result = []for word in word_counts:    if word in pos:        result.append({'word': word, 'count': word_counts[word], 'word_pos': pos[word]})
# 创建一个新的DataFrame来保存结果result_df = pd.DataFrame(result)
# 将结果写入CSV文件result_df.to_csv('output/new/otherMonth.csv', index=False)

复制代码

代码小浣熊：编程难题的破解者

从程序员到科研菜鸟，我遇到的第一件事就是学习新的编程语言，虽然说语言都是相通了，逻辑上相似，但是说起来容易敲起来可以就没那么容易。刚开始使用 python 我常常在编写代码时遇到瓶颈，无论是数据清洗、模型训练还是结果分析，每一步都充满了挑战。但自从有了代码小浣熊，这些难题仿佛都迎刃而解。只需简单描述我的需求，小浣熊便能迅速理解并生成高质量的代码片段。它不仅能自动优化算法，还能根据我的研究进展灵活调整代码逻辑，让我在编程的道路上越走越顺畅。更令我惊喜的是，代码小浣熊还能帮助我进行代码审查，指出潜在的错误和性能瓶颈，轻轻松松优化我的清洗数据代码，让我的代码更加健壮和高效。在它的辅助下，我甚至有了一种我也是一名战士的错觉。