序

Hello，这里是百里，2024 年真的是知识大爆发的一年，过去非常复杂且繁琐的事情，现在在 AI 的加持下，变得非常简单，以往需要大量的知识储备，理论实践的内容，现在只要通过自然语言对话就能实现想要的内容。小浣熊办公助手，短短尝试了几次我就已经爱不释手，几分钟解决了我需要一天甚至更久的工作业务需求。他不像 gpt 是那种大，广，杂的模型，有时不管对不对，为了答案，给你搞了个答案，他更像是就像钢铁侠中的贾维斯一样，能理解你所说，所想，所表达的用意，并给出相应的答案，他像是一个专业的 IT 资深教授，一个非常好的 PM 经理，会充分理解你的需求，并转达给开发人员，理性的给出结果。小浣熊办公助手是一个真正的帮你更好学习，工作私人智能助手。

忆往昔

作为一个数据从业者，依稀在很多年前，大学学习机器学习入门时，学过一个非常经典的案例，鸢尾花逻辑模型推断。记得当时大学老师给留的作业，通过数据清洗，逻辑分析，给出鸢尾花的计算的逻辑模型，并通过测试数据分析模型置信度，那时候大一一脸蒙 B，给 160 多个数据，用 excel 一个个的补充数据。然后 python 也不太熟练，加上数学等逻辑也不太好，吭吃瘪肚的搞了一周才搞定。不过那也是个值得高兴的回忆，要知其然，然后知其所以然。现在 AI 确实降低了很多人的从业门槛，在我看来要感谢数据模型，也要提防数据模型，因为毕竟工具只能辅助业务，不能真正替代业务，‘人’的操作也是关键。

这里我手写一个 KNN，然后对比小浣熊办公助手，一方面是看看提供多少效率，另一方面是回归学习，工作的本质。

什么是 KNN，k 近邻法(k-nearest neighbor, k-NN)是一种基本分类与回归方法，换个解释方法就是，欧氏距离，

通过计算结果的数据，离哪个逻辑结果最近，哪个就更符合逻辑期望。

手工方法

这里是 150 条鸢尾花数据集，已经通过手工手段进行部分数据整理，其中，数据缺失项目，采取平均值补录的方式。

读取处理好的数据文件

import csvimport numpy as np
# 读取CSV文件data = []with open('iris.csv', 'r') as file:    reader = csv.reader(file)    next(reader)  # 跳过标题行    for row in reader:        data.append([float(row[0]), float(row[1]), float(row[2]), float(row[3])])

通过代码编写欧式距离公式，并进行训练集，测试集分类

# K最近邻算法def predict(X_train, Y_train, X_test):    predictions = []    for sample in X_test:        distances = [np.linalg.norm(sample - x) for x in X_train]        nearest_neighbor = np.argmin(distances)        predictions.append(Y_train[nearest_neighbor])    return predictions    data1 = []with open('iris.csv', 'r') as file:    reader = csv.reader(file)    next(reader)  # 跳过标题行    for row in reader:        data1.append([float(row[4])])
Y = np.array(data1)
# print(Y)
# 划分训练集和测试集k = 3test_size = 0.2train_size = int((1 - test_size) * len(X))print(train_size )X_train = X[:train_size]X_test = X[train_size:]

Y_train = Y[:train_size]Y_test = Y[train_size:]

进行模型准确率计算

# 进行预测y_pred = predict(X_train, Y_train, X_test)
# 计算准确率correct = sum(y_pred == Y_test)accuracy = correct / len(Y_test)print(f"Accuracy: {accuracy}")

准确率大约是 83%

以上是完全没有助手，以及科学数据包辅助的情况下，手工敲出来的原生 KNN 回归算法的测试案例，从中我们可以看出来，我们需要，良好的代码编写功底，一定数据的处理能力，数学公式的使用理解能力。当然从学习角度讲，我们书写细致无可厚非，但是学习，工作环境就不太适用了。

小浣熊帮我

处理 excel 数据，只需要简单的描述即可，帮我把上传的文件，缺失的数据赋值，并赋值为该列的平均值。

减少了非常多的办公业务场景的计算逻辑，我自己拿 excel 又是函数又是赋值的，大大增加了工作的速度。

测试中遇到了数据缺失，他会自动纠正问题并尝试更新代码，如果描述异常的话，或者数据处于可修复范围，他也会提供建议性改进。

自动帮我补充了缺失数据，不过我要的黄色标注没有出来。

带入正题，KNN 计算数据模型，在真实的业务办公环境中，只需要进行简单的业务描述即可生成复杂的计算逻辑。

这里我只需要通过语言描述，

查询模型准确率

看今朝

在当今社会，快，效率成为了工作的代名词，谁不想有一个稳定可靠且十分专业的帮手辅助自己完成工作任务呢，小浣熊办公助手 通过丰富层次的对话，更专业层次的建议，辅助工作。依然以上述鸢尾花为例，

现在用户提供一个数据模型，让你通过复杂计算，分析用户画像，用户相性。

通过生成的特征图，可以更好的分析用户相性，辅助数据分析。这里以鸢尾花为例，分析出符合该特征数据的用户特征，提供可视化的功能支持。

如图所示，用户属于‘山鸢尾’类型。 省去了大量的计算逻辑模型，同时更快速的提供了领导业务逻辑判断数据支撑。

专业角度的大师

当我们提供一个非常模糊的概念，比如帮我生成一个置信度的折线图，或者说用过以上数据内容帮我怎么怎么样。小浣熊会理解并分析出所需要的内容。并给出合更合理的解释。

给出的合理见解的同时，又清晰的提供了操作步骤，方便排查。

上手视频

因为数据量过大，且描述代码过多我这里进行了简单的数据操作录像，视频已经加速可以放心食用！但是可能因为自然语言描述的差异性，有小小的翻车，可见，虽然对工作中有相当大的帮助，但是首先你得知道你要做什么。

结论

通过体验小浣熊办公助手，这是一个非常对数据分析，数据治理，数据驱动，非常好的办公助手。不仅仅是他的专业，更是因为他更人性化，对业务赋能的简单化。让专业的人更轻松，做更多有意义的事情。让小白，用更简单的对白，进行复杂的数据处理，并提供专业的辅助。

小浣熊将会是我们工作中的不可多得的办公助手，爱上你了。！