Advanced Data Analysis（旧Code Interpreter）で何ができるのか試してみた

100までの素数を求めてください。

def is_prime(n):
    if n <= 1:
        return False
    if n == 2:
        return True
    if n % 2 == 0:
        return False
    i = 3
    while i * i <= n:
        if n % i == 0:
            return False
        i += 2
    return True

primes = [n for n in range(101) if is_prime(n)]
primes

鶴の足は2本、亀の足は4本です。鶴と亀の合計は5匹で、足の数を合計すると14本です。
その場合、亀は何匹いますか？

from sympy import symbols, Eq, solve

T, K = symbols('T K')

# Define the equations
eq1 = Eq(T + K, 5)
eq2 = Eq(2*T + 4*K, 14)

# Solve the system of equations
solution = solve((eq1,eq2), (T, K))

solution[K]

RESULT
2

この問題の解法を可視化してください。グラフを書く際に、タイトルや説明書きはすべて英語にしてください。

import matplotlib.pyplot as plt
import numpy as np

# Generate a range of values for T
T_values = np.linspace(0, 5, 400)

# Calculate corresponding K values for each equation
K_values_eq1 = 5 - T_values
K_values_eq2 = (14 - 2 * T_values) / 4

# Create the plot
plt.figure(figsize=(8, 6))
plt.plot(T_values, K_values_eq1, label='T + K = 5')
plt.plot(T_values, K_values_eq2, label='2T + 4K = 14')
plt.plot(solution[T], solution[K], 'ro')  # solution point

# Add labels, title, and legend
plt.xlabel('Number of Cranes (T)')
plt.ylabel('Number of Turtles (K)')
plt.title('Solution to the System of Equations')
plt.legend()

# Show grid
plt.grid(True)

# Show the plot
plt.show()

ピカチュウとヒトカゲとゼニガメの強さを比較するグラフを作成してください。

import matplotlib.pyplot as plt
import numpy as np

# define the data
pokemon_names = ['Pikachu', 'Hitokage', 'Zenigame']
stats = ['HP', 'Attack', 'Defense', 'Sp. Attack', 'Sp. Defense', 'Speed']

values = np.array([
    [35, 55, 40, 50, 50, 90],  # Pikachu
    [39, 52, 43, 60, 50, 65],  # Hitokage
    [44, 48, 65, 50, 64, 43]   # Zenigame
])

# create a figure and axes
fig, ax = plt.subplots(figsize=(10, 6))

# plot the data
X = np.arange(len(stats))
for i in range(len(pokemon_names)):
    ax.bar(X + 0.2*i, values[i], width = 0.2, label = pokemon_names[i])

# set the x ticks and labels
ax.set_xticks(X)
ax.set_xticklabels(stats)

# adding legends
plt.legend()

# adding title
plt.title('Comparing Pokemon Stats')

# Show the graph
plt.show()

この結果をレーダーチャートで表してください。

# Create a radar chart

# Number of variables we're plotting.
num_vars = len(stats)

# Compute angle of each axis.
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()

# The plot is a circle, so we need to "complete the loop"
# and append the start to the end.
values = np.concatenate((values,values[:,[0]]), axis=1)
angles += angles[:1]

# Create figure.
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))

# Helper function to plot each Pokemon on the radar chart.
def add_to_radar(pokemon, color):
    values_temp = values[pokemon]
    ax.fill(angles, values_temp, color=color, alpha=0.25)
    ax.plot(angles, values_temp, color=color, label=pokemon_names[pokemon])

# Add each additional pokemon to the chart.
add_to_radar(0, 'red')
add_to_radar(1, 'blue')
add_to_radar(2, 'green')

# Title and legend
plt.title('Comparing Pokemon Stats')
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))

# Fix axis to go in the right order and start at 12 o'clock.
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)

# Draw axis lines for each angle and label.
ax.set_thetagrids(np.degrees(angles[:-1]), stats)

plt.show()

ピカチュウとヒトカゲとゼニガメの画像を示してください。

https://api.open-meteo.com/v1/forecastから東京の天気予報の情報を入手して、絵文字付きで、元気なお天気お姉さん風に伝えてください。
current_weatherのパラメータを使用してください。

全国の降水量のデータを基に、最新の関東地方の各都道府県のお天気の概況を絵文字付きで、元気なお天気お姉さん風に伝えてください。なお、降水量と天気の関係は自分で考えてください。

import pandas as pd

# Load the data
rainfall_data = pd.read_excel("/mnt/data/全国の降水量.xlsx")

# Display the first few rows of the data
rainfall_data.head()

RESULT
   観測所番号      都道府県             地点   国際地点番号  現在時刻(年)  現在時刻(月)  現在時刻(日)  \
0  11001  北海道 宗谷地方    宗谷岬（ソウヤミサキ）      NaN     2023        7        8   
1  11016  北海道 宗谷地方      稚内（ワッカナイ）  47401.0     2023        7        8   
2  11046  北海道 宗谷地方        礼文（レブン）      NaN     2023        7        8   
3  11061  北海道 宗谷地方       声問（コエトイ）      NaN     2023        7        8   
4  11076  北海道 宗谷地方  浜鬼志別（ハマオニシベツ）      NaN     2023        7        8   

   現在時刻(時)  現在時刻(分)  現在値(mm)  ...  昨日までの観測史上1位の値の品質情報  昨日までの観測史上1位の値の年  \
0       13       40      0.0  ...                   8             2020   
1       13       40      0.0  ...                   8             2020   
2       13       40      0.0  ...                   8             2014   
3       13       40      0.0  ...                   8             2003   
4       13       40      0.0  ...                   8             2020   

   昨日までの観測史上1位の値の月  昨日までの観測史上1位の値の日  昨日までの7月の1位の値(mm)  昨日までの7月の1位の値の品質情報  \
0                8                7              76.0                  8   
1                8                7              75.0                  8   
2                8               24              63.5                  8   
3                8                8              49.5                  8   
4                8                7              66.0                  8   

   昨日までの7月の1位の値の年  昨日までの7月の1位の値の月  昨日までの7月の1位の値の日  統計開始年  
0            1990               7              25   1978  
1            1990               7              25   1976  
2            2018               7              15   2003  
3            2019               7              27   2003  
4            2015               7              13   1978  

[5 rows x 29 columns]

# Define the prefectures in the Kanto region
kanto_prefectures = ["茨城県", "栃木県", "群馬県", "埼玉県", "千葉県", "東京都", "神奈川県"]

# Filter the data for the Kanto region
kanto_data = rainfall_data[rainfall_data['都道府県'].str.contains('|'.join(kanto_prefectures))]

# Display the filtered data
kanto_data

# Define the relationship between rainfall and weather
def get_weather(rainfall):
    if rainfall == 0:
        return "晴れ ☀️"
    elif 0 < rainfall <= 1:
        return "曇り ☁️"
    elif 1 < rainfall <= 5:
        return "小雨 ☔"
    else:
        return "大雨 🌧️"

# Apply the function to the data
kanto_data["天気"] = kanto_data["現在値(mm)"].apply(get_weather)

# Group the data by prefecture and get the most common weather
kanto_weather = kanto_data.groupby("都道府県")["天気"].agg(lambda x: x.value_counts().index[0])

kanto_weather

RESULT
都道府県
千葉県     晴れ ☀️
埼玉県     晴れ ☀️
東京都     晴れ ☀️
栃木県     曇り ☁️
神奈川県    晴れ ☀️
群馬県     晴れ ☀️
茨城県     晴れ ☀️
Name: 天気, dtype: object

# Define the prefectures in the Kyushu region
kyushu_prefectures = ["福岡県", "佐賀県", "長崎県", "熊本県", "大分県", "宮崎県", "鹿児島県", "沖縄県"]

# Filter the data for the Kyushu region
kyushu_data = rainfall_data[rainfall_data['都道府県'].str.contains('|'.join(kyushu_prefectures))]

# Apply the function to the data
kyushu_data["天気"] = kyushu_data["現在値(mm)"].apply(get_weather)

# Group the data by prefecture and get the most common weather
kyushu_weather = kyushu_data.groupby("都道府県")["天気"].agg(lambda x: x.value_counts().index[0])

kyushu_weather

RESULT
都道府県
佐賀県     大雨 🌧️
大分県     晴れ ☀️
宮崎県     晴れ ☀️
沖縄県     晴れ ☀️
熊本県     晴れ ☀️
福岡県     大雨 🌧️
長崎県      小雨 ☔
鹿児島県    晴れ ☀️
Name: 天気, dtype: object

大谷選手の打者成績の傾向を分析してください。

import pandas as pd

# Load the data
data_path = "/mnt/data/Standard Batting.xlsx"
data = pd.read_excel(data_path)

# Display the first few rows of the dataframe
data.head()

RESULT
   Year   Age   Tm  Lg    G   PA   AB    R    H  2B  ...    OPS  OPS+   TB  \
0  2018  23.0  LAA  AL  104  367  326   59   93  21  ...  0.925   151  184   
1  2019  24.0  LAA  AL  106  425  384   51  110  20  ...  0.848   121  194   
2  2020  25.0  LAA  AL   44  175  153   23   29   6  ...  0.657    79   56   
3  2021  26.0  LAA  AL  155  639  537  103  138  26  ...  0.965   157  318   
4  2022  27.0  LAA  AL  157  666  586   90  160  30  ...  0.875   144  304   

   GDP  HBP  SH  SF  IBB      Pos          Awards  
0    2    2   0   1    2      DH1           RoY-1  
1    6    2   0   4    1       DH             NaN  
2    3    0   0   0    0    *D/H1             NaN  
3    7    4   0   2   20  *D1/H97     AS,MVP-1,SS  
4    6    5   0   3   14    *D1/H  AS,CYA-4,MVP-2  

[5 rows x 30 columns]

# Remove the last two rows
data = data[:-2]

# Try the plot again
plt.figure(figsize=(15, 10))

for i, stat in enumerate(stats_of_interest):
    plt.subplot(2, 3, i+1)
    plt.plot(data['Year'], data[stat])
    plt.title(stat)
    plt.xlabel('Year')
    plt.ylabel(stat)

plt.tight_layout()
plt.show()

大谷選手の投手成績の傾向を分析してください。

# Load the pitching data
pitching_data_path = "/mnt/data/Standard Pitching.xlsx"
pitching_data = pd.read_excel(pitching_data_path)

# Display the first few rows of the dataframe
pitching_data.head()

RESULT
   Year   Age   Tm   Lg     W    L   W-L%    ERA     G    GS  ...     BF  \
0  2018  23.0  LAA   AL   4.0  2.0  0.667   3.31  10.0  10.0  ...  211.0   
1   NaN   NaN  NaN  NaN   NaN  NaN    NaN    NaN   NaN   NaN  ...    NaN   
2  2020  25.0  LAA   AL   0.0  1.0  0.000  37.80   2.0   2.0  ...   16.0   
3  2021  26.0  LAA   AL   9.0  2.0  0.818   3.18  23.0  23.0  ...  533.0   
4  2022  27.0  LAA   AL  15.0  9.0  0.625   2.33  28.0  28.0  ...  660.0   

    ERA+    FIP   WHIP    H9  HR9   BB9   SO9  SO/W          Awards  
0  127.0   3.57  1.161   6.6  1.0   3.8  11.0  2.86           RoY-1  
1    NaN    NaN    NaN   NaN  NaN   NaN   NaN   NaN             NaN  
2   14.0  13.99  6.600  16.2  0.0  43.2  16.2  0.38             NaN  
3  141.0   3.52  1.090   6.8  1.0   3.0  10.8  3.55     AS,MVP-1,SS  
4  172.0   2.40  1.012   6.7  0.8   2.4  11.9  4.98  AS,CYA-4,MVP-2  

[5 rows x 35 columns]

# Remove the last two rows
pitching_data = pitching_data[:-2]

# Plot each of the pitching stats of interest over time
plt.figure(figsize=(15, 10))

for i, stat in enumerate(pitching_stats_of_interest):
    plt.subplot(2, 3, i+1)
    plt.plot(pitching_data['Year'], pitching_data[stat])
    plt.title(stat)
    plt.xlabel('Year')
    plt.ylabel(stat)

plt.tight_layout()
plt.show()

Standard BattingとStandard Pitchingのデータを利用して、大谷選手の打者成績と投手成績の相関関係を分析してください。

# Select relevant columns from both datasets
batting_cols = ['Year', 'BA', 'HR', 'RBI']
pitching_cols = ['Year', 'W', 'ERA', 'SO']

# Create new dataframes with these columns
batting_subset = data[batting_cols]
pitching_subset = pitching_data[pitching_cols]

# Merge the two dataframes on the 'Year' column
combined_data = pd.merge(batting_subset, pitching_subset, on='Year')

# Calculate the correlation matrix
correlation_matrix = combined_data.corr()

# Display the correlation matrix
correlation_matrix

RESULT
           BA        HR       RBI         W       ERA        SO
BA   1.000000  0.596719  0.618558  0.546286 -0.934945  0.598368
HR   0.596719  1.000000  0.959864  0.762656 -0.809603  0.837181
RBI  0.618558  0.959864  1.000000  0.888909 -0.843610  0.921337
W    0.546286  0.762656  0.888909  1.000000 -0.714659  0.986480
ERA -0.934945 -0.809603 -0.843610 -0.714659  1.000000 -0.759709
SO   0.598368  0.837181  0.921337  0.986480 -0.759709  1.000000

この結果を可視化してください。

import seaborn as sns

# Set up the matplotlib figure
f, ax = plt.subplots(figsize=(9, 6))

# Draw the heatmap with the mask and correct aspect ratio
sns.heatmap(correlation_matrix, annot=True, fmt=".2f", ax=ax, cmap="coolwarm", cbar_kws={"shrink": .8})

# Set labels
ax.set_title('Correlation Matrix of Batting and Pitching Stats')

# Show plot
plt.show()

野球解説者の落合博満さんとして、この結果を解説してください。

あなたは人工知能研究の専門家です。
python-pptxを使用して、ChatGPTについて解説する5枚のスライドを作成してください。
1枚につき3つの文章を書いて、それらを箇条書きで構成し、パワーポイントファイルで出力してください。

# Create a new PowerPoint presentation
presentation = Presentation()

# Slide 1: Introduction to ChatGPT
slide_1 = presentation.slides.add_slide(presentation.slide_layouts[1]) # Use the 'Title and Content' layout
slide_1.shapes.title.text = "ChatGPTの概要"
content_slide_1 = slide_1.shapes.placeholders[1]
content_slide_1.text = "ChatGPTはOpenAIによって開発された大規模な言語モデルです。\nこのAIは、様々なタスクに対応するための一般的な知識を学習します。\nGPTはGenerative Pre-training Transformerの略で、自然言語生成タスクにおける強力なツールです。"

# Slide 2: How ChatGPT is Trained
slide_2 = presentation.slides.add_slide(presentation.slide_layouts[1])
slide_2.shapes.title.text = "ChatGPTの訓練方法"
content_slide_2 = slide_2.shapes.placeholders[1]
content_slide_2.text = "ChatGPTは大量のテキストデータから学習します。\n具体的には、インターネット上の書籍やウェブページなどのテキストを用います。\nモデルはテキストのパターンを学習し、それを基に新たなテキストを生成します。"

# Slide 3: Applications of ChatGPT
slide_3 = presentation.slides.add_slide(presentation.slide_layouts[1])
slide_3.shapes.title.text = "ChatGPTの用途"
content_slide_3 = slide_3.shapes.placeholders[1]
content_slide_3.text = "ChatGPTは質問応答、文章生成、文章の要約など、多くの用途に使用できます。\n教育分野では、対話型の学習ツールとして活用されます。\nビジネスでは、自動的な文章生成やカスタマーサポートなどに使用されます。"

# Slide 4: Limitations of ChatGPT
slide_4 = presentation.slides.add_slide(presentation.slide_layouts[1])
slide_4.shapes.title.text = "ChatGPTの限界"
content_slide_4 = slide_4.shapes.placeholders[1]
content_slide_4.text = "ChatGPTは訓練データに含まれる情報しか知りません。それ以外の新たな情報を理解することはできません。\nまた、結果は確率的であり、同じ入力に対して異なる出力を生成することがあります。\nモデルは感情や意識を持たず、人間と同じように思考するわけではありません。"

# Slide 5: The Future of ChatGPT
slide_5 = presentation.slides.add_slide(presentation.slide_layouts[1])
slide_5.shapes.title.text = "ChatGPTの未来"
content_slide_5 = slide_5.shapes.placeholders[1]
content_slide_5.text = "モデルの訓練データやアルゴリズムの改善により、ChatGPTの精度は今後も向上するでしょう。\nChatGPTは今後も多くの産業や生活の場で活用されることが期待されます。\nしかし、その一方で、AIの倫理的な問題や使用の制限なども重要な議論となるでしょう。"

# Save the presentation
presentation_file = "/mnt/data/ChatGPT_Presentation.pptx"
presentation.save(presentation_file)

presentation_file

from PyPDF2 import PdfFileReader

def extract_text_from_pdf(file_path):
    pdf = PdfFileReader(file_path)
    text = ""
    for page in range(pdf.getNumPages()):
        text += pdf.getPage(page).extractText()
    return text

# Extract text from the PDF
pdf_text = extract_text_from_pdf("/mnt/data/2307.02486.pdf")
pdf_text[:2000]  # Display the first 2000 characters to get a glimpse of the text content

この画像を表示してください。この画像には何が描かれていますか？

from PIL import Image

# Open the image file again
img3 = Image.open("/mnt/data/Elon_Musk_Colorado_2022_(cropped)(1).jpg")

# Display the image
img3.show()

from PIL import Image
import matplotlib.pyplot as plt

# Open the image file
img = Image.open('/mnt/data/Code Interpreter.png')
plt.imshow(img)
plt.axis('off')  # to hide the axis
plt.show()

import pytesseract

# Use Tesseract to do OCR on the image
text = pytesseract.image_to_string(img, lang='eng')

text