一种不需要敲代码的Python 画图方法

Jupyter 上敲代码测试、可视化，大家都已经相对熟悉了。现在，它又有一个神奇能力——将自然语言直接转换为 Python 代码运行，这也太友好了吧。

【命题作文：画一个饼图】

Q：what do you want to do? A：make pie chart of flavor_of_tea from df

Text2Code for Jupyter notebook

其实，大多数情况下在写 Python时，也会通过搜索然后复制、修改使用。Kartik Godawat 和 Deepak Rawat 受到 GPT-3——OpenAI 在今年6月推出具有未来 NLP相关功能的模型，同时支持React 代码和 shell 命令。

通过开发监督学习模型，作者实现训练对自然语言（英文）的处理及对应的代码，并应用在 Jupyter 插件中，这无疑又进一步降低了 Python 语言的编程门槛。

整个 pipeline 分为 生成训练数据 -> 意图匹配 -> 命名实体识别 -> 填充模板，最后加入 Jupyter 。

有兴趣的小伙伴可以直接查看作者的blog，进一步学习。

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

插件安装

Text2Code 支持 Ubuntu 和 macOS两个操作系统，有GPU和无GPU略有的差别

GPU install

git clone https://github.com/deepklarity/jupyter-text2code.git
cd jupyter-text2code
pip install .

CPU-only install

对于Mac和其他没有nvidia GPU的Ubuntu安装，需要设置一下环境变量。

git clone https://github.com/deepklarity/jupyter-text2code.git
export JUPYTER_TEXT2CODE_MODE="cpu"
cd jupyter-text2code
pip install .

需要注意的是作者重命名了mopp 这个插件，因此若之前有安装的，需要提前卸载。

pip uninstall mopp

Text2Code 的演示

模型对于机器学习至关重要，有些时候机器的意图匹配和命名实体识别效果会很差，作者在其 github 主页上罗列了非常多有关系模型训练及未来需要开发的功能，例如语料库通过爬取quroa，StackOverflow高赞回答、收集真实世界的变量名和库名等...

工具将越来越强大，灵活使用便是王道。

项目开源地址：

https://github.com/deepklarity/jupyter-text2code

参考资料

新智元、东哥起飞关于该工具的推文

如果你也在路上，不妨进来看看我的学习笔记，走的不快也不远，别介意。点击图片可到达专辑。