GLM-4本地Python代码解释器与数据分析Agent开发实战

代码块

import os​
from zhipuai import ZhipuAI​
from IPython.display import display, Code, Markdown​
import requests​
import json​
import tiktoken​
import numpy as np​
import pandas as pd​
import time​
​
api_key = os.getenv("ZHIPU_API_KEY")​

代码块

client = ZhipuAI(api_key=api_key) ​
response = client.chat.completions.create(​
    model="glm-4",  # 填写需要调用的模型名称​
    messages=[​
        {"role": "user", "content": "你好"}​
    ],​
)​
print(response.choices[0].message)​

代码块

content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。' role='assistant' tool_calls=None​

•
数据集介绍​

在此前验证ChatGPT代码解释器和Open interpreter功能时，我们曾简单介绍过Telco数据集，该数据集是Kaggle分享的一个高分数据集（1788 votes），是Kaggle平台上非常经典的围绕偏态数据集建模的数据集。该数据源自IBM商业社区（IBM Business Analytics Community）上分享的数据集，用于社区成员内部学习使用。

common.docs_name - LarkCCM_Docs_Menu_Image

根据IBM商业社区分享团队描述，该数据集为某电信公司在加利福尼亚为7000余位用户（个人/家庭）提供电话和互联网服务的相关记录。由于该数据集并不是竞赛数据集，因此数据集的下载方式相对容易，官网也只提供了网页下载一种选项（无法通过命令行直接下载）。我们可以在该数据集的Kaggle主页看到数据集的相关信息以及下载地址。此处我们简单介绍关于Kaggle数据集页面的基本功能，既Kaggle平台的基本使用方法，在后续的课程学习中，若是Kaggle案例，我们也将频繁借助Kaggle主页来获取帮助。当然，熟练使用Kaggle主页获取数据和挖掘信息（而不是借助第三方渠道），也是算法工程师必备技能之一。

•
数据集主页​

首先是数据集主页：

GLM-4本地Python代码解释器与数据分析Agent开发实战​

GLM-4本地Python代码解释器与数据分析Agent开发实战