你确定，你会使用 ChatGPT 了吗？
今天给大家整理了 18 种 ChatGPT 的用法，看看有哪些方法是你能得上的。
� 语法更正
� 文本翻译
� 语言转换
� 代码解释
� 修复代码错误
� 作为百科全书
� 信息提取
� 好友聊天
� 创意生成器
� 采访问题
� 论文大纲
� 故事创作
� 问题类比
� 创建 SQL 需求
� 情感分析
� 将产品描述转变为广告
� 关键字提取
� 闲聊机器人
语法更正
用途：文章、论文等润色。
文本翻译
用途：日常学习、商务翻译等。
语言转换
Python–>JAVA
用途：工作用途，不同语言工程师之间的合作，更加方便。
import numpy as np
import plotly.express as px
def thresholding_algo(y, lag, threshold):
"""
:param y: 输入列表
:param lag: 滑动窗口大小
:param threshold: 调节系数，用于调节容忍范围的大小。
:return:
"""
# signals
：信号列表
signals = np.zeros(len(y))
avgFilter = np.zeros(len(y))
#
初始化平均值列表、差值列表
avgFilter[lag - 1] = np.mean(y[0:lag])
dif_li = [0] * len(y)
for i in range(lag, len(y)):
if i < len(y) - lag - 30:
for j in range(i + 11, len(y)):
if y[j] >= y[i - 1]:
break
if j >= len(y) - 30:
back = y[i - 1]
else:
back = np.mean(y[j + 11:j + 20 + lag])
else:
back = y[i - 1]
#
前后均值差值计算
tmp = abs(back - avgFilter[i - 1])
dif = (tmp if tmp > 1 else 1)
if abs(y[i] - avgFilter[i - 1]) > dif * threshold:
signals[i] = (1 if y[i] > avgFilter[i - 1] else -1)
avgFilter[i] = np.mean(y[(i - lag):i])
y[i] = avgFilter[i - 1]
else:
signals[i] = 0
avgFilter[i] = np.mean(y[(i - lag):i])
dif_li[i] = dif
return dict(signals=np.asarray(signals),
avgFilter=np.asarray(avgFilter),
y=np.asarray(y),
dif=np.asarray(dif_li),
)
public static Map<String, double[]> thresholding_algo(double[] y, int lag, double threshold) {
double[] signals = new double[y.length];
double[] avgFilter = new double[y.length];
Arrays.fill(avgFilter, 0.0);
avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
double[] dif_li = new double[y.length];
Arrays.fill(dif_li, 0.0);
for (int i = lag; i < y.length; i++) {
int j;
if (i < y.length - lag - 30) {
for (j = i + 11; j < y.length; j++) {
if (y[j] >= y[i - 1]) {
break;
}
}
double back;
if (j >= y.length - 30) {
back = y[i - 1];
} else {
back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));
}
} else {
back = y[i - 1];
}
double tmp = Math.abs(back - avgFilter[i - 1]);
double dif = tmp > 1 ? tmp : 1;
if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {
signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
y[i] = avgFilter[i - 1];
} else {
signals[i] = 0;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
}
dif_li[i] = dif;
}
Map<String, double[]> result = new HashMap<>();
result.put("signals", signals);
result.put("avgFilter", avgFilter);
result.put("y", y);
result.put("dif", dif_li);
return result;
}
private static double mean(double[] array) {
double sum = 0.0;
for (double d : array) {
sum += d;
}
return sum / array.length;
}
代码解释-1
用途：当我们来到一家新的公司，发现前任工程师留下了一摊谁都看不懂的代码，这时候，如果有个
人能帮我们解释一下这些代码是什么意思，那简直不要太开心。
def Fusion_algorithm(y_list):
"""
最终的融合算法
1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。
2、第二次使用 z-score 来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如 Z-score 和移动
平均线
该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得
Z-score
并将其用于检测异常值，将 z-score 大于 3 的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。
3、
:param y_list: 传入需要处理的时间序列
:return:
"""
#
第一次处理
for i in range(1, len(y_list)):
difference = y_list[i] - y_list[i - 1]
if difference <= 0:
y_list[i] = y_list[i - 1]
#
基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值，
#
则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如
Z-score
突变检测、
CUSUM
（
Cumulative
Sum
）
# else:
# if abs(difference) > 2 * np.mean(y_list[:i]):
# y_list[i] = y_list[i - 1]
#
第二次处理
#
计算每个点的移动平均值和标准差
ma = np.mean(y_list)
# std = np.std(np.array(y_list))
std = np.std(y_list)
#
计算
Z-score
z_score = [(x - ma) / std for x in y_list]
#
检测异常值
for i in range(len(y_list)):
