在飞书搞了个机器人，我让ChatGPT帮忙写算法

一、前言

环境：
系统：Windows 11 64位
Python版本：Python 3.9

注：本文不讲怎么实现，只讲实现的效果和一些思考。大家感兴趣再考虑去配置相关机器人。

先来问问ChatGPT两个问题：
1、ChatGPT是什么？
来看看ChatGPT对自己的定义：

ChatGPT是一种基于自然语言处理（NLP）的聊天机器人技术，它可以帮助用户与聊天机器人进行自然语言交流。ChatGPT使用深度学习技术来模拟人类的自然语言交流，从而实现自然语言处理（NLP）的聊天机器人功能。

2、ChatGPT能做什么？
来看看ChatGPT对自己的定义：

试用一番之后，我有个强烈的感受——ChatGPT真的太强大了！
它像是一个全能型选手，可以帮助我了解一些未知的领域，帮我解答一些其他领域很小白的问题，只要你有问题，它可以不厌其烦地给你解答。
如果你在学习某个领域的知识，遇到难题了，问它，或许也可以给你答案或者一些启发。
更让我惊喜的是，它还可以帮我写算法，大大提高了我的学习效率，太爱了！接下来介绍三个算法小例子：

注：本篇文章只讲故事，不讲原理和操作

二、让ChatGPT帮我写算法

以下简述下ChatGPT为我写的3个算法。

2.1 二分法

def binary_search(list, item):
    low = 0
    high = len(list) - 1
    while low <= high:
        mid = (low + high) // 2
        guess = list[mid]
        if guess == item:
            return mid
        if guess > item:
            high = mid - 1
        else:
            low = mid + 1
    return None

my_list = [1, 3, 5, 7, 9]

print(binary_search(my_list, 3))  # => 1
print(binary_search(my_list, -1)) # => None

我记得之前一开始写二分法算法的时候，还遇到一个坑，就是不知道这种从[0, n-1]的边界值处理方式，后来采用了[-1, n]完美地解决了问题，今天AI教会了我，原来是要在重新赋值low和high变量的时候，进行加1和减1的处理，get到了！！！

2.2 Apriori算法

Apriori算法是一种用于发现关联规则的数据挖掘算法，它的基本思想是：如果某个项集是频繁项集，那么它的所有子集也是频繁项集。Apriori算法通过迭代的方式来寻找频繁项集，它的基本步骤如下：

1. 从原始数据中构建候选项集，并计算每个项集的支持度；
2. 根据支持度的阈值筛选出频繁项集；
3. 从频繁项集中构建关联规则；
4. 根据置信度的阈值筛选出有效的关联规则。

接下来问问ChatGPT怎么用Python实现该算法。

ChatGPT用Python帮我写的Apriori算法代码，还带了一个数据集，直接拿来跑就完事了。
如果想要用自己的数据集，直接替换以下代码的dataset即可，简直不要太容易！
ChatGPT提供的完整代码如下：

# > Python实现Apriori算法
# -*- coding:utf-8 -*-

# 导入相关库
import pandas as pd
import numpy as np

# 加载数据集
dataset = [['牛奶', '面包', '尿布', '啤酒', '鸡蛋'],
           ['牛奶', '尿布', '啤酒', '可乐'],
           ['面包', '牛奶', '尿布', '啤酒'],
           ['面包', '牛奶', '尿布', '可乐']]

# 将数据集转换为DataFrame格式
df = pd.DataFrame(dataset)

# 定义Apriori算法函数
def apriori(data, min_support=0.5):
    # 将数据转换为集合格式
    C1 = create_C1(data)
    # 将数据集转换为二维列表
    D = list(map(set, data))
    # 构建初始候选项集C1
    L1, support_data = scan_D(D, C1, min_support)
    # 构建完整的候选项集Ck
    L = [L1]
    k = 2
    while (len(L[k-2]) > 0):
    Ck = apriori_gen(L[k-2], k)
    Lk, supK = scan_D(D, Ck, min_support)
    support_data.update(supK)
    L.append(Lk)
    k += 1
    return L, support_data

    # 构建初始候选项集C1
    def create_C1(data):
    C1 = []
    for transaction in data:
    for item in transaction:
    if not [item] in C1:
    C1.append([item])
    C1.sort()
    return list(map(frozenset, C1))

    # 扫描数据集，从C1生成L1
    def scan_D(D, Ck, min_support):
    ss_cnt = {}
    for tid in D:
    for can in Ck:
    if can.issubset(tid):
    if can not in ss_cnt:
    ss_cnt[can] = 1
else:
    ss_cnt[can] += 1
    num_items = float(len(D))
    ret_list = []
    support_data = {}
    for key in ss_cnt:
    support = ss_cnt[key] / num_items
    if support >= min_support:
    ret_list.insert(0, key)
    support_data[key] = support
    return ret_list, support_data

    # 根据频繁项集的集合进行合并
    def apriori_gen(Lk, k):
    ret_list = []
    len_Lk = len(Lk)
    for i in range(len_Lk):
    for j in range(i+1, len_Lk):
    L1 = list(Lk[i])[:k-2]
    L2 = list(Lk[j])[:k-2]
    L1.sort()
    L2.sort()
    if L1 == L2:
    ret_list.append(Lk[i] | Lk[j])
    return ret_list

    # 调用Apriori算法
    L, support_data = apriori(dataset, min_support=0.5)

    # 打印结果
    print("频繁项集：", L)
    print("所有候选项集的支持度信息：", support_data) 

2.3 感知机

这个稍微复杂一些，返回的代码似乎有点问题，我用Python 3.9不能直接跑。
只要是格式化那部分%!s(MISSING)、%!f(MISSING)、%!((MISSING)self.weights, self.bias)、%!d(MISSING)和%!a(MISSING)nd_perception.predict([1, 1]))。
代码如下：

# > Python实现感知机
# 感知机
import numpy as np

# 定义激活函数
def sign(x):
    if x >= 0:
        return 1
    else:
        return -1

# 定义感知机
class Perceptron(object):
    def __init__(self, input_num, activator):
        self.activator = activator
        # 权重向量初始化为0
        self.weights = [0.0 for _ in range(input_num)]
        # 偏置项初始化为0
        self.bias = 0.0

    def __str__(self):
        return 'weights\t:%!s(MISSING)\nbias\t:%!f(MISSING)\n' %!((MISSING)self.weights, self.bias)

    # 输入向量，计算感知机的输出
    def predict(self, input_vec):
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和
        return self.activator(
            np.dot(input_vec, self.weights) + self.bias)

    # 输入训练数据：一组向量、与每个向量对应的label；以及训练轮数，根据训练数据调整权重
    def train(self, input_vecs, labels, iteration, rate):
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)

    # 一次迭代，把所有的训练数据过一遍
    def _one_iteration(self, input_vecs, labels, rate):
        # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
        # 而每个训练样本是(input_vec, label)
        samples = zip(input_vecs, labels)
        # 对每个样本，按照感知机规则更新权重
        for (input_vec, label) in samples:
            # 计算感知机在当前权重下的输出
            output = self.predict(input_vec)
            # 更新权重
            self._update_weights(input_vec, output, label, rate)

    # 按照感知机规则更新权重
    def _update_weights(self, input_vec, output, label, rate):
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output
        self.weights = list(map(
            lambda x_w: x_w[1] + rate * delta * x_w[0],
            zip(input_vec, self.weights)))
        # 更新bias
        self.bias += rate * delta

def f(x):
    return 1 if x > 0 else 0

def get_training_dataset():
    # 构建训练数据
    # 输入向量列表
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    # 期望的输出列表，注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels

def train_and_perceptron():
    # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
    p = Perceptron(2, f)
    # 训练，迭代10轮, 学习速率为0.1
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    #返回训练好的感知器
    return p

if __name__ == '__main__':
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重
    print(and_perception)
    # 测试
    print('1 and 1 = %!d(MISSING)' %!a(MISSING)nd_perception.predict([1, 1]))
    print('0 and 0 = %!d(MISSING)' %!a(MISSING)nd_perception.predict([0, 0]))
    print('1 and 0 = %!d(MISSING)' %!a(MISSING)nd_perception.predict([1, 0]))
    print('0 and 1 = %!d(MISSING)' %!a(MISSING)nd_perception.predict([0, 1]))

这些有点超出了我的认知，我问ChatGPTpython %!d 是什么意思，它说“%!!(MISSING)d 是Python中的格式化字符串，它表示将变量替换为其对应的十进制整数。 ”
怎么回答多了个!？

接着用它提供的信息，问%!!(MISSING)d 怎么使用，它回复的信息似乎有点问题：

• %!n(MISSING)umber应该是%!(MISSING)number
• "%!d(MISSING)" %!(MISSING)10并不能直接跑，这是无效语法

官网查了一下，也没有格式化+missing的相关资料，直接百度也没有找到。先姑且认为是一个bug吧。修改一下格式化部分，便可以正常跑了，改完具体代码如下：

# > Python实现感知机
# 感知机
import numpy as np

# 定义激活函数
def sign(x):
    if x >= 0:
        return 1
    else:
        return -1

# 定义感知机
class Perceptron(object):
    def __init__(self, input_num, activator):
        self.activator = activator
        # 权重向量初始化为0
        self.weights = [0.0 for _ in range(input_num)]
        # 偏置项初始化为0
        self.bias = 0.0

    def __str__(self):
        # return 'weights\t:%!s(MISSING)\nbias\t:%!f(MISSING)\n' %!((MISSING)self.weights, self.bias)
        return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
    # 输入向量，计算感知机的输出
    def predict(self, input_vec):  #input_vec相当于X
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和
        return self.activator(np.dot(input_vec, self.weights) + self.bias)

    # 输入训练数据：一组向量、与每个向量对应的label；以及训练轮数，根据训练数据调整权重
    def train(self, input_vecs, labels, iteration, rate):
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)

    # 一次迭代，把所有的训练数据过一遍
    def _one_iteration(self, input_vecs, labels, rate):
        # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
        # 而每个训练样本是(input_vec, label)
        samples = zip(input_vecs, labels)
        # 对每个样本，按照感知机规则更新权重
        for (input_vec, label) in samples:
            # 计算感知机在当前权重下的输出
            output = self.predict(input_vec)
            # 更新权重
            self._update_weights(input_vec, output, label, rate)

    # 按照感知机规则更新权重
    def _update_weights(self, input_vec, output, label, rate):
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output   #实际值-预测值
        self.weights = list(map(
            lambda x_w: x_w[1] + rate * delta * x_w[0],  #速率*(实际值-预测值)*x值
            zip(input_vec, self.weights)))
        # 更新bias
        self.bias += rate * delta

def f(x):
    return 1 if x > 0 else 0

def get_training_dataset():
    """
    input_vecs相当于X_train
    labels相当于y_train
    :return:
    """
    # 构建训练数据
    # 输入向量列表
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    # 期望的输出列表，注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels

def train_and_perceptron():
    # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
    p = Perceptron(2, f)
    # 训练，迭代10轮, 学习速率为0.1
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    #返回训练好的感知器
    return p

if __name__ == '__main__':
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重
    print(and_perception)
    # 测试
    # print('1 and 1 = %!d(MISSING)' %!(MISSING)and_perception.predict([1, 1]))
    # print('0 and 0 = %!d(MISSING)' %!(MISSING)and_perception.predict([0, 0]))
    # print('1 and 0 = %!d(MISSING)' %!(MISSING)and_perception.predict([1, 0]))
    # print('0 and 1 = %!d(MISSING)' %!(MISSING)and_perception.predict([0, 1]))
    print('1 and 1 = %d' % and_perception.predict([1, 1]))
    print('0 and 0 = %d' % and_perception.predict([0, 0]))
    print('1 and 0 = %d' % and_perception.predict([1, 0]))
    print('0 and 1 = %d' % and_perception.predict([0, 1]))

三、小结

不得不说，ChatGPT很给力！不然也不会那么火爆，对于未知的领域，我们经常会有各种各样的“傻”问题，或许也会有一些不好意思问导师或者专家，生怕问题太小白了，被“嫌弃”，而且脑子里无穷的问号，需要占用别人很长的时间才能够一一解答，通过ChatGPT可以解决我们类似的绝大多数比较小白的问题，帮助我们一定程度入门相关知识领域。

上面的描述，或许当过父母的会有更“痛”的领悟，小孩在4岁前后脑袋瓜里就会装这各种各样的奇思妙想，或许ChatGPT会更配，可以满足孩子各种各样的好奇心，当然，这只是一个设想，具体需要验证一下~~