👉导读

最近，腾讯发布了自主研发的大型语言模型：混元大模型。该大模型具备多轮对话能力、内容创作能力、逻辑推理能力、搜索增强和知识图谱等特点。除了对于人类自然语言的理解，混元大模型对于计算机编程语言同样可以进行分析和和生成。今天我就来用一个很常见的 Python 开发需求：对一组数据进行采集、整理、可视化分析，来演示下混元大模型在编程辅助开发上所能提供的帮助。

👉目录

1 获取数据

2 存储数据

3 读取数据

4 清洗数据

5 数据处理

6 数据可视化

7 总结

开发实例：学生成绩排名及分布需求目标是从网页上抓取某班级学生的各科成绩汇总表，然后对分数进行排名，并通过可视化图表展示成绩的分布情况。在开发的过程中，我会使用腾讯混元大模型作为辅助。

先问问混元，一般这种程序要如何来写？

混元给出的建议：

获取网页数据数据清洗与处理数据分析与排名数据可视化结果展示跟我的想法不谋而合，显然这种常见需求难不倒它。那我们就开始实际操作吧。

01、获取数据

为了保证测试环境的稳定，我自己提前准备好了一份测试数据，地址为：https://python666.cn/static/score.html

首先需要通过代码获取其中的表格数据。

测试网页上只有一个表格，所以只需要回答中的前两个步骤就可以成功获取了。把目标 URL 代入混元给出的代码中：

运行效果如下：

02、存储数据

在上一个回答中，混元已经给我们提供了将数据保存为 csv 文件的方法。不过我想要 Excel 文件，所以让它再给我改一下。

混元给出的方案是使用 pandas 的 .to_excel 方法，把它加入到我们前面的代码中：

执行后得到的 Excel 文件如下：

03、读取数据

保存完数据之后，再进行处理的话需要从文件中读取出数据。之所以没有在抓取数据后直接处理，是因为把数据保存到本地更方便后续反复操作，这更符合通常数据分析的操作流程。

读取 Excel 数据的代码很简单，在混元给出的代码上改一下文件名就可以用了：

运行效果如下：

04、清洗数据

成绩表中有一些缺失的分数。对于这些成绩我希望将其替换成0分，以便于后续的计算。

将 .fillna(0) 方法添加进上一步的代码中：

顺利实现需求：

05、数据处理

数据的前期准备都已妥当，下面可以开始做些进一步的处理和分析了。

比如来计算一下每个学生的各科成绩总分和平均分。

混元给出了计算总分和平均分的方法，但有点小问题，计算取的列不对。于是我再提醒它一下：

根据修改后的回答，更新我们的代码：

运行效果如下：

06、数据可视化

最直观展示数据整体情况的方法就是通过可视化图表。

混元给出了 matplotlib 和 seaborn 两种方案，整合进之前的代码，呈现出如下效果：

大致意思是对的，细节上还有点小问题：

图上的中文图例都显示成了□；seaborn 没有区分平均分和总分两种数据，全部放在一起画分布图；matplotlib 虽然做了区分，但也是画在一张图上，导致比例有点失调。我来让它在 matplotlib 代码的基础上进一步修正，seaborn 的我们暂时就不用了。首先是中文显示的问题：

混元给出的解决方案是通过 plt.rcParams['font.sans-serif'] 设置中文字体。不过它给的 'Microsoft YaHei' 字体我电脑上没有，替换成我系统里有的 'Songti SC'，确实可以解决显示问题：

然后再把这两张分布图分开绘制：

混元给出的方案是根据 matplotlib 的 subplots 方法设置子图表布局，然后在两个子图表上分别绘制。

整合进代码，效果如下：

成功绘制出了总分和平均分两张分布图。

最终的完整代码如下：

代码语言：javascript代码运行次数：0运行复制import pandas as pd

import matplotlib.pyplot as plt

# 读取Excel中书数据

df = pd.read_excel("output.xlsx", sheet_name="Sheet1")

# 对空值进行填充

df = df.fillna(0)

# 计算总分和平均分

mean_values = df.iloc[:, 2:11].mean(axis=1)

sum_values = df.iloc[:, 2:11].sum(axis=1)

df["总分"] = sum_values

df["平均分"] = mean_values

# print(df)

# 设置中文字体

plt.rcParams['font.sans-serif'] = ['Songti SC']

plt.rcParams['axes.unicode_minus'] = False

# 创建一个2x1的子图表布局

fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(6, 8))

# 绘制总分直方图

axes[0].hist(df['总分'], bins=20, color='blue', edgecolor='black', alpha=0.7)

axes[0].set_title('总分')

axes[0].set_xlabel('分数')

axes[0].set_ylabel('人数')

# 绘制平均分直方图

axes[1].hist(df['平均分'], bins=20, color='red', edgecolor='black', alpha=0.7)

axes[1].set_title('平均分')

axes[1].set_xlabel('分数')

axes[1].set_ylabel('人数')

# 显示图表

plt.tight_layout()

plt.show()07、总结

以上就是我们借助混元大模型，辅助开发一个数据分析案例的全过程演示。

从结果上来看，混元的确可以给我们在开发程序时提供帮助，提高开发效率。尤其对于数据分析这种开发需求来说，会用到很多第三方模块中的函数，在过去需要频繁查阅文档和搜索网络来了解具体的用法和参数设置，现在借助于大模型，可以很方便地得到示例代码，稍加调整就可以应用在代码中，大大节省了时间。

当然在此过程也会发现，由于程序设计会牵涉到业务需求的细节和具体的数据格式，大模型并不是每次都能直接给出完美的代码。这种情况下，需要使用者针对问题进一步提问，或对给出的代码进行验证和调整。

但总的来说，作为一个「开发助手」的角色，混元大模型已经可以给到开发者实实在在的效率提升。并且，大模型还在不断地进化迭代，期待后续有更令人惊艳的表现。

-End-