Bạn đang vật lộn với việc làm sao để yêu cầu trí tuệ nhân tạo (AI) cung cấp cho bạn những đoạn mã Python hiệu quả để xử lý và phân tích tập dữ liệu CSV? Đây là một thách thức phổ biến mà nhiều người mới bắt đầu trong lĩnh vực khoa học dữ liệu, kỹ sư dữ liệu hoặc ai đó chỉ đơn giản là muốn trích xuất thông tin từ bảng dữ liệu gặp phải. Việc tạo ra một “prompt” (lời nhắc) tốt không chỉ giúp bạn tiết kiệm thời gian mà còn đảm bảo nhận được kết quả chính xác, dễ hiểu và có thể áp dụng ngay lập tức.
Trong bài viết này, chúng ta sẽ cùng nhau đi sâu vào cách “chế biến” một prompt tối ưu cho AI, nhằm mục đích tạo ra các đoạn mã Python mạnh mẽ để phân tích dữ liệu CSV. Chúng ta sẽ khám phá các yếu tố cần thiết để một prompt trở nên AI-resistant, dễ hiểu cho người mới bắt đầu, và quan trọng nhất là mang lại giá trị thực tiễn cao, giúp bạn tự tin hơn trong hành trình khám phá dữ liệu sắp tới. Mục tiêu là không chỉ nhận được mã nguồn, mà còn hiểu được tại sao mã đó hoạt động và cách tùy chỉnh nó cho các nhu cầu cụ thể của bạn.
Tại Sao Prompt Là Chìa Khóa Cho Mã Python Phân Tích CSV?
Prompt (lời nhắc) giống như một bản chỉ dẫn chi tiết bạn đưa cho AI. Chất lượng của chỉ dẫn này sẽ quyết định trực tiếp đến chất lượng của “sản phẩm” mà AI tạo ra – trong trường hợp này là đoạn mã Python. Đối với việc phân tích dữ liệu CSV, một prompt tốt cần phải rõ ràng, cụ thể và bao quát được mọi yêu cầu của bạn.
Theo kinh nghiệm của tôi, việc tập trung vào một prompt duy nhất để giải quyết mọi vấn đề là không hiệu quả. Thay vào đó, hãy chia nhỏ yêu cầu của bạn thành các phần nhỏ hơn, mỗi phần tập trung vào một tác vụ phân tích cụ thể. Điều này giúp cả bạn và AI dễ dàng theo dõi và đảm bảo tính chính xác của từng bước trong quy trình phân tích dữ liệu.
Một prompt được xây dựng tốt sẽ:
- Định hướng rõ ràng: AI hiểu chính xác bạn muốn thực hiện hành động gì với dữ liệu CSV.
- Tối ưu hóa hiệu suất: Nhận được mã nguồn hiệu quả, sử dụng các thư viện phổ biến và phương pháp tốt nhất.
- Giảm thiểu lỗi: Hạn chế tối đa việc AI tạo ra mã sai hoặc không phù hợp với ngữ cảnh.
- Tiết kiệm thời gian: Thay vì chỉnh sửa mã nguồn phức tạp, bạn có thể nhanh chóng áp dụng hoặc điều chỉnh nhẹ.
Đặc biệt đối với người mới bắt đầu, việc hiểu cách cấu trúc một prompt không chỉ giúp bạn sử dụng AI hiệu quả hơn mà còn là bước đệm quan trọng để bạn nắm vững kiến thức lập trình Python trong phân tích dữ liệu.
Các Yếu Tố Cần Có Trong Một Prompt Hiệu Quả
Để tạo ra một đoạn mã Python chất lượng cao cho việc phân tích dữ liệu CSV, prompt của bạn cần tích hợp các yếu tố sau đây. Việc kết hợp chúng một cách khéo léo sẽ giúp AI hiểu rõ yêu cầu của bạn và đưa ra kết quả tối ưu nhất.
1. Độ Rõ Ràng và Cụ Thể
Đây là nguyên tắc vàng khi tạo prompt. Bạn cần phải mô tả rõ ràng mình muốn làm gì. Thay vì nói “xử lý dữ liệu CSV”, hãy cụ thể hóa hành động bạn muốn thực hiện.
- Dùng từ ngữ hành động: “Đọc tệp”, “lọc dữ liệu”, “tính toán trung bình”, “vẽ biểu đồ”.
- Chỉ định rõ đối tượng: “Cột ‘Doanh thu'”, “hàng có giá trị ‘TP.HCM'”, “tất cả các hàng”.
- Xác định mục tiêu cuối cùng: “Tìm ra sản phẩm bán chạy nhất”, “phân tích xu hướng theo thời gian”, “so sánh hiệu suất giữa các tháng”.
Ví dụ, một prompt tốt hơn sẽ là: “Viết đoạn mã Python sử dụng Pandas để đọc tệp ‘sales_data.csv’, sau đó lọc ra tất cả các giao dịch có giá trị ‘Doanh thu’ lớn hơn 1000 và lưu kết quả vào một tệp CSV mới có tên ‘high_value_sales.csv’.”
2. Cung Cấp Ngữ Cảnh
Ngữ cảnh giúp AI hiểu được bức tranh tổng thể và mối liên hệ giữa các yêu cầu. Đừng ngại cung cấp thông tin nền, đặc biệt là khi bạn mới bắt đầu sử dụng một tệp dữ liệu mới.
- Mô tả cấu trúc tệp CSV: Ví dụ, “Tệp CSV này có các cột: ‘Ngày’, ‘Sản phẩm’, ‘Khách hàng’, ‘Số lượng’, ‘Đơn giá’.”
- Giải thích mục tiêu của phân tích: Ví dụ, “Tôi muốn phân tích xu hướng bán hàng của từng loại sản phẩm trong quý cuối năm để đưa ra chiến lược tồn kho.”
- Đề cập đến các thư viện mong muốn: Nếu bạn đã quen thuộc với Pandas và Matplotlib, hãy nói rõ: “Sử dụng thư viện Pandas để xử lý dữ liệu và Matplotlib hoặc Seaborn để vẽ biểu đồ.”
Theo kinh nghiệm của tôi, việc cung cấp tên các cột và loại dữ liệu trong cột đó (ví dụ: văn bản, số nguyên, ngày tháng) có thể giúp AI tránh nhầm lẫn và tạo ra mã chính xác hơn nhiều.
3. Định Dạng Đầu Vào và Đầu Ra
Bạn cần thông báo cho AI biết tệp dữ liệu của bạn trông như thế nào và bạn muốn kết quả đầu ra ra sao.
- Định dạng tệp CSV: Có dấu phân cách là gì (dấu phẩy, dấu chấm phẩy)? Có dòng tiêu đề không? Có ký tự đặc biệt nào cần xử lý không?
- Định dạng đầu ra mong muốn: Bạn muốn nhận lại một biến DataFrame của Pandas? Một tệp CSV mới? Một biểu đồ? Hay một tóm tắt văn bản?
- Mẫu dữ liệu (tùy chọn nhưng hữu ích): Nếu có thể, cung cấp một vài dòng mẫu của tệp CSV và kết quả mong muốn (dưới dạng văn bản mô tả hoặc mã) sẽ cực kỳ có giá trị.
Ví dụ: “Tệp ‘weather_data.csv’ sử dụng dấu chấm phẩy (;) làm dấu phân cách và có dòng tiêu đề. Tôi muốn bạn trả về một DataFrame của Pandas với các cột ‘Nhiệt độ’ và ‘Độ ẩm’, đã được lọc để chỉ bao gồm các ngày có nhiệt độ dưới 15 độ C.”
4. Yêu Cầu về “Hands-on” và Giải Thích
Để đáp ứng tiêu chí Experience và Expertise của E-E-A-T, bạn nên yêu cầu AI không chỉ đưa mã mà còn giải thích nó hoặc cung cấp các ví dụ thực tế.
- Yêu cầu giải thích mã: “Cung cấp giải thích chi tiết cho từng dòng mã.”, “Giải thích tại sao lại sử dụng phương thức `.groupby()` ở đây.”
- Yêu cầu ví dụ áp dụng: “Cho tôi một ví dụ về cách áp dụng đoạn mã này với một tệp CSV nhỏ khác.”, “Minh họa cách xử lý trường hợp dữ liệu bị thiếu trong cột ‘Giá’ trước khi tính trung bình.”
- Yêu cầu các phương án thay thế: “Có cách nào hiệu quả hơn để đạt được kết quả này không?”, “Hãy gợi ý các thư viện khác có thể dùng để vẽ biểu đồ tương tự.”
Một lần tôi đã thử yêu cầu AI giải thích từng dòng mã khi viết prompt về lọc dữ liệu theo nhiều điều kiện. Điều đó thực sự giúp tôi hiểu sâu hơn về cách logic hoạt động và cách kết hợp nhiều bộ lọc với nhau thay vì chỉ chép lại mã.
5. Tích Hợp Các Yêu Cầu Về Tối Ưu Hóa SEO (Cho Bạn)
Mặc dù bạn đang yêu cầu AI viết code, nhưng nếu mục tiêu cuối cùng là nội dung trên blog của bạn, hãy xem xét việc tích hợp các từ khóa liên quan vào prompt để AI có thể tạo ra các đoạn mã hoặc giải thích có liên quan một cách tự nhiên.
- Ví dụ, nếu từ khóa chính là “prompt viết đoạn mã Python phân tích dữ liệu CSV”, bạn có thể yêu cầu: “Viết đoạn mã Python sử dụng Pandas để phân tích dữ liệu từ tệp CSV, tập trung vào các phương pháp đọc, làm sạch và tổng hợp dữ liệu, và giải thích rõ ràng từng bước cho người mới bắt đầu.”
Xây Dựng Prompt Chi Tiết Cho Các Tác Vụ Phân Tích CSV Phổ Biến
Bây giờ, chúng ta hãy đi vào chi tiết cách tạo prompt cho các tác vụ phân tích dữ liệu CSV thường gặp. Mỗi phần sẽ tập trung vào một khía cạnh cụ thể, đảm bảo bạn nhận được đoạn mã Python chất lượng cao.
1. Đọc và Khám Phá Dữ Liệu CSV Ban Đầu
Đây là bước đầu tiên và quan trọng nhất. Prompt cần rõ ràng về cách đọc tệp và những thông tin ban đầu bạn muốn biết.
Prompt mẫu: “Viết một đoạn mã Python sử dụng thư viện Pandas để đọc tệp CSV có tên ‘du_lieu_khach_hang.csv’. Sau khi đọc, hãy hiển thị 5 dòng đầu tiên của DataFrame và in ra tên tất cả các cột cùng với kiểu dữ liệu của chúng. Nếu tệp có sử dụng dấu phân cách khác dấu phẩy, vui lòng chỉ định rõ.”
Tại sao prompt này hiệu quả:
- Rõ ràng: Yêu cầu đọc tệp và hiển thị thông tin cụ thể.
- Cụ thể: Chỉ định tên tệp, hành động (hiển thị 5 dòng đầu, tên cột, kiểu dữ liệu).
- Ngữ cảnh: Yêu cầu gợi ý về dấu phân cách, giúp AI xử lý trường hợp đặc biệt.
Giải thích thêm cho người mới bắt đầu: Đoạn mã này sẽ giúp bạn có cái nhìn sơ bộ về dữ liệu. `df.head()` cho bạn thấy các giá trị mẫu, còn `df.info()` cung cấp thông tin về cấu trúc và kiểu dữ liệu, rất quan trọng cho các bước tiếp theo.
2. Làm Sạch Dữ Liệu (Xử Lý Giá Trị Thiếu, Trùng Lặp)
Dữ liệu thực tế thường không hoàn hảo. Việc làm sạch là bắt buộc.
Prompt mẫu: “Tôi có một DataFrame Pandas tên là ‘df’ chứa dữ liệu bán hàng (đã được đọc từ file). Hãy viết đoạn mã Python để:
- Tìm và đếm số lượng giá trị bị thiếu (NaN) trong mỗi cột.
- Điền giá trị thiếu trong cột ‘DoanhThu’ bằng giá trị trung bình của cột đó.
- Xóa bỏ các hàng chứa dữ liệu trùng lặp dựa trên tất cả các cột.
- Sau khi làm sạch, hiển thị lại số lượng giá trị thiếu còn lại trong DataFrame.”
Cung cấp giải thích ngắn gọn cho mỗi bước trong đoạn mã.
Tại sao prompt này hiệu quả:
- Cấu trúc rõ ràng: Sử dụng danh sách được đánh số để phân chia các tác vụ cụ thể.
- Chi tiết về phương pháp: Chỉ định cách xử lý giá trị thiếu (điền bằng trung bình) và cách xử lý trùng lặp (xóa hàng).
- Yêu cầu giải thích: Giúp người dùng mới hiểu rõ quy trình.
Kinh nghiệm cá nhân: Việc xử lý giá trị thiếu luôn cần sự cân nhắc. Điền bằng trung bình là một phương pháp phổ biến nhưng đôi khi nó có thể làm sai lệch phân tích nếu dữ liệu thiếu không ngẫu nhiên. Luôn kiểm tra xem việc điền giá trị có hợp lý với ngữ cảnh của bạn hay không.
3. Lọc và Chọn Lọc Dữ Liệu Theo Điều Kiện
Thường thì bạn chỉ quan tâm đến một tập con của dữ liệu.
Prompt mẫu: “Viết mã Python sử dụng Pandas để lọc DataFrame ‘df’ (đã có dữ liệu). Tôi muốn lấy ra tất cả các hàng mà cột ‘Ngành’ có giá trị là ‘Công nghệ’ HOẶC cột ‘Năm’ có giá trị lớn hơn 2022. Sau đó, hãy hiển thị 5 hàng đầu tiên của kết quả lọc và tên các cột của nó.”
Tại sao prompt này hiệu quả:
- Điều kiện rõ ràng: Sử dụng `OR` (HOẶC) để kết hợp hai điều kiện lọc.
- Chỉ định rõ cột và giá trị: “Ngành == ‘Công nghệ'”, “Năm > 2022”.
- Định dạng đầu ra mong muốn: Yêu cầu hiển thị kết quả lọc.
Nghiên cứu về cách sử dụng toán tử logic `&` (AND) và `|` (OR) trong Pandas là rất quan trọng. Hãy nhớ đặt mỗi điều kiện trong ngoặc đơn để đảm bảo thứ tự ưu tiên chính xác.
4. Tóm Tắt và Tổng Hợp Dữ Liệu
Việc tính toán các thống kê tổng hợp (tổng, trung bình, đếm) là rất phổ biến.
Prompt mẫu: “Dựa trên DataFrame ‘df’ (đã được làm sạch), hãy tính toán và hiển thị các thông tin sau:
- Tổng doanh thu từ cột ‘DoanhThu’.
- Trung bình số lượng bán hàng từ cột ‘SoLuong’.
- Số lượng khách hàng duy nhất trong cột ‘MaKhachHang’.
- Cuối cùng, hãy thực hiện ‘group by’ cột ‘SanPhan’ và tính tổng ‘DoanhThu’ cho mỗi nhóm sản phẩm. Hiển thị kết quả này dưới dạng một bảng.”
Tại sao prompt này hiệu quả:
- Các phép toán cụ thể: Chỉ định rõ các hàm (`sum`, `mean`, `nunique`, `groupby().sum()`).
- Chỉ rõ cột áp dụng: Rất quan trọng để tránh nhầm lẫn.
- Định dạng đầu ra: Yêu cầu hiển thị dưới dạng bảng cho kết quả `groupby`.
5. Trực Quan Hóa Dữ Liệu (Vẽ Biểu Đồ)
Biểu đồ giúp chúng ta nhìn thấy các xu hướng và mẫu hình mà mắt thường khó nhận ra trong bảng dữ liệu.
Prompt mẫu: “Sử dụng DataFrame ‘df’ (sau khi đã tổng hợp theo sản phẩm và tính tổng doanh thu), hãy vẽ một biểu đồ cột (bar chart) để hiển thị tổng doanh thu của mỗi sản phẩm. Đặt tên biểu đồ là ‘Tổng Doanh Thu Theo Sản Phẩm’. Nhãn trục X là ‘Sản Phẩm’, nhãn trục Y là ‘Tổng Doanh Thu’. Sử dụng thư viện Matplotlib.
Sau đó, nếu có cột ‘Ngay’ và ‘DoanhThu’, hãy viết thêm đoạn mã để vẽ biểu đồ đường (line chart) thể hiện sự thay đổi của doanh thu theo thời gian.”
Tại sao prompt này hiệu quả:
- Loại biểu đồ rõ ràng: Chỉ định “biểu đồ cột” và “biểu đồ đường”.
- Thông tin trực quan: Yêu cầu đặt tên biểu đồ, nhãn trục.
- Dữ liệu đầu vào: Xác định DataFrame và các cột liên quan.
- Thư viện cụ thể: Yêu cầu sử dụng Matplotlib, giúp AI tập trung vào một cách tiếp cận.
Theo chuyên gia Y về khoa học dữ liệu, trực quan hóa là khâu cực kỳ quan trọng để truyền đạt ý nghĩa của dữ liệu. Biểu đồ cột rất tốt cho việc so sánh, còn biểu đồ đường thì tuyệt vời để theo dõi xu hướng.
Lợi Ích Từ Việc Lồng Ghép E-E-A-T Vào Prompt
Khi bạn yêu cầu AI cung cấp mã Python để phân tích dữ liệu CSV, việc lồng ghép các yếu tố E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) vào prompt sẽ mang lại lợi ích không ngờ, ngay cả khi bạn chỉ là người mới bắt đầu.
1. Kinh Nghiệm (Experience)
Bằng cách yêu cầu AI cung cấp ví dụ, giải thích theo kinh nghiệm, hoặc các tình huống thực tế, bạn đang yêu cầu nó mô phỏng lại kinh nghiệm của một người lập trình.
Ví dụ trong prompt: “Hãy cung cấp một ví dụ thực tế về cách xử lý ngoại lệ khi đọc một tệp CSV bị lỗi định dạng, và giải thích cặn kẽ từng bước như bạn đã từng làm.” Hoặc: “Dựa trên kinh nghiệm của bạn, phương pháp nào hiệu quả nhất để giảm thiểu thời gian xử lý khi làm việc với tệp CSV lớn?”
Theo kinh nghiệm của tôi, việc yêu cầu thêm các “lessons learned” (bài học kinh nghiệm) hoặc “common pitfalls” (cạm bẫy phổ biến) giúp đoạn mã trở nên mạnh mẽ và ít gặp lỗi hơn khi bạn áp dụng vào dự án thực tế.
2. Chuyên Môn (Expertise)
Yêu cầu AI giải thích các khái niệm, các hàm hoặc lý do đằng sau một phương pháp cụ thể sẽ giúp bạn xây dựng nền tảng kiến thức vững chắc.
Ví dụ trong prompt: “Giải thích rõ ràng sự khác biệt giữa phương thức `.loc` và `.iloc` trong Pandas khi truy cập dữ liệu, và đưa ra ví dụ minh họa cho mỗi trường hợp. Hãy diễn giải như một chuyên gia để tôi có thể hiểu sâu sắc.”
Việc yêu cầu AI trích dẫn hoặc đề cập đến các tài liệu, bài viết từ các nguồn uy tín (nếu có thể) cũng là một cách để củng cố chuyên môn.
[External Link Suggestion: Documentation – Pandas Library]
3. Uy Tín (Authoritativeness) & Độ Tin Cậy (Trustworthiness)
Để AI tạo ra mã tin cậy, bạn cần yêu cầu nó tuân thủ các quy tắc thực hành tốt nhất (best practices) và cung cấp thông tin cân bằng.
Ví dụ trong prompt: “Viết đoạn mã Python tuân thủ các quy tắc thực hành tốt nhất (best practices) của Pandas cho việc phân tích dữ liệu CSV. Đảm bảo mã nguồn dễ đọc, có chú thích đầy đủ và xử lý các trường hợp ngoại lệ một cách an toàn.
Hơn nữa, hãy thảo luận về các ưu và nhược điểm của hai phương pháp A và B để xử lý vấn đề X, dựa trên các nguồn thông tin đáng tin cậy.”
Đây là lý do tại sao yêu cầu giải thích lại rất quan trọng. Khi AI giải thích, bạn có thể đánh giá được độ tin cậy của thông tin mà nó cung cấp. Nếu AI đưa ra một phương pháp quá lạ hoặc không có lý do rõ ràng, bạn cần cảnh giác.
Mẫu Prompt Tổng Hợp Đầy Đủ
Bây giờ, chúng ta sẽ tổng hợp lại mọi thứ vào một prompt hoàn chỉnh, bao quát nhiều tác vụ cho người mới bắt đầu.
Prompt:
“Tôi đang bắt đầu học phân tích dữ liệu với Python và cần bạn giúp đỡ. Tôi có một tệp CSV tên là ‘doanh_so_ban_hang.csv’ với các cột sau: [‘MaDonHang’, ‘NgayDatHang’, ‘TenSanPham’, ‘SoLuong’, ‘DonGia’, ‘ThanhPho’, ‘GhiChu’]. Dấu phân cách trong tệp là dấu phẩy. Mọi dòng đều có tiêu đề.
Hãy viết một đoạn mã Python sử dụng thư viện Pandas và Matplotlib để thực hiện các tác vụ sau:
- Đọc tệp CSV ‘doanh_so_ban_hang.csv’ vào một DataFrame và hiển thị 5 dòng đầu tiên cùng với thông tin tổng quan (tên cột, kiểu dữ liệu, số giá trị không null).
- Làm sạch dữ liệu:
- Kiểm tra và đếm số lượng giá trị thiếu trong từng cột.
- Nếu có giá trị thiếu trong cột ‘DonGia’, điền giá trị đó bằng giá trị trung bình của cột ‘DonGia’.
- Xóa bỏ các hàng hoàn toàn trùng lặp.
- Lọc dữ liệu: Lấy ra tất cả các đơn hàng có ‘ThanhPho’ là ‘Hà Nội’ VÀ ‘SoLuong’ lớn hơn 5. Hiển thị 5 đơn hàng đầu tiên và tên các cột của kết quả lọc.
- Tổng hợp dữ liệu: Tính toán tổng ‘SoLuong’ và tổng ‘DonGia’ cho mỗi ‘TenSanPham’. Hiển thị kết quả này dưới dạng một bảng.
- Trực quan hóa dữ liệu:
- Vẽ một biểu đồ cột hiển thị tổng ‘SoLuong’ cho mỗi ‘TenSanPham’. Đặt tên biểu đồ là ‘Tổng Số Lượng Bán Ra Theo Sản Phẩm’, nhãn trục X là ‘Sản Phẩm’, nhãn trục Y là ‘Tổng Số Lượng’.
- Vẽ một biểu đồ đường thể hiện tổng ‘DonGia’ thay đổi theo ‘NgayDatHang’ (sau khi đã nhóm theo ngày).
Đối với mỗi tác vụ, hãy cung cấp:
- Đoạn mã Python tương ứng và giải thích ngắn gọn chức năng của từng phần mã.
- Các gợi ý về cách tùy chỉnh đoạn mã cho các tình huống khác.
- Lưu ý về các cạm bẫy phổ biến hoặc các phương pháp thay thế nếu có.
Mục tiêu của tôi là hiểu rõ từng bước để có thể tự tin áp dụng vào các tệp dữ liệu CSV khác. Hãy viết mã một cách rõ ràng, dễ đọc và sử dụng các cấu trúc dữ liệu và hàm phổ biến của Pandas.
”
Phân tích prompt mẫu:
- Rõ ràng & Cụ thể: Mô tả tên tệp, cấu trúc cột, dấu phân cách, và định dạng đầu ra mong muốn cho từng bước.
- Ngữ cảnh: Đặt mục tiêu (học phân tích dữ liệu) và cho biết trình độ (người mới bắt đầu).
- Cấu trúc theo từng bước: Sử dụng đánh số và gạch đầu dòng cho từng tác vụ, giúp AI xử lý tuần tự.
- Yêu cầu E-E-A-T: Yêu cầu giải thích, gợi ý tùy chỉnh, cạm bẫy, phương pháp thay thế, và tuân thủ best practices.
- Thư viện cụ thể: Yêu cầu sử dụng Pandas và Matplotlib.
Prompt này đảm bảo AI hiểu rõ bạn cần gì, từ việc đọc dữ liệu cơ bản đến trực quan hóa, đồng thời cung cấp kiến thức bổ trợ để bạn có thể làm chủ công cụ này.
Câu hỏi thường gặp
Làm thế nào để đảm bảo đoạn mã Python tôi nhận được là chính xác?
Để đảm bảo độ chính xác, bạn cần cung cấp prompt càng chi tiết và rõ ràng càng tốt. Hãy mô tả cụ thể tên tệp, cấu trúc cột, loại dữ liệu, và các phép toán bạn muốn thực hiện. Yêu cầu AI giải thích từng bước cũng giúp bạn dễ dàng kiểm tra logic.
Tôi nên làm gì nếu đoạn mã AI trả về không hoạt động?
Nếu mã không hoạt động, hãy kiểm tra kỹ thông báo lỗi mà Python hiển thị. Sau đó, bạn có thể thử yêu cầu AI sửa lỗi đó bằng cách cung cấp thông báo lỗi cho nó, hoặc làm rõ hơn phần prompt mà bạn nghĩ là nguyên nhân gây lỗi. Đôi khi, việc thay đổi nhỏ trong prompt có thể giúp ích rất nhiều.
Có cách nào để yêu cầu AI tạo tệp HTML báo cáo tự động từ phân tích CSV không?
Có. Bạn có thể yêu cầu AI tạo ra các phần tử HTML như bảng (`
