可视化销售数据分析
文章标签:销售数据集, VegaLite, 总销售额, 品牌
尝试使用ChatGPT通过自然语言快速绘制图表，实验的对象是文献[1]中数据分析常用的十种数据事实，使用的可视化语法是VegaLite。以下是测试的内容。
01 数值型数据事实（value）
“假设有一个销售数据集。请用VegaLite来显示这个事实：总销售额的数值是10000。”
数值型数据事实自然语言查询
数值类数据事实可视化结果
02 比较型数据事实（Difference）
在当前的销售数据集中，我们可以通过运用VegaLite工具来对比分析两个不同品牌的销售状况。
比较型数据事实自然语言查询
比较型数据事实可视化结果
03 占比型数据事实（Proportion）
基于该上下文继续提问：“考虑在数据集中有多个品牌，请显示一个品牌在销售中的比例。”
占比型数据事实
占比型数据事实可视化结果
04 趋势型数据事实（Trend）
“该数据集有一列年份。请按年份显示销售的趋势。”
趋势型数据事实
趋势型数据事实可视化结果
05 分类型数据事实（Categorization）
“请列举出数据中包含的所有城市”
分类型数据事实
分类型数据事实可视化结果
06 分布型数据事实（Distribution）
“不同国家的销售分布情况如何？”
分布型数据事实
分布型数据事实可视化结果
07 排序型数据事实（Rank）
“请对这些国家用销售量进行排序”
排序型数据事实
排序型数据事实可视化结果
08 相关型数据事实（Association）
“销量和收入之间是否存在相关性？”
相关型数据事实
相关型数据事实可视化结果
09 极值型数据事实（Extreme）
“请展示销量最高的国家”
极值型数据事实
极值型数据事实可视化结果
10 异常型数据事实（Outlier）
“请找出所有国家中的异常点”
异常型数据事实
异常型数据事实可视化结果
小结
经过分析，本文发现ChatGPT在解答问题和生成可视化代码方面表现出色，具有较高的准确性和可靠性。然而，在占比任务中，ChatGPT未选择更为常见的饼状图，这使得可视化效果略显不足。同时，在排序任务中，ChatGPT未能对可视化结果进行排序，这也是一个小小的疏漏。尽管如此，从整体上看，大语言模型已具备较强的语义理解能力和选择合适图表的能力，对于可视化分析任务有着较为出色的表现。
文献
在2020年，Shi, D., Xu, X., Sun, F., Shi, Y. 和 Cao, N. 这五位作者在《IEEE Transactions on Visualization and Computer Graphics》杂志的27卷第2期中，发表了一篇名为“Calliope：从电子表格中自动生成视觉数据故事”的研究论文。该论文提出了一种名为Calliope的新方法，能够利用电子表格中的数据，通过计算机图形学技术生成具有丰富视觉效果的数据故事。
在2016年，Satyanarayan, Moritz, Wongsuphasawat, 和 Heer合作发表了一篇名为《Vega-lite:一个交互式图形语法》的论文。该论文以IEEE Transactions on Visualization and Computer Graphics为平台，探讨了交互式图形的设计与构建方式。其中，作者们提出了一种名为Vega-lite的新方法，通过这种方法，开发者可以更方便、高效地创建和渲染复杂的交互式图形。具体而言，该方法利用一系列预定义的图形元素和规则，以及用户提供的数据，生成并显示符合特定标准的交互式图形。这项技术在可视化、计算机图形学等领域有着广泛的应用前景。
销售数据集, VegaLite, 总销售额, 品牌
相关文章
