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 = 0high = len(list) - 1while low <= high:mid = (low + high) // 2guess = list[mid]if guess == item:return midif guess > item:high = mid - 1else:low = mid + 1return Nonemy_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：

从原始数据中构建候选项集，并计算每个项集的支持度；
根据支持度的阈值筛选出频繁项集；
从频繁项集中构建关联规则；
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C1L1, support_data = scan_D(D, C1, min_support)# 构建完整的候选项集CkL = [L1]k = 2while (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 += 1return L, support_data# 构建初始候选项集C1def 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L1def 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] += 1num_items = float(len(D))ret_list = []support_data = {}for key in ss_cnt:support = ss_cnt[key] / num_itemsif support >= min_support:ret_list.insert(0, key)support_data[key] = supportreturn 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 1else: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0self.weights = [0.0 for _ in range(input_num)]# 偏置项初始化为0self.bias = 0.0def __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 - outputself.weights = list(map(lambda x_w: x_w[1] + rate * delta * x_w[0],zip(input_vec, self.weights)))# 更新biasself.bias += rate * deltadef f(x):return 1 if x > 0 else 0def 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] -> 0labels = [1, 0, 0, 0]return input_vecs, labelsdef 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fp = Perceptron(2, f)# 训练，迭代10轮, 学习速率为0.1input_vecs, labels = get_training_dataset()p.train(input_vecs, labels, 10, 0.1)#返回训练好的感知器return pif __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 1else: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0self.weights = [0.0 for _ in range(input_num)]# 偏置项初始化为0self.bias = 0.0def __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biasself.bias += rate * deltadef f(x):return 1 if x > 0 else 0def get_training_dataset():"""input_vecs相当于X_trainlabels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] -> 0labels = [1, 0, 0, 0]return input_vecs, labelsdef 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fp = Perceptron(2, f)# 训练，迭代10轮, 学习速率为0.1input_vecs, labels = get_training_dataset()p.train(input_vecs, labels, 10, 0.1)#返回训练好的感知器return pif __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~~

在飞书搞了个机器人，我让ChatGPT帮忙写算法相关推荐

飞书群聊机器人每日自动推送语录及风景照片python版
飞书群聊机器人自动推送消息使用场景推送机制代码目录代码详解获取图片获取有效token 上传图片并得到Image_Key 使用完整代码使用场景最近使用飞书聊天,觉得蛮好用的,刚好这段时 ...
在飞书群里设置机器人提醒 github 代码更新
几年前用钉钉的时候,只需要几分钟的设置就可以添加一个 github 机器人,然后代码仓库更新之后,钉钉群里就会收到一条提醒,我以为飞书也是这样. 但是在飞书群添加自定义机器人之后,我把 webhoo ...
在飞书上定制 BOT 服务，Chatopera 机器人让办公更智能 | Chatopera
目录智能对话机器人让办公更智能创建 Chatopera 机器人上传 Chatopera 机器人多轮对话脚本飞书绑定机器人在飞书客户端和机器人对话工作原理智能对话机器人让办公更智能飞书是 ...
Feishu(飞书) 聊天机器人应用（1/3）- 开发快速入门
目录飞书与聊天机器人注册飞书创建 APP 申请权限发布新版本激活并配置获得组织成员信息获得 access token 获得用户的 open_id 创建 BOT 推送纯文本消息推送富文本 ...
【测试团队管理】Node版钉钉飞书机器人提醒团队成员每日缺陷状态
一.场景日常一般会通过jira bug面板筛选条件筛选出bug,如:经办人.状态.标签等,但这需要人为主动去筛选搜索,如果有一个定时每日钉钉群.飞书群提醒每个人截止当日bug情况就比较直观,对测试团 ...
Python实现飞书机器人定时发送文本、图片等群消息
工作中会经常遇到监控告警相关问题,监控和告警的目的是要在事中及时发现问题并定位系统问题,那么当系统或平台出现问题了,如何及时暴露这些问题给对应的项目开发人员呢? 本文记录了在Python项目中利用飞书 ...
飞书报表自动化推送设置步骤
目标:利用飞书群自定义机器人推送报表图片飞书推送图片与钉钉推送图片的差异:飞书推送图片需要先将图片上传至企业飞书云空间,然后读取云空间指定图片,推送至飞书群,钉钉则不需要上传至云空间. 操作步骤: ...
Jira Automation与飞书IM打通
如果觉得这篇文章不错,请记得点赞.收藏和分享,也欢迎加我个人微信交流:craigyoung1985,请备注:姓名/城市/工作岗位. 三个月前发布了一篇打通Jira与钉钉和企业微信不再难实践文章,朋友圈 ...
禅道bug同步到飞书
主要分成两大部分 1.在飞书开发者后台开发一个可以给用户发送消息的应用,如果需要把消息同步到群组还需要开启一个群组机器人(很简单) 2.查询禅道数据库,编辑消息发送给应用机器人或者群组机器人 1.创建 ...

在飞书搞了个机器人，我让ChatGPT帮忙写算法