今年4月份，我们为即将出版的新书《Python自动化办公应用大全-ChatGPT版》做了一次封面评选活动。在活动中，给出了A\B\C一共3个封面方案，请大家投票和留言。

这次活动收到了830张投票，464条留言。

在投票结果中，A和B封面的投票数非常接近，占到了总票数的78%。

这下让出版社和作者团队也犯了难，不知如何选择。

从统计角度看，此次投票只能算是抽样，而且因为不清楚到底是哪些小伙伴参与了投票，所以不能知道抽样数据是否符合目标整体特征。

所以，投票数据只能是参考数据之一。

比投票数据更有价值的是大家的留言，不少小伙伴通过留言，从客观和主观两方面对不同封面发表了明确的见解。

参见：《Python自动化办公应用大全-ChatGPT版》封面评选

在这样的情况下，如果能把所有留言进行整理、归纳，就可以帮助我们更准确的了解小伙伴的看法，从而辅助决策。

几百条留言已经导出到Excel里面了，用肉眼看一遍并不慢。

可惜人脑的内存有限，很容易看了后面忘了前面，或者漏掉重要内容，甚至看错内容。

从一大堆留言这样的纯文本数据中获取有价值的信息，这就是“文本挖掘”，是数据分析的一项内容。

还记得Kevin上次演示的分析Excel函数的文章吗？

那是娱乐版的文本挖掘。

实际上，如果真的要进行文本挖掘，首要先进行分词。

也就是把一大段话合理地分拆成一个一个的词语。

中文博大精深又言简意赅，分词不是件简单的任务。

分词以后，就可以进行词频统计、逻辑关联或者其他统计与分析。

然后生成词云图什么的，了解重点关键词，关键词之间的关系是什么。

但这些都不符合我们现在的需要，因为我们需要更高级的挖掘——语义理解。

这个工作，目前是AI的强项。

于是，我们基于ChatGPT 3.5自定义了一个嵌入式应用。

把我们的留言数据上传成为专用数据集，然后请ChatGPT来帮我们分析。

为啥不直接使用ChatGPT官网的ChatGPT 4.0呢？

不是不想，主要是因为ChatGPT官网不支持上传文件。

而且默认的token只有4K，也就是上下文关联的内容长度差不多2000字而已，这对于我们的本次分析是远远不够的。

就算我们分N次把所有的留言都粘贴给ChatGPT,它也记不住。

而实战中，可以通过API调用ChatGPT，最大支持32K。

介绍这些背景给大家，主要是想说，不是学会几句Prompt就可以发挥ChatGPT的所有能力了，真正的实战应用需要你学会更多的方式来使用它，如果会写代码去调用ChatGPT那就无敌了。

一切配置妥当，我们开始提问：

01

Kevin：

你是一名资深的图书出版社营销编辑，为了准备一本新书《Python自动化办公应用大全-ChatGPT版》上市，你在社交媒体上发起了一次关于该图书封面的讨论，提供了3组图书封面（分别编号为A\B\C）。你收获了很多潜在读者关于封面的留言，下面你需要根据具体提问来从留言中分析出有价值的信息。

注意，读者的留言中，可能会用第一、第二、第三分别代表A、B、C封面。

第1个问题：请罗列出在读者眼中，A\B\C三种封面的主要特点，优点以及缺点。

AI Copilot：

根据读者的意见，可以总结出以下关于A、B、C三种封面的主要特点、优点和缺点：

上一篇：excel表格制作：写几段代码，将总表按任意列拆分为多个工作簿 下一篇：excel函数公式大全：用SUMPRODUCT函数，求和、计数都OK

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。