Colab 中的数据科学代理：使用 Gemini 进行数据分析的未来

Google Colab 是一个免费的云托管 Jupyter Notebook 环境。在该环境下，您可以直接在浏览器中编写和运行 Python 代码。Google Colab 还支持免费访问 Google Cloud GPU 和 TPU，这对运行中的 AI 模型具有划时代意义，并简化了项目协作。

去年 12 月，我们分享了 Colab 中的数据科学代理如何使用 Gemini 为受信任的测试人员创建 notebook，从而省去了导入库、加载数据和编写样板代码等繁琐的设置任务。受信任的测试人员对数据科学代理充满了热情，并反映他们能够简化工作流，还能比以往更快地发掘见解。

今天，我们很高兴能向 18 岁以上、位于特定国家且使用特定语言的 Colab 用户推出数据科学代理。我们可借此扩大与大学的合作伙伴关系，进而通过从简单的自然语言描述中生成完整且可运行的 Colab notebook，帮助研究实验室节省数据处理和分析的时间。

以下是数据科学代理的工作原理：

1. 从头开始：打开空白的 Colab notebook。

2. 添加数据：上传您的数据文件。

3. 描述您的目标：在 Gemini 侧面板中描述您希望构建的分析或原型（例如，“可视化趋势”、“构建和优化预测模型”、“填充缺失值”、“选择最佳统计技术”等）。

4. 静待数据科学代理完成工作：运行的 Colab notebook 中将创建必要的代码、导入库并生成分析，您只需坐享其成。

数据科学代理的优势

• 功能齐全的 Colab notebook：不再是代码片段，而是完整可执行的 notebook。

• 可修改的解决方案：轻松自定义和扩展生成的代码，以满足您的特定需求。

• 可分享的成果：使用标准的 Colab 共享功能与团队成员协作。

• 节省时间：省去处理设置和样板代码的繁琐工作，让您可以专注于从数据中获取见解。

在 HuggingFace 发布的测评“DABStep：多步推理的数据代理基准”中，我们的数据科学代理排名第四，领先于基于 GPT 4.0、Deepseek、Claude 3.5 Haiku 和 Llama 3.3 70B 的 ReAct 代理。

开始使用数据科学代理

您只需上传数据，并在 Gemini 侧面板概述数据分析目标，即可体验数据科学代理。您可以在 Kaggle 或 Data Commons 上探索数据集，但您可以用以下示例数据和提示尝试一下：

• Stack Overflow 年度开发者调查：尝试要求“将最热门的编程语言可视化”

• 虹膜类别：尝试要求“计算此数据中 Pearson、Spearman 和 Kendall 之间的相关性并将其可视化”

• 玻璃分类：尝试要求“在此数据集上训练随机森林分类器”

我们希望这能改变您的数据分析工作流。我们迫切希望得到您的宝贵反馈，请加入我们的 Google Labs Discord 社区和 #data-science-agent 频道与我们交流。