Jak wykorzystać modele językowe (LLM) do naprawy DataFrame’a – praktyczne podejście

1. Czy LLM-y nadają się do pracy z danymi?

Kiedy pierwszy raz usłyszałem, że modele językowe można wykorzystać do analizy danych, byłem sceptyczny. Przecież to narzędzia stworzone do generowania tekstów, nie do manipulacji DataFrame’ami, prawda?

A jednak — im bardziej testuję GPT-4 czy Claude 3, tym mocniej widzę ich potencjał jako interfejsu między człowiekiem a kodem. Mogę zapytać w prostym języku o problem z danymi, a model podpowiada, jak go rozwiązać — często trafnie, czasem nawet z gotowym kodem.

To nie magia. To połączenie wiedzy statystycznej z kontekstowym rozumieniem danych. I choć nie oddaję agentowi pełnej kontroli nad moimi zbiorami, to zyskuję potężnego asystenta, który potrafi skrócić wiele godzin pracy.

2. Co potrafi AI – a czego nie zrobi za Ciebie?

Model językowy nie jest cudownym uzdrowicielem DataFrame’a. Nie zna kontekstu biznesowego, nie sprawdzi za mnie logiki danych i nie podejmie decyzji, które wymagają wiedzy o tym, „jak powinno być”.

Ale jeśli dostarczę mu dobrze opisany problem, z przykładem danych — potrafi:

• zasugerować poprawki w kodzie Pandas,
• pomóc w ujednoliceniu formatów,
• wychwycić nieścisłości w strukturze kolumn,
• zaproponować metody imputacji braków,
• a nawet wygenerować testy walidujące spójność danych.

To nie zastępuje myślenia. Ale bardzo przyspiesza proces.

Zwłaszcza wtedy, gdy potrzebuję szybkiej konsultacji... a nie mam nikogo obok.

3. Przykład 1 – Wyszukiwanie braków i konwersja danych

Jeden z pierwszych przypadków, które testowałem, to problem z brakującymi wartościami i niespójnymi typami danych. Klasyka: kolumna z datą, ale część to stringi, część to NaN, a część to błędny format.

Zamiast ręcznie pisać łańcuch warunków, wrzuciłem fragment DataFrame’a do GPT-4 z prostym poleceniem:

„Znajdź problemy w tym fragmencie danych i podpowiedz, jak ujednolicić kolumny.”

Model od razu zidentyfikował:

– brakujące dane,

– niejednolity format dat,

– kolumnę z liczbami zapisanymi jako tekst.

Dostałem propozycję użycia pd.to_datetime, obsługi błędów, konwersji stringów i zgrabnego .fillna() na koniec.

Nie wkleiłem tego 1:1 — ale była to świetna baza, by przyspieszyć czyszczenie danych bez pisania wszystkiego od zera.

4. Przykład 2 – Standaryzacja kolumn i etykiet

Kolejny klasyczny przypadek: dane z różnych źródeł, te same kolumny… ale różne nazwy. Raz „Client_Name”, raz „client”, czasem „Name”. To samo z wartościami: w jednej kolumnie „Tak/Nie”, w drugiej „1/0”, a w trzeciej „yes/no”.

Tym razem zapytałem model:

„Jak ujednolicić strukturę kolumn i wartości w danych z różnych źródeł?”

Model zaproponował:

– utworzenie słownika mapującego nazwy kolumn,

– znormalizowanie wartości (np. .str.lower().map({...})),

– i sprawdzenie, czy wartości są unikalne we wszystkich wersjach.

To był moment, w którym zrozumiałem, że AI może pełnić rolę konsultanta logicznego. Nie wykonuje za mnie całej roboty, ale naprowadza. To szczególnie pomocne w pracy z danymi, które „na oko” wyglądają dobrze, ale w środku są niespójne.

5. Prompt engineering – jak zapytać, żeby pomogło?

Cała zabawa z wykorzystaniem LLM-ów do pracy z danymi opiera się na umiejętnym zadawaniu pytań. To nie tylko „wrzucam DataFrame i działa”. Trzeba nauczyć się prowadzić model — dokładnie jak juniora na stażu.

Z mojego doświadczenia wynika, że skuteczne prompty mają kilka cech:

• są konkretne („znajdź różnice w formacie kolumn” zamiast „napraw to”),
• zawierają przykład (najlepiej z df.head() lub fragmentem),
• jasno określają cel („chcę ujednolicić formaty dat i oznaczenia płci”),
• dają kontekst, jeśli to potrzebne („dane pochodzą z 3 źródeł, nie mają spójnego schematu”).

Dzięki temu model wie, o co naprawdę Ci chodzi — i nie generuje ogólników typu „sprawdź kolumny pod kątem błędów”.

Z czasem zauważyłem, że przygotowanie dobrego prompta… uczy mnie lepiej rozumieć moje własne dane. Paradoksalnie: to ja uczę się, jak lepiej komunikować się z AI — a nie odwrotnie.

6. Zalety i ograniczenia podejścia

Nie mam złudzeń – AI nie zrobi wszystkiego. Ale też nie taka jest jej rola. W pracy z danymi cenię modele językowe za trzy rzeczy:

– szybkość – wstępna analiza i pomysły pojawiają się w kilka sekund,

– wsparcie w diagnozie – model potrafi wychwycić to, co ja bym przeoczył,

– propozycje kodu – często skracają czas pisania nawet o 70–80%.

Ale są też ograniczenia:

– model nie zna mojego kontekstu biznesowego,

– nie zweryfikuje poprawności logicznej danych,

– czasem generuje kod, który wygląda dobrze, ale nie działa (albo gorzej – działa, ale źle).

Dlatego traktuję LLM jako asystenta, nie jako automat. Pracuje szybko, ale to ja podejmuję decyzje.

7. Podsumowanie – AI jako partner w pracy z DataFrame’ami

Nie traktuję modeli językowych jak narzędzi do wszystkiego.

Ale jako partnera do pracy z danymi – zdecydowanie tak.

Dzięki nim mogę szybciej zdiagnozować problemy, sprawdzić rozwiązania, przetestować kod i uporządkować dane. Nie potrzebuję zaawansowanego środowiska ani tygodnia na debugowanie. Czasem wystarczy jedno pytanie — i dobry fragment DataFrame’a.

To nie magia. To narzędzie, które działa, jeśli wiesz, jak je prowadzić.

I właśnie tego uczę się na bieżąco — żeby lepiej rozmawiać z AI. Bo im lepiej rozumiem dane i ich strukturę, tym więcej mogę z tej współpracy wyciągnąć.