ChatGPTのNoteableプラグインが驚異的な効果を発揮！Pythonプログラム作成と実行の一体感を体験しよう

Nateableプラグインを使ってみました。

インストール時にアカウントの紐づけがいります。私はgoogleアカウントを使いました。

まずChatGPTに使い方を聞いてみます。

Q.noteableプラグインは何が出来ますか
A.Noteableプラグインは、Pythonノートブックの作成、管理、実行を支援するためのツールです。以下に具体的な機能をいくつか示します：

1. ノートブックの作成と管理: ユーザーは新しいノートブックを作成したり、既存のノートブックを取得したり、プロジェクト内のファイルをリストアップしたりすることができます。

2. セルの操作: ノートブック内の各セルのソースコードを更新したり、新しいセルを作成したり、セルのタイプを変更したりすることができます。セルのタイプには、コード、マークダウン、SQLがあります。

3. ノートブックの実行: ノートブック内の特定のセルを実行することができます。

4. データソースの取得: ノートブックに関連付けられたデータソースを取得することができます。

5. ユーザー情報の取得: ユーザーのNoteableアカウント情報を取得することができます。

これらの機能は、ユーザーがPythonノートブックを効率的に操作し、データ分析や機械学習のタスクを実行するのに役立ちます。

---

使ってみます。

Notebookを作ってくれました。これはコードを書いたり文章を書いたりできます。

作成したnotebookにFizzBuzzのプログラムを「書いて」もらいます。

実行してもらいました

つまりこれまではChatGPTでは「コードを書いてくれる」だけでしたが、このプラグインを使うと「実行して結果を得る」ことが出来るわけです。

---

何が出来るかChatGPTに更に聞いてみます。

Q.noteableがインターネットから取り込める情報には何がありますか
A.NoteableはPythonノートブックを通じてインターネットから様々な情報を取り込むことができます。以下にいくつかの例を示します：

1. Webスクレイピング: Pythonのライブラリ（例えばBeautifulSoupやScrapyなど）を使用して、ウェブサイトから情報を抽出することができます。

2. APIからのデータ取得: REST APIやGraphQL APIなどを通じて、ウェブサービスからデータを取得することができます。これには、Pythonのrequestsライブラリや他の専用ライブラリを使用します。

3. データベースからのデータ取得: SQLやNoSQLデータベースからデータを取得することができます。Pythonのライブラリ（例えばpsycopg2やpymongoなど）を使用して、データベースに接続し、クエリを実行します。

4. クラウドストレージからのデータ取得: AWS S3、Google Cloud Storage、Azure Blob Storageなどのクラウドストレージサービスからデータを取得することができます。

5. オープンデータセットの利用: インターネット上には多くのオープンデータセットが公開されており、これらをダウンロードして分析に使用することができます。

これらの操作は、Pythonのコードセル内で実行され、結果はノートブック内に保存されます。

pip(必要なライブラリの追加)も自動でやっています。凄い！

import requests
from bs4 import BeautifulSoup

# WikipediaのPythonのページをスクレイピング
url = 'https://en.wikipedia.org/wiki/Python_(programming_language)'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

# ページタイトルを取得
title = soup.title.string
title

import requests

# JSONPlaceholderのAPIからデータを取得
url = 'https://jsonplaceholder.typicode.com/posts/1'
response = requests.get(url)
data = response.json()
data

import pandas as pd

# UCI Machine Learning RepositoryからIrisデータセットを取得
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
column_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class']
data = pd.read_csv(url, names=column_names)

# データの最初の5行を表示
data.head()

この図は、Irisデータセットの各特徴量（sepal_length, sepal_width, petal_length, petal_width）のペアワイズな関係を示しています。色は異なるクラス（Iris-setosa, Iris-versicolor, Iris-virginica）を表しています。

ノートブックの該当セルを確認するには、以下のリンクをクリックしてください：

---

プログラマにとって「夢のような」神プラグインと言えるでしょう。