2020年6月OpenAI发布了最新的GPT-3模型，它不仅能够实现一些强大的自然语言处理功能，还带来了另外一项有趣的突破–能够生成React代码。

在Python代码中，很多工程相关的代码也是使用各种第三方工具包进行完成。以数据分析为例，会在很多地方用到pandas，但是，往往繁琐的命令和复杂的语法很难记住。然而，在一些博客和网站找到对应的代码片段又需要修改一些变量和列名。

收到GPT-3的启发，开发人员考虑，是否可以把自动生成代码引入到Jupyter Notebook中，开发一款Jupyter Notebook插件，让它能够实现通过自然语言描述轻松转化成代码。

于是，本文的主角–Text2Code就应用而生了，本文就来介绍一下它的使用。

Text2Code

功能：

Text2Code[1]是一款Jupyte Noteboo插件，它能够实现从英文自然语言描述到Python代码的轻松转换。

换句话说，你只需要用英文描述一下你想完成的功能，Text2Code就可以把它转化成Python代码。最后，如果你的时间不是很紧张，并且又想快速的python提高，最重要的是不怕吃苦，建议你可以价位@762459510 ，那个真的很不错，很多人进步都很快，需要你不怕吃苦哦！大家可以去添加上看一下~

例如，你给出一段英文描述：

group the df by heroes_gender and get min, max, mean and sum of episode_duration

然后，它就会在cell中生成代码片段：

df[['heroes_gender', 'episode_duration']].group_by(['heroes_gender']).agg(['min', 'max', 'mean', 'sum'])

实现

Text2Code建立在可扩展的监督模型基础上进行开发而成，它主要包含如下部分：

• 生成/收集训练数据
• 意图匹配：用户想要做什么？
• 命名实体识别：识别句子中的变量（实体）
• 填充模板：在固定模板中使用提取的实体生成代码
• 封装Jupyter Notebook扩展

使用方法

Jupyter Notebook的安装步骤如下：

$ git clone https://github.com/deepklarity/jupyter-text2code.git$ cd jupyter-text2code$ pip install .

使用详细说明如下：

• 打开Jupyter Notebook
• 如果前面安装成功，那么第一次从 tensorflow_hub 下载 Universal Sentence Encoder 模型
• 点击菜单上出现的Terminal图标（激活扩展）
• 键入 "help "查看当前支持的命令列表

生成训练数据

为了生成训练数据，开发者模拟用户要向系统查询的内容，先用一下自己认为的格式给出一段英文描述。

找出一段英文描述中的关键词，然后用生成器去生成一些关键词，来替代实现数据集中的内容，以此来生成训练数据。

意图匹配

在生成数据后，这些数据被映射为特定意图的唯一 “intent_id”，然后使用Universal Sentence Encoder来获取用户查询的嵌入，并找到与预定义意图查询（生成数据）的余弦相似性。Universal Sentence Encoder类似于word2vec，它可以生成嵌入，但针对的是句子而不是单词。

命名实体识别

生成的数据可以用来训练一个自定义的实体识别模型，它可以检测列名、变量、库名。为此，开发人员探索了HuggingFace模型，但最终还是使用Spacy来训练自定义模型，主要是因为HuggingFace模型是基于变换器的模型，相对于Spacy来说有点重。最后，如果你的时间不是很紧张，并且又想快速的python提高，最重要的是不怕吃苦，建议你可以价位@762459510 ，那个真的很不错，很多人进步都很快，需要你不怕吃苦哦！大家可以去添加上看一下~

填充模板

只要正确识别实体，正确匹配意图，填写模板就非常容易。例如，"show 5 rows from df "查询会得到两个实体：一个是变量，一个是数字。对此，模板代码的编写很直接。