目录
前言
一、TableAgent介绍及其优势？
1、会话式数据分析，所需即所得
2、私有化部署，数据安全
3、支持企业级数据分析,大规模，高性能
4、支持领域微调，专业化
5、透明化过程，审计部署
二、使用TableAgent进行全球高校数据案例多维度数据分析
1、注册
2、选择数据集并导入
3、开始提问1:这个是什么数据集，每个字段的含义？
4、提问2:这份数据中，包含了全世界多少所院校，统计不同国家学校的数量，并倒序排序，对前五个画图并解读一下？
5、提问3:画图分析中国的前10所大学最重要的3个指标，简单总结一下他们之间的比较分析?
6、提问4：从数据中看，是不是院校学术声誉评分越高，就业前景评分就越好?
7、提问5：按照国际化水平评分将学校分为三个等级，请对绘图并对比不同等级学校在学术声誉、师生比例、就业水平等方面，给出解读和总结？
8、感悟
三、对比其他产品
四、总结
前言
在数字化时代，数据分析已经成为了商业决策、产品优化、运营提升等方面的基础。无论是大型企业还是创业公司，都需要通过数据分析来了解市场需求、优化业务流程、提升客户体验等等。而在这个过程中，九章云极DataCanvas公司的TableAgent数据分析智能体提供了一种全新的解决方案，让数据分析变得更加简单、高效。
一、TableAgent介绍及其优势？
九章云极DataCanvas公司致力通过自主研发的人工智能基础软件产品系列和解决方案为用户提供人工智能基础服务，助力用户在数智化转型中轻松完成模型和数据的双向赋能，低成本高效率的提升企业决策能力，实现企业级AI规模化应用。
TableAgent是在DataCanvas Alaya九章元识大模型基础上开发的能够实现私有化部署的企业级数据分析的智能体，有非常强大的意图理解能力、分析建模能力和洞察力。TableAgent在充分的理解用户意图后，自主的利用统计科学、机器学习、因果推断等高级建模技术从数据中挖掘价值，进而提供分析观点和指导行动的深刻见解，让用户更加轻松地获取数据洞察。
与其他数据分析工具相比，TableAgent具有以下优势：
1、会话式数据分析，所需即所得
TableAgent聊天会话式的界面，输入你的分析需求，系统自动化地完成数据清洗和数据整合工作，并给出你的分析结果，节省了大量时间和精力。
2、私有化部署，数据安全
TableAgent为企业提供私有化部署，系统部署在企业内部，数据不外流，从根本上解决了安全合规的问题，这也是其他国外产品的短板。
3、支持企业级数据分析,大规模，高性能
TableAgent能够根据数据特征和业务需求，自动进行数据分析和数据挖掘，发现数据中的规律和趋势，支持大规模，高性能企业级数据分析。
4、支持领域微调，专业化
TableAgent为此配套设计了T+（Table Family）系统，能够高效的实现定制化的微调工作，同时系统具有自我迭代的能力，系统性的体系支撑更高效的实现数据分析各个环节的升级，让用户在无感知的情况下即可获得不断升级的数据分析体验
5、透明化过程，审计部署
TableAgent可以实时查看答案生成过程，解答过程透明化，方便审计部署
二、使用TableAgent进行全球高校数据案例多维度数据分析
在本环节博主将通过全球高校评价数据集，对TableAgent进行如下五个维度的提问，挖掘出数据背后的价值，为寻求考研/博选择学校和分析学校就业前景等帮助的朋友或者企业等提供决策帮助。
1、注册
通过TableAgent的免费公测地址，进行注册，注册后可以免费使用5次，次数使用完了，可以认证申请增加次数（每天15次）
通过手机号+验证码注册即可登录进入TableAgent主界面
2、选择数据集并导入
如下图所示我们选择【全球高校评价数据集】，并导入
3、开始提问1:这个是什么数据集，每个字段的含义？
提问后，可以看到能够快速得到回答，并将数据集中的字段进行说明，这是一个关于全球各大高校的评价数据集，包括了1422所大学的信息。
4、提问2:这份数据中，包含了全世界多少所院校，统计不同国家学校的数量，并倒序排序，对前五个画图并解读一下？
开始进行我们的第二个提问，可以看到tableAgent快速的回答了我们的提问：
在提供的数据中，总共有1422所学校。这些学校分布在100个不同的国家。具体来说，美国拥有最多的学校，数量为201所，其次是英国，数量为90所，中国数量为71所，日本数量为50所，俄罗斯数量为48所。
排名前五的大学数量的国家的柱状图对比
从上述数据和图形中，我们可以看出，美国和英国是学校数量最多的两个国家，分别占据了前五名的位置。中国、日本和俄罗斯也都有相当数量的学校。这可能反映了这些国家的教育体系相对发达，以及这些国家的人口数量。
5、提问3:画图分析中国的前10所大学最重要的3个指标，简单总结一下他们之间的比较分析?
开始进行我们的第三个维度的提问：画图分析中国的前10所大学最重要的3个指标，简单总结一下他们之间的比较分析?
在TableAgent智能的生成答案的时候，我们可以清晰的看到生成过程，使用了哪些数据分析库和函数，最后得到我们想要的答案：
从图中，我们可以更直观地看到这10所大学在不同指标下的表现。例如，在学术声誉指标中，排名第一的大学是北京大学，其学术声誉得分为99.3，排名第15。在就业出路指标中，排名第一的大学是清华大学，其就业出路得分为96.5，排名第28。在国际交流指标中，排名第一的大学是北京大学，其国际交流得分为34，排名第28。
总的来说，中国排名前10的大学在学术声誉、就业出路和国际交流等方面都表现出色，这可能意味着这些大学在培养人才、提供就业机会和吸引国际学生方面做得很好。
6、提问4：从数据中看，是不是院校学术声誉评分越高，就业前景评分就越好?
TableAgent给出的回答：
根据数据分析，院校的学术声誉评分和就业前景评分之间的相关性为0.563519，这表明学术声誉评分和就业前景评分之间存在一定的正相关性，也就是说，学术声誉评分越高的院校，其就业前景评分也越高。但是这个相关性并不强，因此我们不能断定学术声誉评分越高的院校，就业前景就一定越好
我们还为学术声誉评分和就业前景评分绘制了散点图，可以更直观地看到它们之间的关系。
总的来说，虽然学术声誉评分和就业前景评分之间存在一定的正相关性，但是这个相关性并不强，因此我们不能简单地认为学术声誉评分越高的院校，就业前景就一定越好。
7、提问5：按照国际化水平评分将学校分为三个等级，请对绘图并对比不同等级学校在学术声誉、师生比例、就业水平等方面，给出解读和总结？
TableAgent给出的回答：
- 低等级的学校，平均学术声誉为10.8416，师生比例为20.5826，就业水平为18.6315
- 中等级的学校，平均学术声誉为16.9779，师生比例为30.6251，就业水平为23.3316；
- 高等级的学校，平均学术声誉为32.6798，师生比例为38.7643，就业水平为36.3253。
这些数据表明，学校的国际化水平对其学术声誉、师生比例和就业水平有显著影响。具体来说，国际化水平较高的学校在学术声誉、师生比例和就业水平上都表现出较好的水平，这可能是因为这些学校有更大的国际化压力，能够吸引更多的国际学生和教职工，也能够提供更高质量的教育服务。而国际化水平较低的学校在学术声誉、师生比例和就业水平上则相对较低，这可能是因为这些学校没有足够的国际化压力，无法吸引更多的国际学生和教职工，也无法提供高质量的教育服务。
8、感悟
通过对全球高校数据集案例五个维度的分析提问，TableAgent快速响应，智能化的数据分析，并给出了准确的答案决策和参考图表，协助用户深度挖掘了数据背后的价值，为正在做升学成才规划服务的企业和个人提供了便捷帮助和科学决策支持。整体体验下来，方便的操作、快速响应、准确的回复，TableAgent无疑是智能化数据分析产品的首选。
三、对比其他产品
| 产品 | TableAgent | 文心一言- E言易图 | Code Interpreter |
| 交互形式 | 对话式 | 对话式 | 对话式 |
| 数据处理 | 处理过程透明化，用户可以清晰地了解数据处理的具体步骤和结果，便于审计和监督 | 侧重数据的可视化和简化操作 | 用户可以实时看到数据处理的具体步骤和结果 |
| 数据分析 | 能够自主地利用统计科学、机器学习、因果推断等高级建模技术从数据中挖掘价值，进而提供分析观点和指导行动的深刻见解 | 适合快速分析和可视化小规模数据 | 能够自主地利用统计科学、机器学习、因果推断等高级建模技术从数据中挖掘价值 |
| 图表生成 | 支持 | 支持 | 支持 |
| 代码生成 | 可自动生成代码 | 通过拖拽和配置来实现 | 可自动生成代码 |
| 是否可私有化部署 | 提供私有化部署，系统部署在企业内部，数据不外流，从根本上解决了安全合规的问题 | 未知 | 不支持，有企业数据安全性、合规等风险 |
| 私有部署硬件要求 | 算力消耗低 | 未知 | 不支持私有 |
四、总结
数字化时代，数据分析的重要性犹如空气般无处不在。商业数据分析是数字化管理、智能决策的基础，同时数据分析又是一个专业性极强的工作，描述性分析、诊断性分析、预测性分析，会让大多数只会用Excel的人望而生畏。九章云极DataCanvas公司自主研发的TableAgent数据分析智能体让大模型对个人生产力和企业智能化转型的赋能，从数据分析、提供辅助决策上升到新的台阶，只要会提问，就能成为一个高级的数据分析师，洞察数据奥秘。于此同时，TableAgent未来将进一步融合非结构化数据的分析能力，并与公司自研的DingoDB多模向量数据库、DataCanvas Alaya九章元识大模型联合创新。未来，将在复杂分析任务、自动化、人机交互、智能体协同等方面进一步升级。
