使用示例

本章节提供了不同规模数据量的使用示例，帮助您了解 AutoSTAT 在处理不同大小数据集时的性能表现。 注意，所有耗时测试均在自动模式下进行。

备注

我们对每个实验进行了 5 次独立重复测试，并以 “均值 ± 标准差” 的形式报告耗时结果。测试结果不包括数据上传与解析为 DataFrame 的时间。需要注意，由于大模型生成内容存在一定的不确定性，且不同模型间性能差异较大，实际运行中的耗时可能会出现一定波动。

小规模数据量示例（<1000 条）

我们使用 UC Irvine 中的数据集 “ Wine ”（包含 178 条数据，去除 Index 文件）作为测试数据集。 各部分耗时情况如下（单位：秒）：

环节	ChatGPT-4o 耗时	Deepseek 耗时
数据导入	6.33±0.63	16.06±0.36
数据预处理	23.86±11.77	171.19±34.30
数据可视化	25.55±10.81	135.00±34.32
建模分析	25.38±12.35	105.24±53.80
报告生成	123.48±19.30	391.11±40.41

生成报告示例：

ChatGPT-4o： 点击以下载doc文档

Deepseek： 点击以下载doc文档

中等规模数据量示例（1000 条–10000 条）

我们使用 UC Irvine 中的数据集 “ Seoul Bike Sharing Demand ”（包含 8760 条数据）作为测试数据集。 各部分耗时情况如下（单位：秒）：

环节	ChatGPT-4o 耗时	Deepseek 耗时
数据导入	6.79±0.79	16.93±0.46
数据预处理	27.99±5.52	144.17±41.80
数据可视化	34.43±16.81	194.93±87.03
建模分析	83.91±67.99	93.05±3.47
报告生成	125.02±18.91	364.67±42.61

生成报告示例：

ChatGPT-4o： 点击以下载doc文档

Deepseek： 点击以下载doc文档

大规模数据量示例（>10000 条）

我们使用 UC Irvine 中的数据集 “ Steel Industry Energy Consumption ”（包含 35040 条数据）作为测试数据集。 各部分耗时情况如下（单位：秒）：

环节	ChatGPT-4o 耗时	Deepseek 耗时
数据导入	6.33±0.63	18.03±0.48
数据预处理	40.99±32.55	197.18±62.19
数据可视化	26.52±5.82	136.03±11.65
建模分析	65.94±50.33	180.77±61.61
报告生成	142.34±18.76	375.53±57.79

生成报告示例：

ChatGPT-4o： 点击以下载doc文档

Deepseek： 点击以下载doc文档

超长报告生成示例（>100 页）

ChatGPT-5（Forty Soybean Cultivars from Subsequent Harvests）： 点击以下载doc文档

ChatGPT-5（SkillCraft1 Master Table Dataset）： 点击以下载doc文档

ChatGPT-5（Real Estate Valuation）： 点击以下载doc文档

备注

实际耗时可能因硬件配置、网络状况和具体操作而有所不同。由于大模型返回结果不稳定，如果在自动模式下出现预处理、可视化及建模环节 debug 次数过多的情况，请清空数据并重新开始流程；如为手动操作，请切换至其他环节并再切回对应出错环节重试。