Generating Data Engineering Code Using Llms
Notice bibliographique
Résumé
Data engineering is a complex and time-consuming part of data science, critical for transforming raw data into actionable insights. This complexity stems from diverse and large data sources, data-dependent logic, and exploratory workflows. We perform an empirical evaluation of the performance of three LLMs (GPT-4o-mini, Claude-3.5-Haiku, and Gemini-2.0-Flash), which have been shown to be effective at code generation, on multi-step data engineering notebooks. Our study considers the impact of prompting with previous execution context, output samples, and the application of iterative refinement on entire notebooks and their individual steps. We benchmark performance against the ARCADE dataset and introduce a new benchmark derived from Spider 2.0 (Spider2-intents) to mitigate potential data leakage. Our results show that LLMs generate syntactically and semantically correct code, with output data match scores reaching up to 80%, and BLEU scores of 0.35 on our newly created Spider2-intents benchmark. While generated code trends toward reduced runtime, memory, and CPU usage, these improvements are not statistically significant. Further analysis reveals that ambiguity in user intents is the leading cause of functional correctness issues, accounting for 40.74% of such cases. We also observe that iterative refinement shows a modest but statistically inconclusive trend toward improved output correctness, with gains of up to 2.9% after two rounds of notebook and intent refinement each.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».