Github Copilot的申请及在Pycharm的配置和使用
Posted 梦无矶
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Github Copilot的申请及在Pycharm的配置和使用相关的知识，希望对你有一定的参考价值。
文章目录
目录
Github Copilot的申请及在Pycharm的配置和使用
目前Github Copilot不是完全公开的，需要自己进入copilot官方网站进行申请，我申请下来是花了两天左右的时间。
2022/06/29更新
放在最前面说，很多人留言说这个登录不进去，申请不了什么的，不用看之前的什么更新插件啥的问题了，因为他要收费了！
100美元一年，告辞了！
1.简介
微软与OpenAI共同推出了一款AI编程工具GitHub Copilot。
GitHub Copilot基于 GitHub 及其他网站的源代码，可根据上文提示为程序员自动编写下文代码。
我使用下来它最实用的功能并不是说它的智能输入代码，而是它能够结合你实际业务代码的上下文进行预测你下一步的代码，会根据你的代码格式代码规范进行编写。
从个人的角度来讲，它带给我们的是更加便捷轻巧，当然，不能完全把它当作一个偷懒的工具，在一些灵活性逻辑比较复杂的一些功能上还需要我们自己验证，否则之后编译出错，你自己都找不到在哪里出问题。
2.copilot首页
https://copilot.github.com/
点击sign up 使用自己的github账户
3.copilot的申请
4.GitHub Copilot 官方使用文档
https://github.com/github/copilot-docs
5.PyChram下载地址
为什么会有这一步？
官方文档给出的说明：
- We have tested with the following JetBrains IDEs: IntelliJ and PyCharm versions 2021.2 and above.
意思是 经过他们的测试， JetBrains系列的 IntelliJ 和 PyCharm 这两款编译器需要使用2021.2及以上的版本
https://www.jetbrains.com/pycharm/download/other.html
6.Pychram下载 GitHub Copilot
在pycharm中的Plugins中搜索GitHub Copilot点击Install进行下载（下载完别忘记了点击Apply哦）
7.jetbrains系列官方教程
https://github.com/github/copilot-docs/blob/main/docs/jetbrains/gettingstarted.md#getting-started-with-github-copilot-in-jetbrains
8.申请通过之后的操作
等了两天，发邮件通知我通过了
既然通过了，我们可以在Tools – > GitHub Copilot中进行登录自己的Github账号进行验证
点击Join the Waitlist
9.使用过程
如下为我的使用过程
写注释，然后回车就会发现它会给门智能建议代码，我们只需要按下Tab键，就会选择这个建议，然后会有新的建议代码出现，符合你的需求就继续按Tab键，比如我们按下四次Tab键后得到如下结果
除了以上的这些功能，你还可以在自己的业务代码里面尝试写一个新的方法，它会很智能的给出相关建议（需要自己确认一遍是否有误）
Github Copilot自动生成的代码
# 写一个函数，判断是否为回文数
# 回文数是指正序和倒序读都一样的数，例如12321，909
# 写一个函数，判断是否为回文数
# 回文数是指正序和倒序读都一样的数，例如12321，909
def is_huiwen(num):
str_num = str(num)
if str_num == str_num[::-1]:
return True
else:
return False
# 冒泡排序
def maopao(list_num):
for i in range(len(list_num)):
for j in range(len(list_num)-i-1):
if list_num[j] > list_num[j+1]:
list_num[j],list_num[j+1] = list_num[j+1],list_num[j]
return list_num
# 快速排序
def quick_sort(list_num):
if len(list_num) <= 1:
return list_num
else:
base = list_num[0]
left = [x for x in list_num[1:] if x < base]
right = [x for x in list_num[1:] if x >= base]
return quick_sort(left) + [base] + quick_sort(right)
10.相关功能键：
Tab选择提供的建议Esc拒绝提供的建议Alt+]查看下一个建议；Alt+[查看上一个建议。（macos把Alt键换成option键即可）Alt + \\把提供的建议注释掉。（macos把Alt键换成option键即可）Alt+Enter显示当前所有的建议。（macos把Alt键换成option键即可）
11.退出Github Copilot
Tools – > GitHub Copilot – > Logout
用AI写代码 -- Github Copilot测试
截图为copilot官网
要使用copilot，首先要安装vscode。下载copilot插件。下载完了以后，并不能马上使用。还需要申请内测账号，前几天，我终于收到内测账号通过的邮件。趁着今天在家，连忙打开vscode测试一下。
爬图片
我们的第一个实验是爬csdn的logo。
于是，我新建了一个文件，我开始写注释。当我写道retri的时候，copilot已经知道我要说什么了，直接把一句话补全了。牛！
我于是打了一下tab，这句话就补全了。
接着，我打了import，copilot已经开始建议我导入urllib了。牛！
打完def三个字，整个函数的建议都有了。牛！
接着，打if：
于是，满怀期待的，运行了程序，结果，悲剧了：
AttributeError: module ‘urllib’ has no attribute ‘urlopen’
我还是比较熟悉requests模块，于是，我把第一句代码改成了import requests，重新生成代码。如下：
# find logo in csdn.net
# retrieve the logo and save it in the same directory
import requests
from bs4 import BeautifulSoup
import os
def get_logo(url):
r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
logo = soup.find('link', rel='shortcut icon')
if logo:
logo_url = logo['href']
r = requests.get(logo_url)
if r.status_code == 200:
with open(os.path.basename(logo_url), 'wb') as f:
f.write(r.content)
print('logo saved')
else:
print('logo not found')
else:
print('logo not found')
if __name__ == "__main__":
get_logo('http://www.csdn.net')
运行完了，发现不是logo，是favicon。😦
算了，算了，Copilot找不到logo，还是我自己找吧。
于是，我把注释改成了
# download and save https://img-home.csdnimg.cn/images/20201124032511.png
# to the same folder
生成的代码如下：
# download and save https://img-home.csdnimg.cn/images/20201124032511.png
# to the same folder
import requests
from bs4 import BeautifulSoup
import os
def download():
url = 'https://img-home.csdnimg.cn/images/20201124032511.png'
root = './img'
path = root + url.split('/')[-1]
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
r = requests.get(url)
with open(path, 'wb') as f:
f.write(r.content)
f.close()
print('文件保存成功')
else:
print('文件已存在')
except:
print('爬取失败')
if __name__ == '__main__':
download()
这次终于成功的下载了csdn的logo。
我想，这可能是因为csdn使用了反爬技术（logo图片名字不叫logo），所以找不到，于是，我想到了，可以去爬小米的200万logo。
给了注释以后，生成代码如下：
# find logo from https://www.mi.com/index.html
# and download it to local
import os
import requests
from bs4 import BeautifulSoup
def download():
url = 'https://www.mi.com/index.html'
r = requests.get(url)
r.raise_for_status()
soup = BeautifulSoup(r.text, 'html.parser')
img = soup.find('img', class_='logo')
print(img)
img_url = img['src']
img_name = img['alt']
img_path = os.path.join('.', img_name)
if not os.path.exists(img_path):
with open(img_path, 'wb') as f:
f.write(requests.get(img_url).content)
print('Downloading %s' % img_name)
else:
print('%s already exists' % img_name)
if __name__ == '__main__':
download()
运行结果，找不到logo。我打开小米官网，看了半天，我都没看出来logo的地址在哪里。怪不得copilot也找不到。看来，200万的logo，不容屌丝随便盗取呀！
Pandas过滤
第二个例子，我打算写一个过滤程序，导入两个csv，用第一个减去第二个。得到第三个并保存。
生成代码如下
# read two csv files using pandas,
# subtract the data in the second file from the first file,
# and write the result to a new csv file.
import pandas as pd
import csv
import sys
def subtract():
# read the two csv files
df1 = pd.read_csv(sys.argv[1])
df2 = pd.read_csv(sys.argv[2])
# subtract the second file from the first file
df3 = df1 - df2
# write the result to a new csv file
df3.to_csv(sys.argv[3], index=False)
if __name__ == '__main__':
subtract()
结果，运行出错：
TypeError: unsupported operand type(s) for -: ‘str’ and ‘str’
于是，我修改了注释，再次生成。
# read two csv files, a.csv and b.csv
# remove every row in a.csv that appears in b.csv
# write the result to a new csv file.
import os
import csv
import pandas as pd
def main():
# get the current working directory
cwd = os.getcwd()
# get the path to the files
a_path = os.path.join(cwd, "a.csv")
b_path = os.path.join(cwd, "b.csv")
# read the files into pandas dataframes
a_df = pd.read_csv(a_path)
b_df = pd.read_csv(b_path)
# remove rows from a_df that appear in b_df
a_df = a_df[~a_df.index.isin(b_df.index)]
# write the result to a new csv file
a_df.to_csv("a_minus_b.csv", index=False)
if __name__ == "__main__":
main()
这次居然用了index过滤，但是并不是我想要的。算了，我还是去StackOverflow找吧。
Leetcode测试
我用leetcode第14题，测试，结果如下：
# 14. Longest Common Prefix
# Easy
# 4845
# 2366
# Add to List
# Share
# Write a function to find the longest common prefix string amongst an array of strings.
# If there is no common prefix, return an empty string "".
# Example 1:
# Input: strs = ["flower","flow","flight"]
# Output: "fl"
# Example 2:
# Input: strs = ["dog","racecar","car"]
# Output: ""
# Explanation: There is no common prefix among the input strings.
# Constraints:
# 1 <= strs.length <= 200
# 0 <= strs[i].length <= 200
# strs[i] consists of only lower-case English letters.
class Solution(object):
def longestCommonPrefix(self, strs):
"""
:type strs: List[str]
:rtype: str
"""
# 以上是我复制粘贴自
# https://leetcode.com/problems/longest-common-prefix/
# 以下为copilot生成
if not strs:
return ""
if len(strs) == 1:
return strs[0]
min_len = min([len(s) for s in strs])
for i in range(min_len):
for j in range(len(strs)):
if strs[j][i] != strs[0][i]:
return strs[0][:i]
return strs[0][:min_len]
if __name__ == "__main__":
a = Solution()
print(a.longestCommonPrefix(["flower","flow","flight"]))
print(a.longestCommonPrefix(["dog","racecar","car"]))
print(a.longestCommonPrefix(["a","b","c"]))
print(a.longestCommonPrefix(["a"]))
print(a.longestCommonPrefix([""]))
print(a.longestCommonPrefix([]))
打印结果
fl
a
看起来好像很厉害，都能做leetcode的题目了。但是，我大胆怀疑，copilot应该用了leetcode训练模型，所以能做出leetcode并不奇怪。
机器学习代码
同理，我给出注释，然后copilot给出代码，如下：
# read iris datasets from sklearn.datasets
# predict the class of the samples in the test set
# return the predicted classes
# print accuracy, f1 score, recall, precision
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, f1_score, recall_score, precision_score
def predict(X_train, y_train, X_test, y_test, k):
knn = KNeighborsClassifier(n_neighbors=k)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
print("Accuracy: :.2f".format(accuracy_score(y_test, y_pred)))
print("F1 score: :.2f".format(f1_score(y_test, y_pred)))
print("Recall: :.2f".format(recall_score(y_test, y_pred)))
print("Precision: :.2f".format(precision_score(y_test, y_pred)))
def main():
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
predict(X_train, y_train, X_test, y_test, 5)
if __name__ == "__main__":
main()
又报错了：
ValueError: Target is multiclass but average=‘binary’. Please choose another average setting, one of [None, ‘micro’, ‘macro’, ‘weighted’].
修改predict函数如下
def predict(X_train, y_train, X_test, y_test, k):
knn = KNeighborsClassifier(n_neighbors=k)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
print("Accuracy: :.2f".format(accuracy_score(y_test, y_pred)))
print("F1 score: :.2f".format(f1_score(y_test, y_pred, average='macro')))
print("Recall: :.2f".format(recall_score(y_test, y_pred, average='macro')))
print("Precision: :.2f".format(precision_score(y_test, y_pred, average='macro')))
再测试，通过了。
虽然有错误，但是我觉得也挺好，我可以少打不少字了。少数几个错误改一下即可。
总结
要用好copilot，还是需要给他非常明确的指示。比如下载图片，要告诉他图片的URL。很多时候，你忙了半天，或许还不如自己去网上找代码。常见问题能解决，非常见问题，就未必了。不过，这还仅仅是开始，相信未来copilot会越来越准。那时候，善于使用copitlot的程序员，就不用加班了。不用copilot，就要天天加班了。
即使有了copilot，你还是需要自己理解代码。比如上面的pandas过滤程序，代码其实错了，但是正好通过了测试。如果你不知起所以然，直接上生产，后果可想而知。
测试过程中发现，他的速度非常不稳定。经常是半天没反应，不知道是不是网络原因。希望未来copilot能在中国放服务器，这样速度就有保证了。
以上是关于Github Copilot的申请及在Pycharm的配置和使用的主要内容，如果未能解决你的问题，请参考以下文章
Github Copilot 值得购买吗？使用GitHub Copilot进行快速EDA的示例