10分钟跑通用PandasAI自然语言查询把心脏疾病数据集变成可提问的表格【免费下载链接】pandas-aiChat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data analysis conversational using LLMs and RAG.项目地址: https://gitcode.com/GitHub_Trending/pa/pandas-aiPandasAI是一个把数据变成聊天对象的Python库读入一个CSV你用自然语言提问它生成代码、执行、再返回答案或图表。适合不想背groupby语法的业务分析师、数据研究新手和只想快速出结论的科研人员。本文就用仓库自带的心血管数据集带你跑通第一问。 它替你干的活三件原来要手写的差事第一件算统计量。你刚拿到 heart.csv导师问疾病占比多少男女平均血压差多少手动做要翻列名、确认 HeartDisease 是 0/1 编码、写两段 groupby 再对数。PandasAI 的流程是把问题原样发给它等一个可以直接贴进周报的数字。第二件出图。周报里要一张血压在各区间分布的柱状图。手动做要调 matplotlib 的分组和颜色参数在这里说一句画一个直方图图直接生成样式不满意再追问一句让它改。第三件跨表关联。examples/data/ 里还有一张 11 个字段、几百行的贷款还款表。老板突然问男女还款周期有差异吗手动要查字段字典、写过滤再聚合用自然语言描述条件一次追问就出结果。 第一次跑通三步到第一个答案准备工作只有一步Python 版本要在 3.8~3.11 之间然后装库和模型连接扩展。pip install pandasai pandasai-litellm第二步配置一个大模型以 OpenAI 为例LiteLLM 支持的其它模型同样可以换import pandasai as pai from pandasai_litellm.litellm import LiteLLM llm LiteLLM(modelgpt-4.1-mini, api_keysk-xxx) pai.config.set({llm: llm})第三步读入仓库自带的心血管数据集问第一个问题df pai.read_csv(examples/data/heart.csv) print(df.chat(How many patients have heart disease?))到这里你的第一个答案应该已经打印出来了。回答形式取决于问法可以是字符串、数字、表格也可以是图表。 看它的真实输出平台形态下是左边表格、右边对话窗口的布局对着数据直接提问图表则是直接可交付的成品。下面这张各国 GDP 柱状图就是一句画直方图生成的不需要写任何绘图代码 设计里值得看一眼的三个模块Agent整个流程的调度者串起生成代码 → 执行 → 解析响应。执行失败时它会带着报错信息自动重试所以偶尔一次生成失误不会直接打断你。CodeExecutor生成的代码在一个预置环境里运行约定结果统一放进result字典返回。正是这个约定让答案既能是数字也能是图表。Sandbox默认情况下模型生成的代码就在你本机执行。它用 AST 解析代码、识别其中的 SQL 语句以便分流处理对安全有要求时官方提供 Docker 版沙箱把执行关进容器里。 容易卡住的地方启动时报API key does not include LLM credits这是还没接模型。跑一遍上面的 LiteLLM 四行配置即可。装不上或 import 报错多半是 Python 版本超出 3.8~3.11 的支持范围换版本或新建虚拟环境。答非所问或反复执行失败代码由 LLM 现场生成存在随机性。换个说法追问或换成更强的模型通常就好了。担心生成代码直接跑在本机接入 DockerSandbox 后再提问代码就在容器内执行碰不到你的机器。 继续深入官方快速上手docs/v3/getting-started.mdx示例 notebooks含 Docker 沙箱完整流程examples/想参与开发CONTRIBUTING.md打开 examples/quickstart.ipynb 从头到尾跑一遍再把 read_csv 换掉、装上你自己的 CSV。第一问能返回答案的那一刻你就知道它还能帮你省多少事了。【免费下载链接】pandas-aiChat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data analysis conversational using LLMs and RAG.项目地址: https://gitcode.com/GitHub_Trending/pa/pandas-ai创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 10分钟跑通：用PandasAI自然语言查询把心脏疾病数据集变成可提问的表格
10分钟跑通用PandasAI自然语言查询把心脏疾病数据集变成可提问的表格【免费下载链接】pandas-aiChat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data analysis conversational using LLMs and RAG.项目地址: https://gitcode.com/GitHub_Trending/pa/pandas-aiPandasAI是一个把数据变成聊天对象的Python库读入一个CSV你用自然语言提问它生成代码、执行、再返回答案或图表。适合不想背groupby语法的业务分析师、数据研究新手和只想快速出结论的科研人员。本文就用仓库自带的心血管数据集带你跑通第一问。 它替你干的活三件原来要手写的差事第一件算统计量。你刚拿到 heart.csv导师问疾病占比多少男女平均血压差多少手动做要翻列名、确认 HeartDisease 是 0/1 编码、写两段 groupby 再对数。PandasAI 的流程是把问题原样发给它等一个可以直接贴进周报的数字。第二件出图。周报里要一张血压在各区间分布的柱状图。手动做要调 matplotlib 的分组和颜色参数在这里说一句画一个直方图图直接生成样式不满意再追问一句让它改。第三件跨表关联。examples/data/ 里还有一张 11 个字段、几百行的贷款还款表。老板突然问男女还款周期有差异吗手动要查字段字典、写过滤再聚合用自然语言描述条件一次追问就出结果。 第一次跑通三步到第一个答案准备工作只有一步Python 版本要在 3.8~3.11 之间然后装库和模型连接扩展。pip install pandasai pandasai-litellm第二步配置一个大模型以 OpenAI 为例LiteLLM 支持的其它模型同样可以换import pandasai as pai from pandasai_litellm.litellm import LiteLLM llm LiteLLM(modelgpt-4.1-mini, api_keysk-xxx) pai.config.set({llm: llm})第三步读入仓库自带的心血管数据集问第一个问题df pai.read_csv(examples/data/heart.csv) print(df.chat(How many patients have heart disease?))到这里你的第一个答案应该已经打印出来了。回答形式取决于问法可以是字符串、数字、表格也可以是图表。 看它的真实输出平台形态下是左边表格、右边对话窗口的布局对着数据直接提问图表则是直接可交付的成品。下面这张各国 GDP 柱状图就是一句画直方图生成的不需要写任何绘图代码 设计里值得看一眼的三个模块Agent整个流程的调度者串起生成代码 → 执行 → 解析响应。执行失败时它会带着报错信息自动重试所以偶尔一次生成失误不会直接打断你。CodeExecutor生成的代码在一个预置环境里运行约定结果统一放进result字典返回。正是这个约定让答案既能是数字也能是图表。Sandbox默认情况下模型生成的代码就在你本机执行。它用 AST 解析代码、识别其中的 SQL 语句以便分流处理对安全有要求时官方提供 Docker 版沙箱把执行关进容器里。 容易卡住的地方启动时报API key does not include LLM credits这是还没接模型。跑一遍上面的 LiteLLM 四行配置即可。装不上或 import 报错多半是 Python 版本超出 3.8~3.11 的支持范围换版本或新建虚拟环境。答非所问或反复执行失败代码由 LLM 现场生成存在随机性。换个说法追问或换成更强的模型通常就好了。担心生成代码直接跑在本机接入 DockerSandbox 后再提问代码就在容器内执行碰不到你的机器。 继续深入官方快速上手docs/v3/getting-started.mdx示例 notebooks含 Docker 沙箱完整流程examples/想参与开发CONTRIBUTING.md打开 examples/quickstart.ipynb 从头到尾跑一遍再把 read_csv 换掉、装上你自己的 CSV。第一问能返回答案的那一刻你就知道它还能帮你省多少事了。【免费下载链接】pandas-aiChat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data analysis conversational using LLMs and RAG.项目地址: https://gitcode.com/GitHub_Trending/pa/pandas-ai创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考