PandasAI用自然语言搞定CSV与数据库数据分析新手向【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 Python 库让你直接用自然语言向数据提问。装上它之后你一句各地区平均营收是多少它就能查表、算数、返回数字、表格甚至图表不用自己写 SQL。支持 CSV、Excel、parquet 文件和 SQL 数据库。它具体帮你做什么读入 CSV、Excel、parquet 文件变成可以直接提问的数据对象用一句话提问比如年龄和胆固醇的相关性是多少直接返回答案提问里带一句画个直方图它就顺手生成图表把多张表一起丢给它做跨表关联提问比如谁拿的工资最高把常用数据登记成数据集之后按名字加载不用反复读文件实操走一遍你打开终端把项目克隆到本地git clone https://gitcode.com/GitHub_Trending/pa/pandas-ai接下来装依赖两条命令pip install pandasai和pip install pandasai-litellm。注意 Python 版本要在 3.8 到 3.11 之间两个包要分开装主包不含 LLM 适配器。这时候配置 LLM。用仓库自带的 examples/quickstart.ipynb 作参照先实例化一个 LiteLLM 并传入你的模型名和 API key再通过pai.config.set({llm: llm})把它交给 PandasAI。这一步是它和所有 LLM 的接线环节换个模型只需要改这一处。数据方面仓库 examples/data/ 里就备好了 heart.csv 这样的示例文件先用它跑通流程。一句df pai.read_csv(data/heart.csv)就把文件变成了可提问的对象。接下来正式提问df.chat(What is the correlation between age and cholesterol?)把返回值打印出来就是答案。问画一个按国家的 GDP 直方图每根柱子用不同颜色它会返回一张图表而不是文字。跑完之后如果经常要查同一份数据可以用pai.create(pathmy-org/heart, dfdf, description...)把它登记成数据集路径格式是组织名/数据集名下次一句pai.load(my-org/heart)就加载回来不用重复读文件。想看完整用法示例目录下的 quickstart.ipynb 和 semantic_layer_csv.ipynb 可以直接打开跟着走。跑不通的时候查这里import pandasai_litellm 报错多半是只装了主包。补一句pip install pandasai-litellm两者是分开发布的。提示 API key 无效或请求失败检查传给 LiteLLM 的 key 是否拼错、是否有对应模型的调用权限key 是接给 LLM 适配器的不是配给 PandasAI 的。安装时报 Python 版本错误它只支持 3.8 到 3.113.12 以上装不上换一版 Python 环境再装。答案不对或反复重试它的工作方式是让 LLM 生成代码再执行答错时会自动纠错重试。还是不行就设置pai.config.set({verbose: True})把生成的代码打印出来看它到底把哪一步理解歪了。用得更顺的几个习惯创建数据集时把description写具体一些比如心脏病患者体检数据模型对字段的理解会更准追问上一轮的问题用pai.follow_up()它会接着之前的上下文不用把背景再讲一遍数据敏感的场景装pandasai-docker在 Docker 沙箱里执行 LLM 生成的代码examples/docker_sandbox.ipynb 有现成写法日常先开verbose观察生成的代码形成问题→它怎么理解的直觉排错快很多小结PandasAI 适合手里有一堆 CSV、parquet 或一个 SQL 库又不想每次动手写查询的人也适合开发者快速做探索性分析。现在就可以先装好两个包打开 quickstart 笔记本跑一遍用 heart.csv 问出你的第一个答案。【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 PandasAI：用自然语言搞定CSV与数据库数据分析，新手向
PandasAI用自然语言搞定CSV与数据库数据分析新手向【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 Python 库让你直接用自然语言向数据提问。装上它之后你一句各地区平均营收是多少它就能查表、算数、返回数字、表格甚至图表不用自己写 SQL。支持 CSV、Excel、parquet 文件和 SQL 数据库。它具体帮你做什么读入 CSV、Excel、parquet 文件变成可以直接提问的数据对象用一句话提问比如年龄和胆固醇的相关性是多少直接返回答案提问里带一句画个直方图它就顺手生成图表把多张表一起丢给它做跨表关联提问比如谁拿的工资最高把常用数据登记成数据集之后按名字加载不用反复读文件实操走一遍你打开终端把项目克隆到本地git clone https://gitcode.com/GitHub_Trending/pa/pandas-ai接下来装依赖两条命令pip install pandasai和pip install pandasai-litellm。注意 Python 版本要在 3.8 到 3.11 之间两个包要分开装主包不含 LLM 适配器。这时候配置 LLM。用仓库自带的 examples/quickstart.ipynb 作参照先实例化一个 LiteLLM 并传入你的模型名和 API key再通过pai.config.set({llm: llm})把它交给 PandasAI。这一步是它和所有 LLM 的接线环节换个模型只需要改这一处。数据方面仓库 examples/data/ 里就备好了 heart.csv 这样的示例文件先用它跑通流程。一句df pai.read_csv(data/heart.csv)就把文件变成了可提问的对象。接下来正式提问df.chat(What is the correlation between age and cholesterol?)把返回值打印出来就是答案。问画一个按国家的 GDP 直方图每根柱子用不同颜色它会返回一张图表而不是文字。跑完之后如果经常要查同一份数据可以用pai.create(pathmy-org/heart, dfdf, description...)把它登记成数据集路径格式是组织名/数据集名下次一句pai.load(my-org/heart)就加载回来不用重复读文件。想看完整用法示例目录下的 quickstart.ipynb 和 semantic_layer_csv.ipynb 可以直接打开跟着走。跑不通的时候查这里import pandasai_litellm 报错多半是只装了主包。补一句pip install pandasai-litellm两者是分开发布的。提示 API key 无效或请求失败检查传给 LiteLLM 的 key 是否拼错、是否有对应模型的调用权限key 是接给 LLM 适配器的不是配给 PandasAI 的。安装时报 Python 版本错误它只支持 3.8 到 3.113.12 以上装不上换一版 Python 环境再装。答案不对或反复重试它的工作方式是让 LLM 生成代码再执行答错时会自动纠错重试。还是不行就设置pai.config.set({verbose: True})把生成的代码打印出来看它到底把哪一步理解歪了。用得更顺的几个习惯创建数据集时把description写具体一些比如心脏病患者体检数据模型对字段的理解会更准追问上一轮的问题用pai.follow_up()它会接着之前的上下文不用把背景再讲一遍数据敏感的场景装pandasai-docker在 Docker 沙箱里执行 LLM 生成的代码examples/docker_sandbox.ipynb 有现成写法日常先开verbose观察生成的代码形成问题→它怎么理解的直觉排错快很多小结PandasAI 适合手里有一堆 CSV、parquet 或一个 SQL 库又不想每次动手写查询的人也适合开发者快速做探索性分析。现在就可以先装好两个包打开 quickstart 笔记本跑一遍用 heart.csv 问出你的第一个答案。【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