PandasAI 完整上手：三行代码让数据开口回答问题

PandasAI 完整上手：三行代码让数据开口回答问题

【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

下午四点，群里弹来一句“各区域这个季度卖了多少？”你打开 Excel，对着几十列字段找来找去，二十分钟后还卡在一个 SUMIF 公式上。如果你也常被这种场景卡住，PandasAI 值得试一试——它是一个 Python 库，让你用自然语言直接提问 CSV、SQL、Parquet 里的数据，拿回答案和图表，适合不会写 SQL 的新手，也适合想省下写报表时间的开发者。

PandasAI 能替你干什么 🧠

• 直接用大白话提问：不用背 SQL，把“年龄和胆固醇有什么相关性？”这样的一句话丢给它，它自己写代码去算。
• 一句话出图表：追问一句“画个直方图，每根柱子用不同颜色”，图表直接生成，不用切工具。
• 跨表关联作答：一次传两个 DataFrame，问“谁工资最高？”，它会自己按 EmployeeID 把表接上再回答。
• 接入 SQL 与数据湖：不限于 CSV，数据库查询、Parquet 文件同样可以聊。
• 可选 Docker 沙箱：把代码执行关进隔离容器，敏感数据也敢让它跑。

动手之前：三样准备 📦

1. Python 3.8–3.11。⚠️ 为什么：PandasAI 3.0 官方声明支持这个区间（>=3.8,<3.12），版本过新装依赖会直接失败。
2. 一个 LLM 的 API Key（OpenAI 或任意兼容厂商）。⚠️ 为什么：PandasAI 自己不懂自然语言，LLM 是把它的问题翻译成代码的“大脑”。
3. 一份练习用 CSV。⚠️ 为什么：首次跑通用自己的数据也行，但用仓库自带的 examples/data/heart.csv 最省心。

从装好到出答案：三步走 🚀

第一步：装依赖

pip install pandasai pip install pandasai-litellm

pandasai-litellm 是调用各家模型的扩展包。如果你手头没有现成数据，可以把仓库克隆下来，里面带示例数据和完整 notebook：

git clone https://gitcode.com/GitHub_Trending/pa/pandas-ai

第二步：配置模型、加载数据

import pandasai as pai from pandasai_litellm.litellm import LiteLLM llm = LiteLLM(model="gpt-4.1-mini", api_key="你的API_KEY") pai.config.set({"llm": llm}) df = pai.read_csv("examples/data/heart.csv")

第三步：问出第一个问题

response = df.chat("What is the correlation between age and cholesterol?") print(response)

怎么确认成功了：控制台打印出一句自然语言结论，比如对年龄与胆固醇相关性的解释。想让答案变成纯数字，把问题换成“男患者平均年龄是多少？”，它会直接回一个数。

卡住了别慌 🛟

• 症状：报 401 或认证错误可能原因：API Key 写错或过期，或者 model 名拼错。先核对LiteLLM(model=..., api_key=...)这两个参数。
• 症状：pip 安装失败，或 import pandasai 报错可能原因：Python 版本不在 3.8–3.11 区间。先新建一个干净的虚拟环境再装一遍，大概率就好。
• 症状：答案和你核对的数据对不上可能原因：LLM 偶尔理解偏题。换种问法重问，或让它“展示中间数据”，它会输出 DataFrame 供你核对。
• 症状：让它画图却没图可能原因：matplotlib 等绘图依赖没装全。重新pip install --force-reinstall pandasai补齐依赖。

谁适合用它 🎯

刚上手的新手：从 examples/data/heart.csv 玩起，先练熟read_csv+chat这个两步套路，十分钟内就能跑通大部分场景。 想深挖的用户：接自己的 SQL 数据库或 Parquet 数据湖，配 Docker 沙箱跑敏感数据，照着 examples/quickstart.ipynb 的 notebook 逐项试。

现在就去把上面那三行代码跑起来，让第一份数据开口说话。

提醒一句：你加载的数据会传给 LLM 参与处理，涉及敏感信息时优先用 Docker 沙箱或私有部署的模型。

【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