【GenBI实战】python脚本实现基于DeepSeek api的数据查询和图表可视化

写在前面

生成式 BI (GenBI) 正在改变我们与数据交互的方式。它允许用户使用自然语言提出问题，并自动获得数据洞察，而无需编写复杂的 SQL 查询或手动创建图表。本文将带你动手实战，使用 Python 和 DeepSeek API (或其他类似的大语言模型 API) 实现一个简单的 GenBI 流程：

  1. 输入： Markdown 表格形式的数据和自然语言查询。
  2. 处理： 利用 DeepSeek API 的强大语言理解和代码生成能力，将自然语言查询转换为 Python 代码，并使用该代码处理 Markdown 表格数据。
  3. 输出： 生成可视化图表（使用 Plotly 库）。

通过这个实战项目，你将学习如何：

  • 使用 DeepSeek API (或其他 LLM API)。
  • 解析 Markdown 表格数据。
  • 将自然语言查询转换为 Python 代码。
  • 使用 Python 代码处理数据并生成可视化图表 (使用 Plotly)。

前提条件

  • Python 3.7 或更高版本
  • 安装必要的 Python 库：
    pip install requests pandas plotly
    如果没有DeepSeek的API_KEY, 可以替换成其他LLM，比如OpenAI, 文心一言, 通义千问, 智谱AI等。需要稍微修改对应的API调用代码。
  • DeepSeek API 密钥 (或其他 LLM API 密钥)

项目结构

genbi_project/
├── main.py        # 主程序
├── data.md        # 示例 Markdown 数据文件 (可选)
└── requirements.txt # 依赖库列表

步骤 1：设置 DeepSeek API 密钥 (或其他 LLM API 密钥)
首先，需要获取DeepSeek API的密钥。访问DeepSeek官网注册账号，然后在控制台中找到你的API key。
如果你没有DeepSeek的API key，可以使用其他大语言模型API, 例如:

  • OpenAI: 访问 https://platform.openai.com/ 注册并获取 API 密钥。
  • 文心一言 (ERNIE Bot): 访问 https://yiyan.baidu.com/ 注册并获取 API 密钥。
  • 通义千问: 访问https://tongyi.aliyun.com/注册并获取API key.
  • 智谱AI: 访问https://open.bigmodel.cn/注册并获取API key.

将获取到的 API 密钥设置为环境变量或直接在代码中设置（不推荐在代码中明文存储密钥）：

# main.py (示例 - 使用环境变量)
import os# 从环境变量获取 API 密钥 (推荐)
DEEPSEEK_API_KEY = os.environ.get("DEEPSEEK_API_KEY")
# 或者直接设置 API 密钥 (不推荐)
# DEEPSEEK_API_KEY = "YOUR_DEEPSEEK_API_KEY"

替换其他LLM的API KEY和调用方式
如果使用其他LLM，需要做以下几处修改：

  1. API 密钥： 将 DEEPSEEK_API_KEY 替换为你所用 LLM 的 API 密钥。
  2. API 调用： 将 call_deepseek_api 函数替换为调用你所用 LLM API 的函数。 不同的 LLM API 有不同的调用方式（请求 URL、参数、返回结果格式等），需要参考其官方文档进行修改。
  3. Prompt： Prompt 的内容可能需要根据不同 LLM 的特点进行微调，以获得最佳效果。

步骤 2：定义 DeepSeek API 调用函数

创建一个函数来调用 DeepSeek API：

# main.py
import requestsdef call_deepseek_api(prompt, model="deepseek-coder", max_tokens=1000, temperature=0.5):"""调用 DeepSeek API。Args:prompt: 输入给模型的 Prompt。model: 使用的模型名称。max_tokens: 生成的最大 token 数。temperature: 控制生成结果的随机性。Returns:模型生成的文本，如果发生错误则返回 None。"""if DEEPSEEK_API_KEY is None:raise ValueError("DeepSeek API key not found.  Set the DEEPSEEK_API_KEY environment variable.")url = "https://api.deepseek.com/v1/chat/completions"  # 请根据 DeepSeek API 文档修改 URLheaders = {"Content-Type": "application/json","Authorization": f"Bearer {DEEPSEEK_API_KEY}",}data = {"model": model,"messages": [{"role": "user", "content": prompt}],"max_tokens": max_tokens,"temperature": temperature,}try:response = requests.post(url, headers=headers, json=data)response.raise_for_status()  # 如果请求失败，抛出异常return response.json()["choices"][0]["message"]["content"]except requests.exceptions.RequestException as e:print(f"Error calling DeepSeek API: {e}")return None

步骤 3：解析 Markdown 表格数据

创建一个函数来解析 Markdown 表格数据，并将其转换为 Pandas DataFrame：

# main.py
import pandas as pd
import redef parse_markdown_table(markdown_table):"""解析 Markdown 表格数据，并将其转换为 Pandas DataFrame。Args:markdown_table: Markdown 表格字符串。Returns:Pandas DataFrame，如果解析失败则返回 None。"""try:# 使用正则表达式分割行lines = markdown_table.strip().split('\n')header = [s.strip() for s in re.split(r"\|", lines[0])[1:-1]]# 移除表头下的分隔线lines = lines[2:]data = []for line in lines:# 使用正则表达式分割单元格, 考虑 | 前后可能有空格row = [s.strip() for s in re.split(r"\s*\|\s*", line)[1:-1]]data.append(row)df = pd.DataFrame(data, columns=header)return dfexcept Exception as e:print(f"Error parsing Markdown table: {e}")return None

步骤 4：构建 Prompt 并调用 DeepSeek API

创建一个函数来构建 Prompt，调用 DeepSeek API，并获取生成的 Python 代码：

# main.pydef generate_python_code(markdown_table, query):"""构建 Prompt，调用 DeepSeek API，并获取生成的 Python 代码。Args:markdown_table: Markdown 表格字符串。query: 自然语言查询。Returns:生成的 Python 代码（字符串形式），如果生成失败则返回 None。"""prompt = f"""
You are a helpful assistant that generates Python code to analyze data and create visualizations.
You are given a Markdown table and a natural language query.
Generate Python code (using pandas and plotly) to:
1.  Parse the Markdown table into a pandas DataFrame.
2.  Process the DataFrame to answer the query.
3.  Create a visualization (using plotly) of the result.
4.  Print the figure in JSON format using `fig.to_json()`. Do *not* use `fig.show()`.Markdown Table:
```markdown
{markdown_table}

Natural Language Query:
{query}

Python Code:

"""code = call_deepseek_api(prompt)return code

步骤 5：执行生成的 Python 代码并获取可视化结果

创建一个函数来执行生成的 Python 代码，并获取 Plotly 图表的 JSON 表示：

# main.py
import jsondef execute_code_and_get_visualization(code):"""执行生成的 Python 代码，并获取 Plotly 图表的 JSON 表示。Args:code: 要执行的 Python 代码。Returns:Plotly 图表的 JSON 表示（字符串形式），如果执行失败则返回 None。"""try:# 创建一个局部命名空间，用于执行代码local_vars = {}exec(code, {}, local_vars)# 检查是否有 'fig' 变量 (Plotly 图表对象)if 'fig' in local_vars:fig = local_vars['fig']# 将 Plotly 图表转换为 JSON 格式fig_json = fig.to_json()return fig_jsonelse:print("Error: No 'fig' variable found in the generated code.")return Noneexcept Exception as e:print(f"Error executing generated code: {e}")return None

步骤 6：主程序逻辑

# main.py
def main():"""主程序逻辑。"""# 示例 Markdown 表格数据markdown_table = """
| Region | Sales | Profit |
|---|---|---|
| North America | 1200000 | 240000 |
| Europe | 950000 | 190000 |
| Asia | 800000 | 160000 |
| South America | 500000 | 80000 |
| Africa | 300000 | 45000 |
"""# 示例自然语言查询query = "Show a bar chart of sales by region, sorted in descending order."# 生成 Python 代码code = generate_python_code(markdown_table, query)if code:print("Generated Python code:\n", code)# 执行代码并获取可视化结果visualization_json = execute_code_and_get_visualization(code)if visualization_json:print("\nVisualization (JSON format):\n", visualization_json)# (可选) 将 JSON 数据保存到文件with open("visualization.json", "w") as f:f.write(visualization_json)print("\nVisualization saved to visualization.json")# (可选) 在浏览器中显示图表 (需要额外的 JavaScript 代码)else:print("Failed to generate visualization.")else:print("Failed to generate Python code.")
if __name__ == "__main__":main()

完整的 main.py 代码：

import os
import requests
import pandas as pd
import re
import json
import plotly.express as px# 从环境变量获取 API 密钥 (推荐)
DEEPSEEK_API_KEY = os.environ.get("DEEPSEEK_API_KEY")
# 或者直接设置 API 密钥 (不推荐)
# DEEPSEEK_API_KEY = "YOUR_DEEPSEEK_API_KEY"def call_deepseek_api(prompt, model="deepseek-coder", max_tokens=1000, temperature=0.5):"""调用 DeepSeek API。Args:prompt: 输入给模型的 Prompt。model: 使用的模型名称。max_tokens: 生成的最大 token 数。temperature: 控制生成结果的随机性。Returns:模型生成的文本，如果发生错误则返回 None。"""if DEEPSEEK_API_KEY is None:raise ValueError("DeepSeek API key not found.  Set the DEEPSEEK_API_KEY environment variable.")url = "https://api.deepseek.com/v1/chat/completions"  # 请根据 DeepSeek API 文档修改 URLheaders = {"Content-Type": "application/json","Authorization": f"Bearer {DEEPSEEK_API_KEY}",}data = {"model": model,"messages": [{"role": "user", "content": prompt}],"max_tokens": max_tokens,"temperature": temperature,}try:response = requests.post(url, headers=headers, json=data)response.raise_for_status()  # 如果请求失败，抛出异常return response.json()["choices"][0]["message"]["content"]except requests.exceptions.RequestException as e:print(f"Error calling DeepSeek API: {e}")return None
def parse_markdown_table(markdown_table):"""解析 Markdown 表格数据，并将其转换为 Pandas DataFrame。Args:markdown_table: Markdown 表格字符串。Returns:Pandas DataFrame，如果解析失败则返回 None。"""try:# 使用正则表达式分割行lines = markdown_table.strip().split('\n')header = [s.strip() for s in re.split(r"\|", lines[0])[1:-1]]# 移除表头下的分隔线lines = lines[2:]data = []for line in lines:# 使用正则表达式分割单元格, 考虑 | 前后可能有空格row = [s.strip() for s in re.split(r"\s*\|\s*", line)[1:-1]]data.append(row)df = pd.DataFrame(data, columns=header)return dfexcept Exception as e:print(f"Error parsing Markdown table: {e}")return None
def generate_python_code(markdown_table, query):"""构建 Prompt，调用 DeepSeek API，并获取生成的 Python 代码。Args:markdown_table: Markdown 表格字符串。query: 自然语言查询。Returns:生成的 Python 代码（字符串形式），如果生成失败则返回 None。"""prompt = f"""
You are a helpful assistant that generates Python code to analyze data and create visualizations.
You are given a Markdown table and a natural language query.
Generate Python code (using pandas and plotly) to:
1.  Parse the Markdown table into a pandas DataFrame.
2.  Process the DataFrame to answer the query.
3.  Create a visualization (using plotly) of the result.
4.  Print the figure in JSON format using `fig.to_json()`. Do *not* use `fig.show()`.Markdown Table:
```markdown
{markdown_table}

Natural Language Query:
{query}

Python Code:

"""code = call_deepseek_api(prompt)return code
import jsondef execute_code_and_get_visualization(code):"""执行生成的 Python 代码，并获取 Plotly 图表的 JSON 表示。Args:code: 要执行的 Python 代码。Returns:Plotly 图表的 JSON 表示（字符串形式），如果执行失败则返回 None。"""try:# 创建一个局部命名空间，用于执行代码local_vars = {}exec(code, {}, local_vars)# 检查是否有 'fig' 变量 (Plotly 图表对象)if 'fig' in local_vars:fig = local_vars['fig']# 将 Plotly 图表转换为 JSON 格式fig_json = fig.to_json()return fig_jsonelse:print("Error: No 'fig' variable found in the generated code.")return Noneexcept Exception as e:print(f"Error executing generated code: {e}")return None
def main():"""主程序逻辑。"""# 示例 Markdown 表格数据markdown_table = """
| Region | Sales | Profit |
|---|---|---|
| North America | 1200000 | 240000 |
| Europe | 950000 | 190000 |
| Asia | 800000 | 160000 |
| South America | 500000 | 80000 |
| Africa | 300000 | 45000 |
"""# 示例自然语言查询query = "Show a bar chart of sales by region, sorted in descending order."# 生成 Python 代码code = generate_python_code(markdown_table, query)if code:print("Generated Python code:\n", code)# 执行代码并获取可视化结果visualization_json = execute_code_and_get_visualization(code)if visualization_json:print("\nVisualization (JSON format):\n", visualization_json)# (可选) 将 JSON 数据保存到文件with open("visualization.json", "w") as f:f.write(visualization_json)print("\nVisualization saved to visualization.json")# (可选) 在浏览器中显示图表 (需要额外的 JavaScript 代码)else:print("Failed to generate visualization.")else:print("Failed to generate Python code.")
if __name__ == "__main__":main()

运行结果
成功运行后，控制台会输出生成的Python代码和图表的JSON格式数据。
程序会在目录下创建一个visualization.json文件。
DeepSeek API (或其他 LLM API) 生成的 Python 代码可能如下所示（实际生成的代码可能略有不同）：

import pandas as pd
import plotly.express as px
import re# 解析 Markdown 表格 (与 parse_markdown_table 函数相同)
def parse_markdown_table(markdown_table):try:lines = markdown_table.strip().split('\n')header = [s.strip() for s in re.split(r"\|", lines[0])[1:-1]]lines = lines[2:]data = []for line in lines:row = [s.strip() for s in re.split(r"\s*\|\s*", line)[1:-1]]data.append(row)df = pd.DataFrame(data, columns=header)return dfexcept Exception as e:print(f"Error parsing Markdown table: {e}")return None# 将 Markdown 表格解析为 DataFrame
df = parse_markdown_table(markdown_table)# 将 'Sales' 列转换为数值类型
df['Sales'] = pd.to_numeric(df['Sales'])# 按 'Sales' 列降序排序
df_sorted = df.sort_values('Sales', ascending=False)# 创建柱状图
fig = px.bar(df_sorted, x='Region', y='Sales', title='Sales by Region (Sorted)')# 将图表转换为 JSON 格式 (重要：不要使用 fig.show())
# print(fig.to_json()) # 这行被注释掉，因为我们已经在 execute_code_and_get_visualization 函数中处理了

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/72028.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Web-to-Web和Server-to-Serve归因方法

Web-to-Web和Server-to-Serve归因方法

Web2Web 和 S2S 归因方法 1. Web2Web 归因方法 原理： Web2Web（Web-to-Web）归因方法主要用于跟踪用户在网站之间的行为路径。它通过浏览器中的Cookie或其他标识符来追踪用户在不同网站之间的行为，从而确定用户转化的路径。 使用…
阅读更多...
c++中迭代器和指针有什么区别？

c++中迭代器和指针有什么区别？

在 C 中，迭代器和指针虽然在某些场景下有相似的行为，但它们在设计目的、功能和使用场景上有本质区别。以下是详细对比和最佳实践： 一、核心区别对比表 特征指针迭代器本质原生数据类型，直接存储内存地址类对象，抽象容…
阅读更多...
如何使用Docker搭建哪吒监控面板程序

如何使用Docker搭建哪吒监控面板程序

哪吒监控（Nezha Monitoring）是一款自托管、轻量级的服务器和网站监控及运维工具，旨在为用户提供实时性能监控、故障告警及自动化运维能力。 文档地址：https://nezha.wiki/ 本章教程，使用Docker方式安装哪吒监控面板，在此之前，你需要提前安装好Docker. 我当前使用的操作系…
阅读更多...
ONLYOFFICE + Ollama，本地AI模型的高效集成方案

ONLYOFFICE + Ollama，本地AI模型的高效集成方案

这篇文章将继续探讨如何在 ONLYOFFICE 中连接并高效使用各类 AI 模型。今天的主角是 Ollama——一个专为本地部署和运行 AI 模型的平台。如何使用 Ollama 并与 ONLYOFFICE 编辑器集成，利用其强大的 AI 模型处理文本任务。以下是详细的操作步骤和使用方法。 关于 ONL…
阅读更多...
单片机开发为什么不用C++?

单片机开发为什么不用C++?

最近受到很多初学者的灵魂拷问，单片机需要学C吗？ 还别说，问这问题的还挺多的，今天以一篇文章来说下。 很多小白觉得，C语言这老古董，语法简陋得像石器时代的产物，为什么还牢牢霸占着单片机开发的…
阅读更多...
2025-02-28 学习记录--C/C++-C语言 scanf 中，%s 不需要加

2025-02-28 学习记录--C/C++-C语言 scanf 中，%s 不需要加

合抱之木，生于毫末；九层之台，起于累土；千里之行，始于足下。💪🏻 C语言 scanf 中，%s 不需要加 & 格式化符号变量类型是否需要加 &原因%s字符数组不需要数组名本身就是指针&a…
阅读更多...
数字样机：从技术革新到产业赋能的演进之路

数字样机：从技术革新到产业赋能的演进之路

摘要：数字样机作为产品全生命周期数字化的核心技术，旨在通过虚拟化建模与仿真技术重构传统工业研发范式。 数字样机（Digital Prototype，DP）技术是一种数字化设计技术，利用数字样机替代原型样机&#xff0c…
阅读更多...
Ubuntu20.04安装Isaac sim/ Isaac lab

Ubuntu20.04安装Isaac sim/ Isaac lab

2025年之后omniverse好像不能直接装Isaac sim了，要跳转到官网链接。 Isaac lab要在Isaac sim安装之后才能安装 Ubuntu20.04安装Isaac sim/ Isaac lab Isaac sim安装Isaac lab安装 Isaac sim安装 找到官网 Isaac sim官方文档 下载下来解压到本地文件夹&#xff0c…
阅读更多...
【前端】XML,XPATH,与HTML的关系

【前端】XML,XPATH,与HTML的关系

XML与HTML关系 XML（可扩展标记语言）和 HTML（超文本标记语言）是两种常见的标记语言，但它们有不同的目的和用途。它们都使用类似的标记结构（标签），但在设计上存在一些关键的差异。 XML…
阅读更多...
8款智能排班系统，全面深入介绍

8款智能排班系统，全面深入介绍

本文介绍了以下8款主流的排班系统：1.i人事；2.Moka； 3.When I Work； 4.薪人薪事； 5.泛微e-office； 6.多可软件； 7.钉钉； 8.Homebase等。 排班系统作为一种高效的管理工具，…
阅读更多...
DeepSeek 助力 Vue3 开发：打造丝滑的页脚（Footer）

DeepSeek 助力 Vue3 开发：打造丝滑的页脚（Footer）

前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏关注哦 💕 目录 Deep…
阅读更多...
SpringCloud 微服务框架

SpringCloud 微服务框架

单体架构：将业务全部功能集中到一个项目中，打成一个war包存储,部署在一台服务器中，只有一个数据库 优点 ：架构简单，部署成本低。适合小型项目 问题：高并发性能问题，开发时代码耦合问题&#x…
阅读更多...
goLand导入git项目并打包发布linux

goLand导入git项目并打包发布linux

作为项目管理，拥有半吊子开发能力，居然有一天需要修改维护go项目。。。从菜鸟教程学习开始~苦 goland导入git项目 本地启动 导入之后会自动更新相关依赖。 本人导入之后立马修改了依赖位置，且修改为一项目一位置，互不干涉。 在代…
阅读更多...
通义灵码插件安装入门教学 - IDEA（安装篇）

通义灵码插件安装入门教学 - IDEA（安装篇）

在开发过程中，使用合适的工具和插件可以极大地提高我们的工作效率。今天，我们将详细介绍如何在 IntelliJ IDEA 中安装并配置通义灵码插件，这是一款旨在提升开发者效率的实用工具。无论你是新手还是有经验的开发者，本文都将为你提供…
阅读更多...
【设计模式精讲】开源实战之剖析Spring框架：Spring中工厂模式的应用

【设计模式精讲】开源实战之剖析Spring框架：Spring中工厂模式的应用

文章目录 第七章 开源实战7.1 剖析Spring框架中用到的经典设计模式7.1.1 Spring中工厂模式的应用7.1.1.1 Spring中的Bean组件7.1.1.2 Spring中的BeanFactory7.1.1.3 Spring中的FactoryBean 个人主页：道友老李 欢迎加入社区：道友老李的学习社区 第七章 开…
阅读更多...
[数据结构]用栈实现队列

[数据结构]用栈实现队列

思路分析 代码实现： typedef int STDataType; typedef struct Stack {int* a;int top;//下标int capacity; }ST; //栈的初始化 void STInit(ST* ps); //栈的插入 void STPush(ST* ps, STDataType x); //栈的删除 void STPop(ST* ps); // int STSize(ST* ps); //判断…
阅读更多...
C++ 17 允许在 for 循环，if 语句，switch 语句中初始化变量

C++ 17 允许在 for 循环，if 语句，switch 语句中初始化变量

看到 c 有这个特性，python 和 java 似乎都没有，根据 AI 的回答进行了一些整理总结。 文章目录 **1. 在 for 循环中初始化变量****特点****多个变量初始化** **2. 在 if 语句中初始化变量（C17 及以上）****示例****特点** **3. 在 s…
阅读更多...
【云原生之kubernetes实战】在k8s环境中高效部署Vikunja任务管理工具（含数据库配置）

【云原生之kubernetes实战】在k8s环境中高效部署Vikunja任务管理工具（含数据库配置）

【【云原生之kubernetes实战】在k8s环境中高效部署Vikunja任务管理工具（含数据库配置） 前言一、Vikunja介绍1.1 Vikunja简介1.2 Vikunja主要特点1.3 使用场景二、相关知识介绍2.1 本次实践存储介绍2.2 k8s存储介绍三、本次实践介绍3.1 本次实践简介3.2 本次环境规划3.3 部署前…
阅读更多...
分享一个常用的命名规则和Spring的命名风格

分享一个常用的命名规则和Spring的命名风格

目录 Spring 命名风格规范总结表 常用代码命名单词（通用且专业） 命名技巧 一、返回布尔值的方法 二、条件执行方法 三、异步处理方法 四、回调方法 五、集合操作方法 六、状态校验方法 七、对象生命周期方法 八、数据操作方法 Spring 命名风格规…
阅读更多...
【Golang学习之旅】Go-zero + Gen：如何使用 Gen 提升 Go 开发效率

【Golang学习之旅】Go-zero + Gen：如何使用 Gen 提升 Go 开发效率

文章目录 前言一、Go-zero简介二、Gen工具简介2.1 Gen的功能与特点2.2 Gen的工作原理 三、Go-zero Gen：结合的优势3.1为什么选择Go-zero与Gen3.2 Gen的代码生成与Go-zero的结合点 四、实际案例：Go-zero Gen的应用4.1 构建一个用户管理系统4.2 定义Gen配…
阅读更多...
最新文章

Copyright @ 2022~2023