PandasAI + Streamlit 实战指南：10 分钟搭出一个会聊天、会画图的数据分析 Web 应用

PandasAI Streamlit 实战指南10 分钟搭出一个会聊天、会画图的数据分析 Web 应用【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 是一个开源 Python 库它把大语言模型接到你的 CSV、Parquet 或 SQL 数据上让你用一句各部门平均工资是多少就能拿到答案。把它和 Streamlit 拼在一起几十个代码行就能得到一个问一句、答一段、画一张图的交互式数据分析 Web 应用——业务同事不用打开 Excel 公式栏更不用学 Python。先看清楚你要做出来的东西最终效果是这样的用户在网页里输入一个自然语言问题PandasAI 在后台让 LLM 生成并执行数据分析代码然后把结果以文字、数字、表格或图表的形式回传到页面上。这个过程对用户完全透明——他不需要知道背后跑的是groupby还是merge就像把一位随叫随到的数据分析师装进了网页里。为什么是这两个组件的组合打个比方PandasAI 是大脑双手负责理解问题、写代码、执行代码Streamlit 是店面负责把输入框、按钮和图表以 Web 页面的形式呈现给任何人。两者各自成熟拼起来正好补上对方缺的那一半。PandasAI 侧有几个关键能力决定了这个组合的上限能力说明对 Web 应用的意义多形态输出自动返回字符串 / 数字 / 表格 / 图表 / 错误五种响应页面可按类型分别渲染无需手写解析逻辑多表联查一次对话可传入多个 DataFrame 跨表提问员工表薪资表能直接问谁工资最高多轮对话Agent记住上下文支持追问聊天窗体验的基础沙箱执行Docker 隔离运行 AI 生成的代码生产环境的安全底线响应类型的具体规则比如什么算 Chart、什么算 DataFrame可以在官方文档 docs/v3/chat-and-output.mdx 里查到输出解析的核心实现位于 pandasai/core/response/ 目录读一遍parser.py就能明白每种结果是怎么被分类的。5 分钟备齐环境整个应用只依赖三个包PandasAI 本体、一个 LLM 接入扩展这里以 LiteLLM 为例可接 OpenAI 等主流模型、Streamlitpip install pandasai pandasai-litellm streamlit一行装完。接着配置模型——这段代码把 LLM 实例塞进 PandasAI 的全局配置之后所有chat调用都会走它import pandasai as pai from pandasai_litellm.litellm import LiteLLM pai.config.set({llm: LiteLLM(modelgpt-4.1-mini, api_key你的KEY)})想直接跑项目自带的示例和数据集可以克隆仓库内含examples/笔记本和examples/data/示例数据git clone https://gitcode.com/GitHub_Trending/pa/pandas-ai写一个能跑通的最小 app.py核心逻辑其实只有三步加载数据 → 创建带记忆的 Agent → 把 Streamlit 的输入接到chat/follow_up上。import pandas as pd import streamlit as st import pandasai as pai # 1. 加载数据可以是 read_csv、Parquet 或普通 pd.DataFrame 包装 df pai.read_csv(examples/data/heart.csv) agent pai.Agent([df]) # 2. Agent 会自动维护对话上下文 question st.chat_input(问问你的数据比如心率最高的前 5 个样本) if question: st.write(question) resp agent.chat(question) # 3. 首问用 chat追问自动可用 follow_up st.write(resp.value)streamlit run app.py启动后浏览器里就多了一个能聊天的数据面板。 之所以选Agent而不是pai.chat()是因为后者适合一次性提问前者能记住上文——用户接着问其中女性占多少时它才知道其中指的是什么。多轮对话的完整机制见 docs/v3/agent.mdx。让 AI 画的图直接出现在页面上当问题是画一张收入分布直方图时resp是一个 Chart 响应对象。最省事的接法if resp.type plot: resp.save(out.png) # 图表先落盘成 PNG st.image(out.png) # 再用 Streamlit 渲染出来两行代码AI 生成的图就挂到网页上了。若你希望所有响应包括表格都以 Streamlit 原生组件展示官方提供过一条更彻底的路自定义ResponseParser并注入配置。思路是继承解析器、重写格式化方法例如把 DataFrame 原样返回让st.dataframe接管完整示例在 docs/v2/custom-response.mdx。 提示渲染结果前先判断resp.type数字和文字走st.write、表格走st.dataframe、图表走st.image页面观感会干净很多。安全给 AI 生成的代码上把锁AI 生成的代码本质上不可信把它直接跑在你服务器上并不稳妥。PandasAI 提供了 Docker 沙箱AI 写的代码全部在隔离容器里执行危险操作被挡在门外。安装pandasai-docker后把沙箱传给 Agent 即可from pandasai_docker import DockerSandbox sandbox DockerSandbox(); sandbox.start() agent pai.Agent([df], sandboxsandbox)沙箱细节同样在 docs/v3/agent.mdx 中有专门小节。对外部数据源SQL 库、文件路径接入的校验逻辑可以参考 pandasai/helpers/sql_sanitizer.py 这类防御性代码。下一步可以做什么Demo 跑通后按难度递增的路线继续走换成你的真实数据用pai.read_csv/pai.read_excel接业务表多张表一起传入即可跨表提问让用户自己传文件把st.chat_input旁边加一个st.file_uploader收到 CSV 后包装成 DataFrame 再喂给 Agent接入 SQL 数据源数据量上来后不必全量加载进内存走连接器直连查询入口在 pandasai/data_loader/ 与文档 docs/v3/semantic-layer/给 Agent 定制业务能力通过 skills 机制注册异常检测、预测分析等专属技能指南见 docs/v3/skills.mdx打磨回答质量给关键业务问题做 few-shot 训练让回答风格贴合你们的口径企业特性见 docs/v3/enterprise-features.mdx。从能问出答案到团队天天在用中间差的就是上面这五步。挑一张你手头的 CSV今晚就能把第一版页面上线。【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