AI大模型探索之路-实战篇14: 集成本地Python代码解释器:强化Agent智能数据分析平台

系列篇章💥

AI大模型探索之路-实战篇4:深入DB-GPT数据应用开发框架调研
AI大模型探索之路-实战篇5:探索Open Interpreter开放代码解释器调研
AI大模型探索之路-实战篇6:掌握Function Calling的详细流程
AI大模型探索之路-实战篇7:Function Calling技术实战自动生成函数
AI大模型探索之路-实战篇8:多轮对话与Function Calling技术应用
AI大模型探索之路-实战篇9:探究Agent智能数据分析平台的架构与功能
AI大模型探索之路-实战篇10:数据预处理的艺术:构建Agent智能数据分析平台的基础
AI大模型探索之路-实战篇11: Function Calling技术整合:强化Agent智能数据分析平台功能
AI大模型探索之路-实战篇12: 构建互动式Agent智能数据分析平台:实现多轮对话控制
AI大模型探索之路-实战篇13: 从对话到报告:打造能记录和分析的Agent智能数据分析平台


目录


一、前言

在之前的文章里,我们展示了如何利用大型模型的推理能力和Function Calling技术实现从自然语言到数据查询分析处理的转变。然而,除了依赖大模型自身的能力之外,有时我们还需要处理一些超出大模型能力范围的任务,例如调用本地代码库进行数据的可视化展示。因此,本文将介绍如何通过为Agent智能数据分析平台增添新外挂------Python代码解释器,来进一步增强其能力。

二、实现本地Python代码解释器

1、定义数据提取函数

定义一个数据提取服务,用于读取数据库表信息,放入到df变量中,并设置成全局变量

python 复制代码
def extract_data(sql_query,df_name):
    """
    用于借助pymysql,将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。
    :param sql_query: 字符串形式的SQL查询语句,用于提取MySQL中iquery数据库中的某张表。
    :param df_name: 将MySQL数据库中提取的表格进行本地保存时的变量名,以字符串形式表示。
    :return:表格读取和保存结果
    """
    
    mysql_pw = "iquery_agent"
    
    connection = pymysql.connect(
            host='localhost',  # 数据库地址
            user='iquery_agent',  # 数据库用户名
            passwd=mysql_pw,  # 数据库密码
            db='iquery',  # 数据库名
            charset='utf8'  # 字符集选择utf8
        )
    
    # 使用pandas的read_sql方法,根据SQL查询语句从数据库中读取数据,并将结果保存到本地变量中
    globals()[df_name] = pd.read_sql(sql_query, connection)
    
    return "已成功完成%s变量创建" % df_name

2、数据查询汲取测试

测试数据查询,并传入一个本地变量用于接收查询到的数据

python 复制代码
sql_query = "SELECT * FROM user_demographics LIMIT 10"
data_name = "test_dataframe"
extract_data(sql_query,data_name)

输出:

3、变量数据查看

查看本地的全局变量,确认是否有接收到数据

python 复制代码
test_dataframe

输出:

4、数据汲取函数信息生成

使用函数自动生成器,生成数据库查询函数的信息

python 复制代码
#定义函数列表
functions_list = [extract_data]
#函数信息生成测试
tools = auto_functions(functions_list)
tools

输出:

注意:读取数据库和python代码解析的函数信息建议采用自己手写的方式,避免大模型不稳定,有时候生成的格式不对

5、大模型调用测试

测试大模型能否正常找到对于的数据汲取的函数

python 复制代码
messages=[
            {"role": "user", "content": "请帮我读取iquery数据库中的user_payments,并保存至本地"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

输出:

6、定义python代码执行函数

定义一个能够在本地执行python代码的工具函数

python 复制代码
# 能够在本地执行python代码的外部函数
# 定义一个名为python_inter的函数,该函数接受一个字符串类型的python代码作为参数
def python_inter(py_code):
    """
    该函数的主要作用是对iquery数据库中各张数据表进行查询和处理,并获取最终查询或处理结果。
    :param py_code: 字符串形式的Python代码,此代码用于执行对iquery数据库中各张数据表进行操作
    :return:返回代码运行的最终结果
    """    
    # 记录函数开始执行时,全局作用域内的变量名
    global_vars_before = set(globals().keys())
    try:
        # 尝试执行传入的代码,代码的作用域为全局作用域
        exec(py_code, globals())
    except Exception as e:
        # 如果代码执行出错,返回错误信息
        return str(e)
    # 记录代码执行后,全局作用域内的变量名
    global_vars_after = set(globals().keys())
    # 获取执行代码后新产生的全局变量名
    new_vars = global_vars_after - global_vars_before
    # 如果有新的全局变量产生
    if new_vars:
        # 返回新的全局变量及其值
        result = {var: globals()[var] for var in new_vars}
        return str(result)
    else:
        try:
            # 如果没有新的全局变量产生,尝试计算并返回代码的执行结果
            return str(eval(py_code, globals()))
        except Exception as e:
            # 如果计算代码执行结果也出错,返回成功执行代码的消息
            return "已经顺利执行代码"

7、自动生成python代码执行函数的信息

利用大模型生成funcation calling需要的函数信息(实践运用时建议手写,避免大模型不稳定生成格式不对

python 复制代码
functions_list = [python_inter]
tools = auto_functions(functions_list)
tools

输出:

8、第一次大模型调用测试(python代码执行函数调用测试)

1)调用大模型,并找到工具函数

通过大模型API自动调用python代码执行函数,检查确认大模型是否能找的工具函数python_inter

python 复制代码
messages=[
            {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表,并保存为test_dataframe"},
            {"role": "user", "content": "test_dataframe是已经定义好的变量"},
            {"role": "user", "content": "请帮我检查test_dataframe中总共包含几个字段"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

2)获取代码变量

python 复制代码
py_code=response.choices[0].message.tool_calls[0].function.arguments
#格式转换
code = json.loads(py_code)
#查看代码
code

输出:(查看变量)

3)取出变量信息

python 复制代码
code_str = code.get("py_code")
#取出代码
code_str


4)执行代码,看结果

python 复制代码
#Python代码执行测试(查看经过python代码格式化之后的数据库数据)
python_inter(code_str)

9、第二次大模型调用测试

第二次大模型API调用测试,获取查询user_payments数据表,获取字段信息和取值范围。

python 复制代码
messages=[
            {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表,并保存为test_dataframe"},
            {"role": "user", "content": "test_dataframe是已经定义好的变量"},
            {"role": "user", "content": "请帮我检查test_dataframe中各字段的基本类型和取值范围"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo-16k",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

输出:

函数信息查看、提取

python 复制代码
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str

代码执行测试

python 复制代码
python_inter(code_str)

10、第三次大模型调用测试

第三次大模型API调用测试,获取查询user_payments数据表,并统计缺失列。

python 复制代码
messages=[
            {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表,并保存为test_dataframe"},
            {"role": "user", "content": "test_dataframe是已经定义好的变量"},
            {"role": "user", "content": "请帮我检查test_dataframe中各列的缺失值情况,并将统计结果保存为missing_value对象"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

输出:

查看变量信息:missing_value

获取查看函数

python 复制代码
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str

代码执行

python 复制代码
python_inter(code_str)

查看执行后的变量

python 复制代码
missing_value

三、可视化展示数据

借助Python代码解释器进行可视化数据展示

1、获取数据

根据大模型获取test_dataframe中gender字段信息

python 复制代码
messages=[
            {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表,并保存为test_dataframe"},
            {"role": "user", "content": "test_dataframe是已经定义好的变量"},
            {"role": "user", "content": "请帮我统计test_dataframe中gender字段的不同取值分布情况,并以可视化形式进行展示"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

查看函数信息

python 复制代码
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str

2、可视化展示

执行python代码解释器,进行可视化展示

python 复制代码
python_inter(code_str)

四、把可视化图片存入云盘文档

1、图形绘制测试

python 复制代码
import matplotlib.pyplot as plt

# 创建一个图形
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4, 5])

查看类型

python 复制代码
type(fig)

2、定义图片存储服务

python 复制代码
from docx import Document
import matplotlib.pyplot as plt
import os
import tempfile

def append_img_in_doc(folder_name, doc_name, img):
    """"
    往文件里追加图片
    @param folder_name=目录名,doc_name=文件名,img=图片对象,数据类型为matplotlib.figure.Figure对象
    """
    base_path = "/root/autodl-tmp/iquery项目/iquery云盘"
    ## 目录地址
    full_path_folder=base_path+"/"+folder_name
    ## 文件地址
    full_path_doc = os.path.join(full_path_folder, doc_name)+".doc"
    

    # 检查目录是否存在,如果不存在则创建
    if not os.path.exists(full_path_folder):
        os.makedirs(full_path_folder)
    
    # 检查文件是否存在
    if os.path.exists(full_path_doc):
        print(full_path_doc)
        # 文件存在,打开并追加内容
        document = Document(full_path_doc)
    else:
        # 文件不存在,创建一个新的文档对象
        document = Document()

    # 追加图片
    # 将matplotlib的Figure对象保存为临时图片文件
    with tempfile.NamedTemporaryFile(delete=False, suffix='.png') as tmpfile:
        fig.savefig(tmpfile.name, format='png')
        # 将图片插入到.docx文档中
        document.add_picture(tmpfile.name)
    
    # 保存文档
    document.save(full_path_doc)
    print(f"图片已追加到 {doc_name}")
    
append_img_in_doc(folder_name="电信用户行为分析", doc_name="数据分析问答", img=fig)

五、 实现把图片变为fig对象的代码逻辑

1、获取数据

python 复制代码
messages=[
            {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表,并保存为test_dataframe"},
            {"role": "user", "content": "test_dataframe是已经定义好的变量"},
            {"role": "user", "content": "请帮我统计test_dataframe中gender字段的不同取值分布情况,并以可视化形式进行展示,可视化展示时请尽量绘制更加清晰美观的图片"}
        ]
    
response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        tools=tools,
        tool_choice="auto",  
    )

response.choices[0].message

2、查看代码

python 复制代码
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str

3、执行代码(可视化展示)

python 复制代码
python_inter(code_str)

4、定义insert_fig_objec函数,插入matplotlib图形对象

1)查看代码

python 复制代码
code_str

2)在给定的代码字符串(code_str)中插入一个名为fig的matplotlib图形对象

检查代码字符串中是否已经存在fig对象的创建,如果不存在,则在第一次出现绘图相关代码的位置之前插入fig对象的创建。这样可以确保在使用matplotlib绘图时,所有的绘图操作都在同一个图形对象上进行

python 复制代码
def insert_fig_object(code_str):
    global fig
    # 检查是否已存在 fig 对象的创建
    if 'fig = plt.figure' in code_str:
        return code_str  # 如果存在,则返回原始代码字符串

    # 定义可能的库别名和全名
    plot_aliases = ['plt.', 'matplotlib.pyplot.','plot']
    sns_aliases = ['sns.', 'seaborn.']

    # 寻找第一次出现绘图相关代码的位置
    first_plot_occurrence = min((code_str.find(alias) for alias in plot_aliases + sns_aliases if code_str.find(alias) >= 0), default=-1)
 
    # 如果找到绘图代码,则在该位置之前插入 fig 对象的创建
    if first_plot_occurrence != -1:
        plt_figure_index = code_str.find('plt.figure')
        if plt_figure_index != -1:
            # 寻找 plt.figure 后的括号位置,以确定是否有参数
            closing_bracket_index = code_str.find(')', plt_figure_index)
            # 如果找到了 plt.figure(),则替换为 fig = plt.figure()
            modified_str = code_str[:plt_figure_index] + 'fig = ' + code_str[plt_figure_index:closing_bracket_index + 1] + code_str[closing_bracket_index + 1:]
        else:
            modified_str = code_str[:first_plot_occurrence] + 'fig = plt.figure()\n' + code_str[first_plot_occurrence:]
        return modified_str
    else:
        return code_str  # 如果没有找到绘图代码,则返回原始代码字符串

5、insert_fig_objec函数测试

python 复制代码
code_temp1=(
"import matplotlib.pyplot as plt\n\n# 统计gender字段的不同取值分布情况\ngender_counts = test_dataframe['gender'].value_counts()\n\n# 绘制柱状图\nplt.figure(figsize=(8, 6))\nplt.bar(gender_counts.index, gender_counts.values)\nplt.xlabel('Gender')\nplt.ylabel('Count')\nplt.title('Distribution of Gender')\n\n# 展示图形\nplt.show()"
)
modified_str = insert_fig_object(code_temp1)
print(modified_str)

6、可视化展示gender字段取值分布1

  1. 导入matplotlib.pyplot库,并将其别名为plt。
  2. 统计test_dataframe中gender字段的不同取值分布情况,将结果存储在gender_counts变量中。
  3. 创建一个8x6大小的图形对象fig。
  4. 使用plt.bar()函数绘制柱状图,横坐标为gender_counts的索引(即不同的性别取值),纵坐标为gender_counts的值(即每个性别取值的数量)。
  5. 设置横轴标签为'Gender',纵轴标签为'Count',标题为'Distribution of Gender'。
  6. 使用plt.show()函数展示图形。
python 复制代码
import matplotlib.pyplot as plt

# 统计gender字段的不同取值分布情况
gender_counts = test_dataframe['gender'].value_counts()

# 绘制柱状图
fig = plt.figure(figsize=(8, 6))
plt.bar(gender_counts.index, gender_counts.values)
plt.xlabel('Gender')
plt.ylabel('Count')
plt.title('Distribution of Gender')

# 展示图形
plt.show()

输出

7、可视化展示gender字段取值分布2

使用了seaborn库来设置图形样式和绘制柱状图

python 复制代码
import matplotlib.pyplot as plt
import seaborn as sns

counts = test_dataframe['gender'].value_counts()

fig = plt.figure(figsize=(8,6))
sns.set(style='whitegrid')
sns.barplot(x=counts.index, y=counts.values)
plt.title('Distribution of Gender in test_dataframe')
plt.xlabel('Gender')
plt.ylabel('Count')
plt.show()

输出

8、提取代码格式化输出

python 复制代码
def extract_python(json_str):
       # 使用literal_eval将字符串转换为字典
    dict_data = json.loads(json_str)
    # 提取'sql_query'的值
    py_code_value = dict_data['py_code']
    # 提取并返回'sql_query'的值
    return py_code_value
    
json_str = response.choices[0].message.tool_calls[0].function.arguments
print(json_str)
print(extract_python(json_str))

输出:

9、重新定义python代码执行函数

python 复制代码
def python_inter(py_code):
    """
    用于对iquery数据库中各张数据表进行查询和处理,并获取最终查询或处理结果。
    :param py_code: 字符串形式的Python代码,用于执行对iquery数据库中各张数据表进行操作
    :return:代码运行的最终结果
    """    
    # 添加图片对象,如果存在绘图代码,则创建fig对象
    py_code = insert_fig_object(py_code)
    global_vars_before = set(globals().keys())
    try:
        exec(py_code, globals())
    except Exception as e:
        return str(e)
    global_vars_after = set(globals().keys())
    new_vars = global_vars_after - global_vars_before
    if new_vars:
        result = {var: globals()[var] for var in new_vars}
        return str(result)
    else:
        try:
            return str(eval(py_code, globals()))
        except Exception as e:
            return "已经顺利执行代码"

测试

python 复制代码
python_inter(code_str)

10、查看fg对象

python 复制代码
fig

六、多轮对话增加Python代码解释器效果

1、定义Python代码提取函数

python 复制代码
def extract_python(json_str):
    if isinstance(json_str, dict):
        return json_str['py_code']   
       # 使用literal_eval将字符串转换为字典
    dict_data = json.loads(json_str)
    # 提取'sql_query'的值
    py_code_value = dict_data['py_code']
    # 提取并返回'sql_query'的值
    return py_code_value

2、大模型两次调用封装

python 复制代码
def check_code_run(messages,
                   project_name,
                   doc_name,
                   functions_list=None,
                   tools=None,
                   model="gpt-3.5-turbo",
                   auto_run = True):
    """
    能够自动执行外部函数调用的对话模型
    :param messages: 必要参数,字典类型,输入到Chat模型的messages参数对象
    :param prject_name: 项目名
    :param doc_name: 文件名
    :param functions_list: 可选参数,默认为None,可以设置为包含全部外部函数的列表对象
    :param model: Chat模型,可选参数,默认模型为gpt-3.5-turbo
    :return:Chat模型输出结果
    """
    code = None
    # 如果没有外部函数库,则执行普通的对话任务
    if functions_list == None:
        response = client.chat.completions.create(
                        model=model,
                        messages=messages,
                        )
        response_message = response.choices[0].message
        final_response = response_message.content
        
    # 若存在外部函数库,则需要灵活选取外部函数并进行回答
    else:

        # 创建外部函数库字典
        available_functions = {func.__name__: func for func in functions_list}

        # 第一次调用大模型
        response = client.chat.completions.create(
                        model=model,
                        messages=messages,
                        tools=tools,
                        tool_choice="auto", )
        response_message = response.choices[0].message
        tool_calls = response_message.tool_calls
        if tool_calls:
            messages.append(response_message) 
            for tool_call in tool_calls:
                function_name = tool_call.function.name
                function_to_call = available_functions[function_name]
                function_args = json.loads(tool_call.function.arguments)
                #########################################
                    # 创建code对象
                if 'sql_inter' in function_name or 'extract_data' in function_name:
                    code = extract_sql(function_args)
                    # 将代码字符串转换为Markdown格式
                    markdown_code = f"```sql\n{code}\n```"
                else:
                    code = extract_python(function_args)
                    
                    code = insert_fig_object(code)
                    # 将代码字符串转换为Markdown格式
                    markdown_code = f"```python\n{code}\n```"
                #########################################
              
                if auto_run == False: 
                    print("已将问题转化为如下代码准备运行:")
                    # 在Jupyter Notebook中展示Markdown格式的代码
                    display(Markdown(markdown_code))
                    #sql_query = extract_sql_by_str(function_args)
                    #print("抽取出来的SQL:" + sql_query)

                    res = input('是否确认并继续执行(1),或者退出本次运行过程(2)')
                    if res == '2':
                        print("终止运行")
                        return None
                    else:
                        print("正在执行代码,请稍后...")
                        
                function_response = function_to_call(**function_args)
                messages.append(
                    {
                        "tool_call_id": tool_call.id,
                        "role": "tool",
                        "name": function_name,
                        "content": function_response,
                    }
                ) 
            ## 第二次调用模型
            second_response = client.chat.completions.create(
                model=model,
                messages=messages,
            ) 
            # 获取最终结果
            final_response = second_response.choices[0].message.content
        else:
            final_response = response_message.content
    del messages
    ##################################
    if code:
        substrings = ['plt.', 'matplotlib.pyplot.', 'sns.', 'seaborn.','plot']
        if any(substring in code for substring in substrings):
            global fig
            append_img_in_doc(project_name, doc_name, img=fig)
            print("图片保存成功!")
    ################################
                
    return final_response

3、多轮对话函数定义

python 复制代码
import tiktoken

def chat_with_inter(functions_list=None, 
                    prompt="你好呀", 
                    model="gpt-3.5-turbo", 
                    system_message=[{"role": "system", "content": "你是一个智能助手。"}], 
                    auto_run = True):
    
    print("正在初始化外部函数库")
    # 创建函数列表对应的参数解释列表
    functions = auto_functions(functions_list)
    #print(functions)
    print("外部函数库初始化完成")
    project_name = input("请输入当前分析项目名称:")
    folder_name = create_directory(project_name)
    print("已完成数据分析文件创建")
    doc_name = input("请输入当前分析阶段,如数据探索阶段和理解、数据清洗阶段等:")
    doc_name += '问答'
    print("好的,即将进入交互式分析流程")
    # 多轮对话阈值
    if 'gpt-4' in model:
        tokens_thr = 6000
    elif '16k' in model:
        tokens_thr = 14000
    else:
        tokens_thr = 3000
    
    messages = system_message
    ## 完成给用户输入的问题赋值
    user_input = prompt
    messages.append({"role": "user", "content": prompt})
    ## 计算token大小
    embedding_model = "text-embedding-ada-002"
    # 模型对应的分词器(TOKENIZER)
    embedding_encoding = "cl100k_base"
    encoding = tiktoken.get_encoding(embedding_encoding)
    tokens_count = len(encoding.encode((prompt + system_message[0]["content"])))
    
    while True:           
        answer = check_code_run(messages,
                                project_name=project_name,
                                doc_name = doc_name,
                                functions_list=functions_list, 
                                tools=functions,
                                model=model, 
                                auto_run = auto_run)
        
        
        print(f"模型回答: {answer}")
        
        #####################判断是否记录文档 start#######################
        while True:
            record = input('是否记录本次回答(1),还是再次输入问题并生成该问题答案(2)')
            if record == '1':
                
                Q_temp = 'Q:' + user_input
                A_temp = 'A:' + answer
                
                append_in_doc(folder_name=project_name, 
                                               doc_name=doc_name, 
                                               qa_string=Q_temp)
                append_in_doc(folder_name=project_name, 
                                               doc_name=doc_name, 
                                               qa_string=A_temp)
                
                # 记录本轮问题答案
                messages.append({"role": "assistant", "content": answer})
                break
            else:
                print('好的,请再次输入问题')
                user_input = input()
                messages[-1]["content"] = user_input
                answer = check_code_run(messages, 
                                        project_name=project_name,
                                        doc_name = doc_name,
                                        functions_list=functions_list,
                                        tools=functions,
                                        model=model,                                       
                                        auto_run = auto_run)  
                
                print(f"模型回答: {answer}")
                
        ########################判断是否记录文档 stop #######################
        

        # 询问用户是否还有其他问题
        user_input = input("您还有其他问题吗?(输入退出以结束对话): ")
        if user_input == "退出":
            del messages
            break

        # 记录新一轮问答
        messages.append({"role": "assistant", "content": answer})
        messages.append({"role": "user", "content": user_input})
        
        # 计算当前总token数
        tokens_count += len(encoding.encode((answer + user_input)))
        
        # 删除超出token阈值的对话内容
        while tokens_count >= tokens_thr:
            tokens_count -= len(encoding.encode(messages.pop(1)["content"]))

4、定义工具列表

python 复制代码
#sql_inter,
functions_list = [extract_data, python_inter]

5、多轮对话测试

python 复制代码
from IPython.display import display, Markdown, Code

chat_with_inter(functions_list=functions_list, 
                prompt="请将iquery数据库中的user_demographics表保存到本地Python环境中,并命名为user_demographics_df", 
                model="gpt-3.5-turbo", 
                system_message=[{"role": "system", "content": md_content}], 
                auto_run = False)

对话效果

python 复制代码
正在初始化外部函数库
[{'type': 'function', 'function': {'name': 'extract_data', 'description': '用于借助pymysql,将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。', 'parameters': {'type': 'object', 'properties': {'sql_query': {'type': 'string', 'description': '字符串形式的SQL查询语句,用于提取MySQL中iquery数据库中的某张表。'}, 'df_name': {'type': 'string', 'description': '将MySQL数据库中提取的表格进行本地保存时的变量名,以字符串形式表示。'}}, 'required': ['sql_query', 'df_name']}}}, {'type': 'function', 'function': {'name': 'python_inter', 'description': '用于对chatbi数据库中各张数据表进行查询和处理,并获取最终查询或处理结果。', 'parameters': {'type': 'object', 'properties': {'py_code': {'type': 'string', 'description': '字符串形式的Python代码,用于执行对chatbi数据库中各张数据表进行操作'}}, 'required': ['py_code']}}}]
外部函数库初始化完成
请输入当前分析项目名称: 电信用户行为分析目录 电信用户行为分析 已存在
已完成数据分析文件创建
请输入当前分析阶段,如数据探索阶段和理解、数据清洗阶段等: 数据可视化
好的,即将进入交互式分析流程
已将问题转化为如下代码准备运行:

是否确认并继续执行(1),或者退出本次运行过程(2) 1
正在执行代码,请稍后...
/tmp/ipykernel_150812/966933623.py:20: UserWarning: pandas only supports SQLAlchemy connectable (engine/connection) or database string URI or sqlite3 DBAPI2 connection. Other DBAPI2 objects are not tested. Please consider using SQLAlchemy.
globals()[df_name] = pd.read_sql(sql_query, connection)

模型回答: 已将iquery数据库中的user_demographics数据表保存到本地Python环境中,并命名为user_demographics_df。您可以使用该变量进行进一步的数据分析和处理了。
是否记录本次回答(1),还是再次输入问题并生成该问题答案(2) 1
内容已追加到 数据可视化问答
内容已追加到 数据可视化问答
您还有其他问题吗?(输入退出以结束对话):  用可视化的方式展示user_demographics_df数据集中gender字段不同取值的占比情况
已将问题转化为如下代码准备运行:
是否确认并继续执行(1),或者退出本次运行过程(2) 1
正在执行代码,请稍后...

七、结语

通过上述步骤的实践应用,我们已经成功将本地python代码解释器整合进入了Agent智能数据分析平台,到此,智能数据分析平台同时兼容了我们调研项目中的DB-GPT和Open Interpreter两者的优势特点。相当于给平台装上了两个翅膀,一个用于SQL解析、一个用于代码解释;从而让平台的数据处理能力更上一层楼。

🎯🔖更多专栏系列文章:AIGC-AI大模型探索之路

😎 作者介绍 :我是寻道AI小兵,资深程序老猿,从业10年+、互联网系统架构师,目前专注于AIGC的探索。

📖 技术交流 :建立有技术交流群,可以扫码👇 加入社群,500本各类编程书籍、AI教程、AI工具等你领取!
如果文章内容对您有所触动,别忘了点赞、⭐关注,收藏**!加入我,让我们携手同行AI的探索之旅,一起开启智能时代的大门!**

相关推荐
gma99925 分钟前
Etcd 框架
数据库·etcd
好看资源平台27 分钟前
网络爬虫——综合实战项目:多平台房源信息采集与分析系统
爬虫·python
爱吃青椒不爱吃西红柿‍️28 分钟前
华为ASP与CSP是什么?
服务器·前端·数据库
果冻人工智能1 小时前
2025 年将颠覆商业的 8 大 AI 应用场景
人工智能·ai员工
代码不行的搬运工1 小时前
神经网络12-Time-Series Transformer (TST)模型
人工智能·神经网络·transformer
进击的六角龙1 小时前
深入浅出:使用Python调用API实现智能天气预报
开发语言·python
檀越剑指大厂1 小时前
【Python系列】浅析 Python 中的字典更新与应用场景
开发语言·python
石小石Orz1 小时前
Three.js + AI:AI 算法生成 3D 萤火虫飞舞效果~
javascript·人工智能·算法
湫ccc1 小时前
Python简介以及解释器安装(保姆级教学)
开发语言·python
孤独且没人爱的纸鹤1 小时前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai