在人工智能领域，Pandas经常用于机器学习和深度学习过程的预处理步骤。Pandas通过提供数据清理、重塑、合并和聚合，可以将原始数据集转换为结构化的、随时可用的2维表格，并将其输入人工智能算法。
pandas-ai介绍
PandasAI将Pandas转换为一个会话工具，你可以询问有关数据的问题，它则会以Pandas dataframe的形式进行回答。
例如，我们可以要求PandasAI返回一个DataFrame中列值大于5的所有行，它将返回一个只包含这些行的DataFrame。
importpandasaspd
frompandasaiimportPandasAI
# Sample DataFrame
df=pd.DataFrame({
"country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"],
"gdp": [21400000, 2940000, 2830000, 3870000, 2160000, 1350000, 1780000, 1320000, 516000, 14000000],
"happiness_index": [7.3, 7.2, 6.5, 7.0, 6.0, 6.3, 7.3, 7.3, 5.9, 5.0]
})
# Instantiate a LLM
frompandasai.llm.openaiimportOpenAI
llm=OpenAI()
pandas_ai=PandasAI(llm)
pandas_ai.run(df, prompt='Which are the 5 happiest countries?')
除了返回结果以外，还可以生成图表：
pandas_ai.run(
df,
"Plot the histogram of countries showing for each the gpd, using different colors for each bar",
)
安装和使用
只要使用pip安装就可以使用：
pip install pandasai但是在使用pandasai时需要输入一个openai的api-key，这样才可以让他调用openai的语言模型：
然后在使用前先import，在输入api的key就可以使用了：
#Import pandas and pandas-ai
importpandasaspd
frompandasaiimportPandasAI
# Instantiating my llm using OpenAI API key.
frompandasai.llm.openaiimportOpenAI
# OpenAI
llm=OpenAI(api_token="YOUR_OPENAI_API_KEY")因为pandas的特性，我们不仅仅可以处理csv文件，我们还可以连接关系型的数据库，例如pgsql：
# creating the uri and connecting to database
pg_conn="postgresql://YOUR URI HERE"
#Query sql database
query="""
SELECT *
FROM table_name
"""
#Create dataframe named df
df=pd.read_sql(query,pg_conn)然后像上面代码一样，我们可以直接与它进行对话了：
# Using pandas-ai!
pandas_ai=PandasAI(llm)
pandas_ai.run(df, prompt='Place your prompt here)
最后
ChatGPT、Pandas是强大的工具，当它们结合在一起时，可以彻底改变我们与数据交互和分析的方式。ChatGPT凭借其先进的自然语言处理能力，可以更直观地与数据进行类似人类的交互。而PandasAI可以增强Pandas数据分析体验。通过将复杂的数据操作任务转换为简单的自然语言查询，PandasAI使用户更容易从数据中提取有价值的见解，而无需编写大量代码。
这对于那些还不熟悉Python或pandas操作/转换的人来说是一种编程的新方法。我们不需要为你想要执行的任务编程，而是只是与AI代理交谈，明确的额告诉它想要的结果，代理会将此消息转换为计算机可解释的代码，并返回结果。
https://avoid.overfit.cn/post/05d75584fa34404ca8aefcd9ad1ca1ed
