PandasAI 零代码数据分析完整教程：用一句话问出数据和图表-开发者社区

PandasAI 零代码数据分析完整教程：用一句话问出数据和图表

【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

你被丢给一张数据表，被要求在半天内交一份按维度拆分的结果，却不想再翻一遍 pandas 文档——这个场景，正是PandasAI 自然语言数据分析想解决的问题。PandasAI 是一个用大语言模型驱动的 Python 库，让你直接对 CSV、SQL 数据库、Parquet 等数据"用大白话提问"，它自动生成并执行分析代码，直接返回数字、表格或图表，全程不用手写代码。

🚀 一键安装：3 行代码跑通第一个数据问答

上手比想象的更短：装库、配模型、提问，三步走完。

pip install pandasai

在 Python 里配好一个 LLM（可参考 docs/v3/getting-started.mdx），然后最关键的部分只有这几行：

import pandasai as pai df = pai.read_csv("examples/data/heart.csv") # 加载数据 answer = df.chat("年龄大于50岁的患者占多少比例？") print(answer)

问完即得答案。如果想在仓库源码环境里试，也可以直接克隆后安装：

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

上图中左侧是数据表格视图，右侧是聊天交互区——输入一句指令，结果直接生成。

💬 场景一：老板临时要统计，说句话就有数

最典型的用法，就是把平时要写代码的统计问题换成一句人话：

"找出年龄大于 50 岁的患者比例"
"按性别分组计算平均心率"
"销售额最高的前 3 个国家总销售是多少"

你可以像跟同事说话一样提问，PandasAI 会把这句话翻译成对应的数据处理逻辑并执行，返回一个可以直接抄进汇报的结论，而不是让你猜代码怎么写的。

📈 场景二：要交图，直接说"画个直方图"

汇报里缺一张图？描述图表类型就行，比如：

df.chat("按国家绘制 GDP 柱状图，每根柱子用不同颜色")

它会自动生成可用的图表返回，你不需要碰任何绘图参数。想要相关性热图、时间趋势线，同理，描述出来即可。

🔗 场景三：数据不止一张表，还能连上你的数据库

真实业务里数据往往散落在多个地方，PandasAI 同样可以"对话式"处理：

多表关联：把多张表一起传入，问"把员工表和工资表关联起来，看各部门人均薪资"这类跨表问题；
连数据库：支持 SQL 等数据源连接，内置连接器源码在 extensions/connectors/，可扩展出更多数据源；
语义层玩法：想先定义好字段含义、视图和转换规则再提问，可以看示例 examples/semantic_layer_csv.ipynb。

🧹 场景四：数据脏了，让它顺手清理

遇到缺失值、异常值，不用自己写清洗脚本，直接说：

"用中位数填充缺失值"
"找出并移除明显异常的行"

它会自己选择合适的处理策略执行，你只需要在结果里确认是否合理。

🔒 沙箱执行 + 权限管理：数据交出去也安全

把"会生成代码的工具"用在生产环境，安全是绕不开的问题。PandasAI 的应对方式主要有两层：

Docker 沙箱：AI 生成的代码运行在完全隔离的容器里，离线执行、限制资源、隔离文件系统。开启方式和完整示例在 examples/docker_sandbox.ipynb，更多细节见 docs/v3/privacy-security.mdx；
数据集权限控制：数据集可见性可设为私有、组织内共享、公开或密码保护，还可以按成员粒度管理访问权限，审计谁在看你的数据。

左侧是可见性选项（Private / Organization / Public / Password Protected），下方管理可访问该数据集的成员。

📚 文档、示例与社区：下一步往哪走

官方文档：docs/v3/ 下有从安装到语义层、LLM 配置的完整指南，建议先读 docs/v3/getting-started.mdx 和 docs/v3/chat-and-output.mdx（输出格式说明）；
入门笔记本：examples/quickstart.ipynb 覆盖了从配置 LLM 到提问的完整流程，适合跟着一步步敲；
社区：遇到问题或有功能建议，直接在项目的 Issue 系统里提，也可以参与社区讨论。