PandasAI 集成 Streamlit：三步搭出自然语言数据分析 Web 应用-开发者社区

PandasAI 集成 Streamlit：三步搭出自然语言数据分析 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-ai

PandasAI 让数据会"说话"，Streamlit 把结果变成网页，两者组合后你用自然语言问数，图表当场渲染。本教程适合刚接触数据分析的朋友，跟着做一遍，十分钟内就能拥有一个可上线的问数工具。

成品速览：先看看你要的东西长什么样

想象这样一个场景：运营同事在输入框里敲下"按部门统计平均工资并绘图"，几秒钟后页面上蹦出一张柱状图——全程没人写一行代码。

上面就是最终效果。接下来我带你把它做出来。

三分钟原理：问句是怎么变成图表的

这一节不堆术语，只讲清楚链路。你输入的自然语言先交给 PandasAI 的 SmartDatalake（可以理解为"会思考的数据池"，它知道池里每张表的字段长什么样）。SmartDatalake 让大模型把问题翻译成一段针对数据的 Python 代码并执行，得到数值、表格或图表。默认情况下结果只会打印在终端里，但官方提供了 StreamlitResponse 解析器，一挂载，这些结果就直接变成网页上的组件。官方集成示例在 docs/v2/custom-response.mdx，想深挖细节可以对照看。

三步启动数据对话

第一步：装好环境（两行命令搞定）

先用 git clone https://gitcode.com/GitHub_Trending/pa/pandas-ai 拿到仓库（仅用于查文档和示例数据），然后执行：

pip install pandasai pandasai-litellm pip install streamlit export OPENAI_API_KEY=你的密钥

这三行装好了核心库、LLM 适配层和网页框架。目录结构不用讲究，记住三个位置就行：一个 app.py 当入口、一个 data 文件夹放数据集、一个 utils 文件夹装你的自定义组件。

第二步：接入数据、开始提问

在 app.py 里把两张表喂给 SmartDatalake，并把 StreamlitResponse 写进配置：

from pandasai import SmartDatalake from pandasai.responses.streamlit_response import StreamlitResponse agent = SmartDatalake( [employees_df, salaries_df], config={"verbose": True, "response_parser": StreamlitResponse}, )

这两张表就是员工信息和工资表（示例数据仓库里有现成的 CSV 可换用）。response_parser指定了结果走 Streamlit 通道渲染。

接着搭交互界面，只有几行：

st.text_input("想问数据点什么？") if st.button("开始分析"): agent.chat("按部门统计平均工资并绘图")

保存后刷新页面，问题一提交，图表或表格就出现在浏览器里。

第三步：让结果更可控

默认解析器已经把结果渲染成 Streamlit 组件了，想再改什么？记住一个口诀：继承 StreamlitResponse，只覆写你嫌它做得不对的那个方法。比如想给每次分析加个"导出 CSV"按钮，就覆写 format_dataframe，先调用父类方法保留默认表格，再补一个下载控件；想改图表布局同理，找到对应方法动手即可。具体方法签名在 docs/v2/custom-response.mdx 里，照着抄就行。

进阶两招：多轮记忆与自定义技能

这一节给你两个"从能用变好用"的开关。

🧠 两招做出多轮记忆：提问时带上上下文（"上一张图里 IT 部门最高的是谁"），前提是让 Agent 记住历史。实例化时加一个 memory_size 参数（比如 10 轮），后续问题就能引用前面的结论。多轮对话的完整写法参考 docs/v2/custom-response.mdx 中段的示例。

🧩 教它新本领：把写好的函数挂上 @skill 装饰器，用 docstring 说明它是干什么的，再传给 agent 的技能列表，模型就会在合适的时候自己调用它——比如"检测工资异常值"这类固定业务逻辑。完整实现（含往 Streamlit 里画图的技能）见 docs/v2/skills.mdx。

部署与避坑：一条命令上线，两个坑先填上

启动就一行：

streamlit run app.py

默认监听 8501 端口，浏览器打开 http://localhost:8501 即可。常见坑有两个：一是端口被占，加--server.port换到 8502 或别的空闲端口；二是依赖版本打架，pandasai 目前要求 Python 3.8 到 3.11，建议单独开个虚拟环境装依赖，别和项目里其他库混用。