PandasAI这个工具最突出的优点就是通过结合了Pandas和生成式LLMs，极大地为开发人员降低了工作量。

• 传统的开发调用流程（数据分析相关）：
  可以看到，对于开发人员来说实现一个需求需要完成多个步骤。
  

• 使用PandasAI之后的开发调用流程：
  PandasAI 使用生成式 AI 模型来理解和解释自然语言查询，并将其转换为 python 代码和 SQL 查询。然后，它使用代码与数据进行交互，并将结果返回给用户。可以看到，PandasAI从很大程度上降低了后端开发的工作量。
  

1.使用PandasAI进行开发的流程

• 要使用PandasAI进行开发，首先，需要导入数据，可以是非数据库的pandas.DataFrame()或者数据库的connector如MySQLConnector。
• 然后，声明主类对象，根据数据的不同可以选择单帧数据一次提问的SmartDataFrame、多帧数据一次提问的SmartDatalake或多帧数据多次提问的Agent。
• 接下来，调用方法进行回答，包括基础问、响应式提问、针对回答进行解释、对用户的查询语句进行优化重组。
• 最后，返回结果，不仅支持结构化数据返回，还支持图表（如下图所示）：

代码示例如下：

"""Example of using PandasAI with a pandas dataframe"""

from pandasai import SmartDataframe
from pandasai.llm import OpenAI
from pandasai.helpers.openai_info import get_openai_callback


llm = OpenAI(api_token="你的OpenAI Token")

df = SmartDataframe("./data/data.csv", config={"llm": llm, "conversational": False})

with get_openai_callback() as cb:
    response = df.chat("Calculate the sum of the gdp of north american countries")

    print(response)
    print(cb)

2.配置文件解析

• PandasAI项目的配置文件pandasai.json：

{
  "save_logs": true,
  "verbose": false,
  "enforce_privacy": false,
  "enable_cache": true,
  "use_error_correction_framework": true,
  "max_retries": 3,
  "open_charts": true,
  "save_charts": false,
  "save_charts_path": "exports/charts",
  "custom_whitelisted_dependencies": [],
  "llm": "openai",
  "llm_options": null
}

• llm：要使用的 LLM。
• llm_options：用于 LLM 的选项（例如 api 令牌等）。
• save_logs：是否保存 LLM 的日志。日志存放在项目根目录的Truepandasai.log中。
• verbose：是否在执行 PandasAI 时在控制台打印日志。
• enforce_privacy：是否强制执行隐私。默认值为 False，如果设置为True，PandasAI 不会向 LLM 发送任何数据，而只会发送元数据。默认情况下，PandasAI 会发送 5 个匿名样本，以提高结果的准确性。
• save_charts：是否保存 PandasAI 生成的图表，默认值为True 。可以在项目的根目录或指定的路径中找到图表。
• save_charts_path：保存图表的路径。
• open_charts：是否在解析来自 LLM 的响应时打开图表。
• enable_cache：是否启用缓存。
• use_error_correction_framework：是否使用纠错框架。
• max_retries：使用纠错框架时要使用的最大重试次数。
• custom_whitelisted_dependencies：要使用的自定义白名单依赖。

3.支持的数据库类型

PandasAI支持多种数据库：

4.支持的LLMs

PandasAI 支持本地模型的使用，尽管通常情况下较小的模型性能可能不够理想。若要使用本地模型，首先需要在一个遵循OpenAI API的本地推理服务器上托管该模型。该作者声称已验证这种方法可在Ollama和LM Studio环境中正常运行。

5.其他

• 缓存：
  PandasAI 使用缓存来存储先前查询的结果。这很有用，原因有两个：1）它允许用户快速检索查询结果，而无需等待模型生成响应。2）它减少了对模型的 API 调用次数，从而降低了使用模型的成本。

• 对响应进行定制：
  PandasAI 提供了以自定义方式处理聊天响应的灵活性。默认情况下，PandasAI 包含一个 ResponseParser 类，可以根据需要扩展该类来修改响应输出。