在「数据与分析」类工具里，PandasAI 的定位是：用自然语言对 DataFrame 提问的开源库。

如果你刚开始接触它，可以按下面 7 天的安排练习，每天 20 到 40 分钟。

每日安排

  • 第 1 天：注册与熟悉界面：阅读仓库 README 与许可证；按官方推荐方式安装（容器或包管理器）
  • 第 2 天：完成第一个任务「数据清洗方案」，按下文提示词操作。
  • 第 3 天：换一类任务「指标异动解读」，对比两次结果的质量。
  • 第 4 天：学习关键概念：口径、文本转 SQL、语义层。
  • 第 5 天：用真实工作材料做一次「图表建议」，记录省下的时间和需要返工的地方。
  • 第 6 天：排查问题：对照常见问题「AI 算出的数字和报表不一致」等检查自己的用法。
  • 第 7 天：复盘：保留有效的提示词，写下继续使用或放弃的理由。

第 2 天的练习材料

数据清洗方案

输入：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

验收标准：说明了处理对结论的影响。

一周后怎么判断值不值得继续

  • 是否稳定地节省了时间，而不只是第一次觉得新鲜。
  • 返工次数是否在下降。
  • 与 Vanna 等同类相比，是否更适合你的场景。
  • 数据与费用是否在可接受范围内。

更多可以试的用法

写 SQL 查询

准备材料：数据库表结构说明。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

检查点：说明了口径问题。

自然语言问数

准备材料：一张销售明细表。

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

验收标准：给出了可复核的计算过程。

评测大模型应用

适用情况：手头有一批真实用户问题和应用回答时。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

检查点：评分标准清晰可复用。

常见问题：生成的 SQL 运行报错

提供准确的表结构和字段说明，先在测试库运行。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

概念补充：评测集

用于反复检验模型或应用效果的标准问题集合。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

适合人群：新媒体运营

新媒体运营可以用 PandasAI 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。

适合人群：咨询顾问

咨询顾问可以用 PandasAI 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 PandasAI 的数据处理条款，再决定能否使用。

文中提示词和示例仅作示意，实际效果取决于你的材料和 PandasAI 当前版本，重要内容请人工核对后再使用。

延伸阅读