PandasAI 组合用法：从输入到交付的完整链路
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。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：PandasAI + Exa
Exa 的定位是：为 AI 应用设计的语义搜索 API。两者分工可以是：PandasAI 负责「数据清洗方案」这一步，Exa 负责检索资料、核对来源或管理知识库。
工作流步骤
- 明确交付物和验收标准，例如：说明了处理对结论的影响。
- 准备输入：一份有缺失和异常值的数据，先去掉敏感信息。
- 在 PandasAI 中执行核心步骤（提示词见下文）
- 把结果交给 Exa 做下一步处理，或从 Exa 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
数据清洗方案
准备材料：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。
交付前确认：说明了处理对结论的影响。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 LangChain SQL 等同类产品替代其中一环，跑通流程后再决定。
补充练习
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。
图表建议
输入：一组需要汇报的数据。
根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。
验收标准：指出了误导风险。
指标异动解读
适用情况：手头有一个突然下降的业务指标时。
日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。
检查点：先排查数据本身问题。
常见问题：敏感数据暴露给模型
使用脱敏视图或只读账号，限制可访问的表。
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：异常检测
自动发现偏离正常范围的数据点。
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：数据分析师
数据分析师可以用 PandasAI 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：科研人员
科研人员可以用 PandasAI 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。
使用提醒
本文基于 PandasAI 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。