PandasAI：用自然语言「拷问」你的数据

想象这样一个场景： 周五下午，老板突然问你：「我们华东区 Q3 的销售数据怎么样？」你打开 Excel，筛选、排序、复制、粘贴、画图——十分钟过去了。而在不久的将来，你只需要对着电脑说一句话：「帮我分析一下华东区 Q3 销售数据」，答案就出来了。PandasAI 正在让这件事成为现实。

从命令行到对话式：数据分析师的「第二次解放」

Pandas 是 Python 数据分析的代名词，全球数百万数据工作者每天都在用它处理 CSV、SQL 数据库和各种数据格式。但即便如此，用 Pandas 做分析仍然需要用户具备一定的编程能力——你需要知道怎么写 groupby、怎么写 merge、怎么画 matplotlib 图表。

2023 年 4 月，一个叫 sinaptik-ai 的团队在 GitHub 上开源了 PandasAI（github.com/sinaptik-ai/pandas-ai），给 Pandas 插上了 LLM 的翅膀。这个项目的核心理念很简单：让用户用自然语言向 DataFrame 提问，LLM 理解问题后，自动生成对应的 Python/Pandas 代码并执行，最终返回结果——可以是数字、文本，也可以是图表。

项目上线不到两年，已累计获得 23,550 颗 GitHub Stars，成为该领域最受关注的开源项目之一。团队也顺势成立公司，2023 年 10 月获得 Runa Capital 领投的 120 万美元 Pre-Seed 融资，进入了 YC W24 加速营。

它是怎么工作的？给 AI 装上「数据库翻译官」

如果把 PandasAI 看作一个翻译官，那么它的翻译过程可以分为三层：

第一层：自然语言理解 用户输入「哪些地区的营收增长最快？」，LLM 先理解这句话在问什么，结合对话上下文判断用户意图。

第二层：代码生成（Code Generation） PandasAI 的核心在 pandasai/core/code_generation/ 模块，LLM 根据理解生成 Python 代码。例如上述问题可能被翻译成：

df.groupby('region')['revenue'].pct_change().sort_values(ascending=False)

生成的代码经过 pandasai/core/code_execution/ 模块的安全沙箱执行。代码执行完成后，LLM 还会对结果进行自然语言总结，把数字「翻译」成人类可读的报告。

第三层：数据理解（Virtual DataFrame） 要让 LLM 理解用户的 DataFrame 里有哪些列、数据分布如何，pandasai/dataframe/virtual_dataframe.py 模块负责提取数据的元信息（列名、数据类型、样本值），作为上下文注入 LLM 提示词。这本质上是一种轻量级的 RAG（检索增强生成）策略。

PandasAI 支持多种 LLM 后端：OpenAI GPT-4/4o、Anthropic Claude、VertexAI 等，通过 extensions/llms/ 插件体系扩展，目前官方提供了 openai 和 litellm 两个插件。LiteLLM 是一个统一的 LLM 封装库，一个接口兼容 100+ 大模型，使得用户可以轻松切换到国产模型（如通义千问、文心一言）或开源模型（如 Llama）。

图1：用户用自然语言要求 PandasAI 生成直方图，系统自动输出代码并渲染图表。

数据源：不止是 CSV，而是整个数据生态

PandasAI 的野心不只是读 CSV 文件。extensions/connectors/ 插件体系让用户可以连接多种数据源：

• SQL 连接器（extensions/connectors/sql/）：直接对接 PostgreSQL、MySQL 等关系数据库，用自然语言查询企业数据库中的数据。
• YFinance 连接器（extensions/connectors/yfinance/）：查询 Yahoo Finance 金融数据，股票、财报、宏观经济数据均可自然语言查询。
• Databricks / BigQuery：通过 LangChain 或其他生态工具桥接云端数据仓库。

此外，PandasAI 还提供了 SmartDataLake 类，专门处理数据湖场景（CSV + Parquet + 数据库混合查询），适合数据分析团队构建统一的数据查询入口。

部署：pip 安装即可，Docker 沙箱保安全

作为 Python 库，PandasAI 的安装极为简单：

pip install pandasai
pip install pandasai-litellm  # 推荐，配合 LitellM 使用任意模型

依赖项包括：pandas、pydantic（数据验证）、duckdb（嵌入式分析数据库）、sqlglot（SQL 方言解析）、matplotlib/seaborn（图表）、pyarrow（列式存储读取）。Python 版本要求 3.8-3.11（注意：不对 Python 3.12 兼容）。

代码执行安全是一个容易被忽视的问题：如果用户问「删掉所有数据」，LLM 生成的代码可能真的有破坏性。PandasAI 提供了 pandasai-docker 扩展包，在 Docker 沙箱中执行 LLM 生成的代码，隔离操作，保护真实数据。

局限与挑战：LLM 的「幻觉」问题无法回避

PandasAI 最大的挑战在于 LLM 生成代码的可靠性。对于复杂的分析任务，LLM 可能生成错误的数据转换逻辑、错误的 SQL JOIN 条件，甚至生成语法错误的代码。项目虽然有完整的测试套件（tests/unit_tests/ 和 tests/integration_tests/），但生产环境中仍需人工复核关键数据结论。

此外，对 Python 3.12 的不兼容限制了其在部分新项目中的使用；而对某些国产大模型的调用，需要额外的 API 网关配置，入门门槛相对较高。

行业意义：把 BI 的门槛降到「会说话」

从更宏观的角度看，PandasAI 代表的趋势是 NL2Code（自然语言转代码） 在数据分析领域的落地。传统 BI（Business Intelligence）工具如 Tableau、PowerBI 需要用户学习复杂操作界面，而 PandasAI 的思路是：只要你会提问，就会数据分析。

GitHub Stars 曲线显示，项目从 2023 年底的数千星快速增长到 2024 年的 2 万+，同期 YC 融资和商业化产品 pandas-ai.com 的推出，标志着开源工具到商业产品的完整闭环。这种「开源引流 + SaaS 变现」的路径，正在成为 AI 数据工具的标准商业模式。

图2：PandasAI 演示——用自然语言分析员工薪资数据。