PandasAI
Sinaptik GmbH · Coding · Sonstiges
PandasAI ist eine Open-Source-Bibliothek für Python, die Dataframes gesprächsfähig macht. Sie stellen Fragen zu CSV-Dateien oder SQL-Tabellen in normaler Sprache und bekommen Antworten, Tabellen oder Diagramme zurück.
Über PandasAI
About
Was ist PandasAI
PandasAI ist eine KI-Bibliothek für pandas vom Berliner Anbieter Sinaptik, der auch die gehostete Analyse-App Annie betreibt. Sie ist zum üblichen Einstieg in konversationelle Datenanalyse mit Python geworden. Sie installieren das Paket mit pip, richten es auf einen Dataframe oder eine Datei und schreiben danach df.chat("...") statt Filter und Groupbys zu verketten. Die Bibliothek schickt Ihre Frage samt Beschreibung der Daten an ein Sprachmodell, das den pandas-Code verfasst, ausführt und das Ergebnis zurückgibt.
Der Gewinn liegt bei den lästigen Handgriffen. Wer beantworten will, welche Region im dritten Quartal den höchsten Umsatz hatte, muss Spaltennamen kennen, Datentypen prüfen und einen Indexfehler korrigieren. Datenanalyse in natürlicher Sprache soll diesen Schritt sparen, und PandasAI erledigt das im Notebook statt in einem separaten Dashboard.
Der heikle Punkt: Der erzeugte Code läuft auf Ihrem Rechner mit Ihren Rechten. Genau dafür gibt es eine Docker-Sandbox, doch die Standardeinstellung führt die Modellausgabe unverändert aus. Behandeln Sie den Fragetext wie eine Eingabe an einen Code-Interpreter, nicht wie eine harmlose Suchmaske.
Erste Schritte
- Installieren Sie die Bibliothek mit
pip install pandasaiund ergänzen Sie eine Modell-Erweiterung, etwapip install pandasai-litellm. Unterstützt werden Python 3.8 bis 3.11. - Hinterlegen Sie das Modell einmal im Skript mit
pai.config.set({"llm": llm})und einem API-Schlüssel von OpenAI, Anthropic, Google oder einem anderen Anbieter. - Laden Sie die Daten mit
pai.read_csv("data.csv")oder wickeln Sie einen vorhandenen DataFrame ein. - Stellen Sie die Frage in
chat()und lesen Sie das zurückgegebene Objekt. Für längere Sitzungen nutzen Sie die Klasse Agent, die den Kontext über mehrere Züge hält. - Ergänzen Sie eine semantische Ebene mit Spaltenbeschreibungen, wenn das Modell die Bedeutung eines Feldes falsch rät.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von PandasAI.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Analysten, die ohnehin in pandas arbeiten und einen schnellen ersten Durchgang über einen Datensatz wollen, wobei der erzeugte Code vor dem Produktiveinsatz gelesen werden sollte.
- Python-Entwickler, die ein internes Panel zum Daten abfragen bauen, weil die Bibliothek ohne zusätzliches Backend in ein Skript oder Notebook passt.
- Studierende und Forschende, die pandas lernen, sofern sie den Code des Modells prüfen und sich nicht auf die Antwort allein verlassen.
Aufgaben
- Einzelne Fragen zu Tabellen
- Abfragen im Data Warehouse über die Cloud-Konnektoren
- Diagramme
- Eine Funktion für Datenanalyse in natürlicher Sprache testen, bevor Sie eine Plattform einkaufen, denn der MIT-lizenzierte Kern kostet nichts.
Szenarien
- Der Montagsbericht
- Ein unbekannter Datensatz
- Fragen live im Meeting, wenn ein handgeschriebener Groupby das Gespräch aufhalten würde.
Wichtigste Funktionen
Chat mit einem Dataframe
Der zentrale Aufruf nimmt eine normale Frage entgegen und gibt zurück, was passt: Text, eine Zahl, einen Dataframe oder eine Grafik. Innerhalb einer Sitzung können Sie mit pai.chat() nachfassen, doch jeder Aufruf startet neu, solange Sie nicht zum Agenten wechseln. Für eine einzelne Datei ist das der kürzeste Weg von der Frage zur Antwort.
Agent über mehrere Züge
Die Klasse Agent speichert den Gesprächsstand, sodass sich "und wo wurden die meisten Abschlüsse erzielt" auf die vorige Antwort bezieht. Sie kann nachfragen, ihr Vorgehen erläutern und die Abfrage umformulieren, wenn der erste Versuch danebenliegt. In der Enterprise-Stufe lässt sich der Agent gegen einen lokalen Vektorspeicher trainieren, wodurch Ihre Konventionen im Haus bleiben.
Semantische Ebene
Sie registrieren einen Datensatz einmal mit pai.create() und geben jeder Spalte Typ und Beschreibung, danach nutzen Sie ihn wieder. Views und Transformationen bauen auf diesem Schema auf, ein Feld amt_net trägt also bei jeder weiteren Frage die Bezeichnung "Nettoumsatz nach Retouren". Darin liegt der Unterschied zwischen einem Assistenten, der rät, und einem, der Ihre Tabelle kennt.
Eigenes Modell mitbringen
PandasAI liefert kein Modell. Sie verbinden OpenAI, Anthropic, Google oder was LiteLLM abdeckt, und zahlen direkt an diesen Anbieter. Das hält die Bibliothek günstig und lässt das Team bei dem Modell bleiben, das der Einkauf schon freigegeben hat. Ein Anbieterwechsel ist eine Zeile in der Konfiguration. Für einen KI-Datenanalysten zählt diese Freiheit mehr als jeder Benchmark.
Docker-Sandbox
pandasai-docker führt erzeugten Code in einem isolierten Container ohne Netzzugang und mit begrenzten Ressourcen aus. Prompt-Injection wird zum echten Risiko, sobald Endnutzer die Fragen tippen, und diese Einstellung hält eine bösartige Anweisung von Ihrem Dateisystem fern. Docker muss laufen, bevor Sie die Sandbox starten.
Eigene Skills und Unternehmenskontrollen
Mit Skills wickeln Sie eigene Python-Funktionen ein, damit das Modell Ihre Preisabfrage oder eine Einheitenumrechnung aufruft statt diese Logik zu erfinden. Die gehostete Plattform ergänzt, was große Teams verlangen: SSO und SAML, rollenbasierte Zugriffe, Audit-Protokolle, Hosting in einer privaten VPC und Betrieb ohne Netzanbindung.
Vor- und Nachteile
Vorteile
- Der Kern ist unter MIT-Lizenz kostenlos, ohne Sitzplatzlimit und ohne Nutzungsobergrenze von Sinaptik.
- Die Ausgabe ist gewöhnliches Python, Sie können den erzeugten Code also prüfen, protokollieren oder ersetzen.
- Es passt in Ihren bestehenden Stack: pandas, CSV-Dateien, Excel-Tabellen und SQL-Erweiterungen.
- Die Modellwahl bleibt über LiteLLM offen, was zählt, wenn ein günstigeres oder selbst betriebenes Modell nötig ist.
- Die semantische Ebene behebt den üblichen Fehler von Text-zu-SQL-Werkzeugen, bei dem Spaltenbedeutungen falsch geraten werden.
Nachteile
- Python-Kenntnisse sind Pflicht. Eine Fachabteilung kann das Paket weder installieren noch einen Traceback lesen, für sie ist die gehostete App der realistische Weg.
- Cloud-Konnektoren und das Training mit Vektorspeicher hängen an der Enterprise-Lizenz, die pro Firma kalkuliert wird und keinen öffentlichen Preis hat.
- Der erzeugte Code kann subtil falsch sein. Ein Dataframe mit falschem Filter wirkt richtig, bis jemand nachrechnet.
- Python 3.12 und neuer werden noch nicht unterstützt, was Teams ausbremst, die ihre Umgebung schon aktualisiert haben.
Häufige Fragen
Die Bibliothek ist unter MIT-Lizenz frei und lässt sich sofort installieren. Das Sprachmodell zahlen Sie separat, über einen API-Schlüssel oder ein selbst gehostetes Modell. Die Cloud-Plattform bietet eine kostenlose Testphase und kostenpflichtige Enterprise-Tarife.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu PandasAI.
Alternativen zu PandasAI
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.