PandasAI
Sinaptik GmbH · Programmation · Autres
PandasAI est une bibliothèque Python open source qui rend les dataframes bavards. Vous interrogez un fichier CSV ou une table SQL en langage courant et vous obtenez une réponse, un tableau ou un graphique.
À propos de PandasAI
About
Qu'est-ce que PandasAI
PandasAI est une bibliothèque IA pour pandas développée par Sinaptik, la société berlinoise derrière Annie, son application d'analyse hébergée. Elle est devenue le point de départ courant de l'analyse de données conversationnelle en Python. Vous l'installez avec pip, vous la branchez sur un dataframe ou un fichier, puis vous écrivez df.chat("...") au lieu d'enchaîner les filtres et les groupbys. La bibliothèque envoie votre question et une description des données à un modèle de langage, qui rédige le code pandas, l'exécute et renvoie le résultat.
Le gain se situe sur les tâches ingrates. Répondre à « quelle région a le plus facturé au troisième trimestre » suppose de retenir les noms de colonnes, de vérifier les types et de corriger une erreur d'indice. L'analyse de données en langage naturel promet de supprimer cette étape, et PandasAI le fait dans le notebook plutôt que dans un tableau de bord séparé.
Le point délicat, c'est que le code généré s'exécute sur votre machine avec vos droits. Un bac à sable Docker existe pour cette raison, mais la configuration par défaut lance la sortie du modèle telle quelle. Traitez le texte de la question comme une entrée de compilateur, pas comme une requête de moteur de recherche.
Pour commencer
- Installez la bibliothèque avec
pip install pandasai, puis ajoutez une extension de modèle, par exemplepip install pandasai-litellm. Python 3.8 à 3.11 est pris en charge. - Déclarez le modèle une seule fois dans le script avec
pai.config.set({"llm": llm}), en fournissant une clé API OpenAI, Anthropic, Google ou autre. - Chargez les données avec
pai.read_csv("data.csv")ou encapsulez un DataFrame existant. - Posez la question dans
chat()et lisez l'objet renvoyé. Pour les sessions longues, utilisez la classe Agent, qui garde le contexte d'un tour à l'autre. - Ajoutez une couche sémantique avec des descriptions de colonnes si le modèle se trompe sur le sens d'un champ.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de PandasAI.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Analystes déjà à l'aise avec pandas qui veulent un premier passage rapide sur un jeu de données, en gardant en tête que le code produit mérite une relecture avant la production.
- Développeurs Python qui construisent un panneau interne « interroger ses données », car la bibliothèque s'insère dans un script ou un notebook sans backend supplémentaire.
- Étudiants et chercheurs qui apprennent pandas, à condition de lire le code écrit par le modèle au lieu de se fier au seul résultat.
Tâches
- Questions ponctuelles sur un tableur
- Requêtes sur l'entrepôt de données via les connecteurs cloud
- Graphiques
- Prototyper une fonction d'analyse en langage naturel avant de signer avec une plateforme, le cœur sous licence MIT ne coûtant rien à tester.
Cas d'usage
- Le reporting du lundi
- L'ouverture d'un jeu de données inconnu
- Les questions en direct pendant une réunion, quand écrire un groupby casserait le rythme.
Fonctionnalités clés
Dialogue avec un dataframe
L'appel principal accepte une question ordinaire et renvoie ce qui convient : du texte, un nombre, un dataframe ou une figure. Vous pouvez enchaîner les relances dans une session avec pai.chat(), mais chaque appel repart de zéro sauf si vous passez à l'agent. Pour explorer un seul fichier, c'est le chemin le plus court entre la question et la réponse.
Agent multi-tours
La classe Agent conserve l'état de la conversation, donc « et laquelle a le plus d'affaires conclues » renvoie à la réponse précédente. Elle gère aussi les demandes de précision, les explications sur ce qui a été fait et la reformulation de la requête quand la première tentative rate. Sur l'offre entreprise, l'agent s'entraîne sur un stockage vectoriel local, ce qui garde les conventions de votre équipe chez vous.
Couche sémantique
Vous déclarez un jeu de données une fois avec pai.create(), en donnant un type et une description à chaque colonne, puis vous le réutilisez. Les vues et les transformations s'appuient sur ce schéma, si bien qu'un champ nommé amt_net porte le libellé « chiffre d'affaires net après retours » pour toutes les questions suivantes. C'est la différence entre un assistant qui devine et un assistant qui connaît votre table.
Votre propre modèle
PandasAI ne fournit aucun modèle. Vous branchez OpenAI, Anthropic, Google ou tout ce que couvre LiteLLM, et vous payez ce fournisseur directement. La bibliothèque reste bon marché et l'équipe garde le modèle déjà validé par les achats. Changer de fournisseur tient en une ligne de configuration. Pour un analyste de données IA, cette liberté pèse plus qu'un benchmark.
Bac à sable Docker
pandasai-docker exécute le code généré dans un conteneur isolé, sans réseau et avec des ressources plafonnées. L'injection de prompt devient un vrai risque dès que l'utilisateur final écrit la question, et ce réglage empêche une instruction malveillante d'atteindre vos fichiers. Docker doit tourner avant le démarrage du bac à sable.
Compétences maison et contrôles entreprise
Les skills vous laissent encapsuler vos propres fonctions Python, pour que le modèle appelle votre référentiel de prix ou une conversion d'unités au lieu d'improviser cette logique. La plateforme hébergée ajoute ce que réclament les grandes équipes : SSO et SAML, contrôle d'accès par rôle, journaux d'audit, hébergement en VPC privé et déploiement hors ligne.
Avantages et inconvénients
Avantages
- Gratuit sous licence MIT pour le cœur, sans limite de sièges ni plafond d'usage imposé par Sinaptik.
- La sortie est du Python ordinaire, que vous pouvez inspecter, journaliser ou remplacer.
- S'intègre à votre pile existante : pandas, fichiers CSV, classeurs Excel et extensions SQL.
- Le choix du modèle reste ouvert grâce à LiteLLM, ce qui compte quand il faut un modèle moins cher ou auto-hébergé.
- La couche sémantique corrige le défaut classique des outils texte vers SQL, où le sens des colonnes est deviné de travers.
Inconvénients
- Il faut être à l'aise avec Python. Un profil métier ne saura ni installer la bibliothèque ni lire une trace d'erreur, et se tournera vers l'application hébergée.
- Les connecteurs cloud et l'entraînement sur stockage vectoriel restent derrière la licence entreprise, chiffrée par société et sans tarif public.
- Le code généré peut être faux de façon discrète. Un dataframe avec un mauvais filtre paraît juste jusqu'au contrôle.
- Python 3.12 et les versions suivantes ne sont pas encore pris en charge, ce qui bloque les équipes déjà à jour.
Questions fréquentes
La bibliothèque est gratuite sous licence MIT et s'installe dès maintenant. Le modèle de langage reste à votre charge, via une clé API ou un modèle hébergé chez vous. La plateforme cloud propose un essai gratuit et des offres entreprise payantes.
Contenus associés
Découvrez des outils, des compétences et des articles liés à PandasAI.
Alternatives à PandasAI
Base Code
Base44 (Wix) · Programmation · ProductivitéBase Code est un environnement de développement cloud partagé signé Base44. Votre équipe décrit des modifications sur un dépôt GitHub dans le chat, les vérifie en aperçu et les renvoie sous forme de pull requests.
Google EmbeddingGemma 2
Google DeepMind · Rédaction · Image · ProgrammationGoogle EmbeddingGemma 2 est un modèle ouvert de 740 millions de paramètres qui transforme texte, code, images, audio et images vidéo en vecteurs d'un même espace de 768 dimensions, sur un téléphone ou un ordinateur portable.
GitGlow
GitGlow · Programmation · ProductivitéGitGlow est un client Git de bureau qui place votre code et les modifications de vos agents IA dans une même revue, pour savoir ce qui quitte votre machine avant de livrer.