用Python调用本地部署DeepSeek模型API的实战指南！（附源码）

AGI大模型学习

于 2025-05-06 15:54:17 发布

阅读量962

点赞数 19

文章标签： python 人工智能 AI大模型大模型 AI 程序员 DeepSeek

本文链接：https://blog.csdn.net/2401_84495872/article/details/147741058

版权

有朋友提到，在项目中调用 deepseek api 是花钱的，既然能在本地搭建私有知识库了，能否调用本地呢？答案是肯定的！

本次小栈将deepseek部署本地，并通 python 调用本地的 deepseek 模型 api，实现本地 AI 驱动智能问答，让使用者不受网络的限制，让开发的过程变的更加方便。

本地环境

系统环境

windows 10、windows 11

软件环境

Pycharm 2024（Professional 版）

Python 3.9.16

这两个是基础软件，安装过程在这里就不再赘述。

本地部署deepseek

1. 下载Ollama并安装

首先，打开网站

https://ollama.com/

下载：

选择与系统匹配的版本

小栈是 windows 系统，本次就以此为例

安装：

找到下载的Ollama软件

右击【以管理员身份运行】

点击【Install】默认安装即可

安装过程完全是自动的，安装完成后，在cmd命令窗口输入ollama list命令

由于电脑并没有安装过其他的，刚安装ollama现在执行这条命令应该是空的，这个已经表明安装成功！

2. 下载DeepSeek-r1模型

我们先看以下deepseek的版本，打开Ollama官网，点击左上角菜单【Models】

deepseek-r1 目前一共有7个不同版本，随着尺寸参数变大对电脑要求也会变高，电脑没有大显存GPU的朋友，推荐安装1.5b的。

这版尺寸，即使是无GPU的普通电脑也能流畅运行。

如果电脑配置较高，建议更高版本的，使用效果会非常好！

小栈电脑就使用个1.5b的试一下，我们进行deepseek详细版本页面，复制命令

打开电脑cmd命令窗口

输入安装命令：

ollama pull deepseek-r1:1.5b

大约等10分钟左右的时间

出现success，则已经安装完成

3. 使用及验证

安装完成后，我们来使用，验证一下效果

在cmd命令窗口输入

ollama run deepseek-r1:1.5b

出现 Send a message，这个就是输入问题的地方

我们可以直接在这里提问

比如提问：“通过Python做数据分析，我们重点需要掌握哪些方面？请列出最核心的5个”

到这里，本地部署的模型就完全成功了！

Python代码调用

通过代码的方式调用本地模型api，其实非常简单，本质上就是向本地部署的ollama发出请求，最后得到反馈。

在这里，小栈分享常见的两种方式，都是用非流式返回，就是等模型回答完毕，最终返回一个总的结果：

一是利用 requests 方式请求，

二是使用 ollama 方式请求，

我们来简单看一下！

1. requests

首先，安装三方库

pip install requests==2.32.3

具体实现：

import requests
# API的URLurl = 'http://127.0.0.1:11434/api/chat'
# 发送的请求数据体data = {    "model": "deepseek-r1:1.5b",    "messages": [        {"role": "system", "content": "你是一个资深的数据分析专家"},        {"role": "user",         "content": "数据分析专家是一名具有丰富的分析经验的专业人士，掌握数据挖掘、数据分析、数据可视化等技能。那么掌握数据挖掘需要用到的技术和工具，请列出5-10种"}    ],    "stream": False}
try:    # 向ollama发起POST请求    response = requests.post(url, json=data)    response.raise_for_status()  # 检查请求是否成功
    result = response.json()  # 直接解析响应的json内容    # 输出响应内容    print(result['message']['content'])
except requests.exceptions.HTTPError as http_err:    print(f"HTTP错误发生: {http_err}")except requests.exceptions.ConnectionError as conn_err:    print(f"连接错误发生: {conn_err}")except requests.exceptions.Timeout as timeout_err:    print(f"请求超时: {timeout_err}")except requests.exceptions.RequestException as req_err:    print(f"请求错误发生: {req_err}")except KeyError as key_err:    print(f"解析响应时发生键错误: {key_err}")except Exception as err:    print(f"其他错误发生: {err}")

结果：

<think>好，我现在需要帮用户列出一些在数据挖掘过程中会用到的技能和技术。用户提到了数据分析专家，这让我想到他们可能希望看到的是具体的操作步骤或相关技术。
首先，用户提到要列出5-10种，所以我要确保数量适中，不太多也不太少。接下来，我应该考虑数据分析的不同阶段，比如预处理、建模和优化这些部分，这样能够全面覆盖各种可能性。
在预处理方面，数据清洗是个基本的步骤，数据缺失处理是后续操作的基础。接下来，特征工程也很重要，因为它影响到模型性能，需要详细讲解特征提取方法。分组分析也是必须涵盖的内容，因为它可以帮助发现模式或趋势。
模型训练和评估同样不可忽视，这部分包括数据分割、算法选择、参数优化等，这些都是数据挖掘中非常常见的步骤。之后是模型应用与优化，确保模型在实际场景中的表现良好是关键。最后，部署与监控可以告诉我们如何持续改进，这是一个重要的方面。
现在，我需要将这些点组织成结构化的回答，并且使用清晰的术语，比如预处理、特征工程、分组分析等。这样用户就能一目了然地看到在数据挖掘过程中涉及的各种技术。
总的来说，我需要确保列出的技能和工具都是数据挖掘过程中核心的部分，并且覆盖了从预处理到部署的各个阶段，帮助用户全面了解所需的技术。</think>
以下是掌握数据挖掘时常用的技能和技术：
1. **数据清洗与预处理**     - 数据缺失值的处理（插值、删除等）     - 特殊值的识别和处理（异常值检测）     - 不完整或不一致的数据校验  
2. **特征工程与提取**     - 标准化与归一化（z-score, min-max）     - 文本分类与抽取关键字段（NLP技术）     - 时间序列数据的特征提取     - 特征组合与生成（e.g., 条件指数、主成分分析）  
3. **分组分析**     - 数据分组的统计描述（均值、中位数、标准差等）     - 分组可视化（柱状图、热图、箱线图等）     - 预处理后的数据进行分组，以发现潜在模式或趋势  
4. **模型训练与评估**     - 数据分割（训练集/测试集）     - 决策树和随机森林的构建     - 草费算法（如k-近邻、SVM）     - 部分类分类器（例如LSTM用于时间序列数据）  
5. **模型优化与调优**     - 参数网格搜索与交叉验证     - 正则化技术（L1/L2正则化）     - 特征选择的评估（AUC、F1-score等）  
6. **模型应用与部署**     - 预测或分类模型的集成（比如XGBoost的堆叠）     - 业务相关的阈值优化（如A/B测试）     - 将数据预处理后的结果传输到业务系统  
7. **时间序列建模**     - 平滑方法（如指数平滑）     - SARIMA与ARIMA模型的构建与评估     - 神经网络的时间序列预测  
8. **图像识别与分析**     - 图像增强、分割与分类     - 使用深度学习技术（如CNN）进行图像分析  
这些技术在数据挖掘过程中起到关键作用，帮助你预处理数据、提取特征、构建模型并评估其性能。

2. ollama

首先，安装三方库

pip install ollama==0.4.7

具体实现：

from ollama import chatfrom ollama import ChatResponse
# 定义一个函数来获取chat响应def get_chat_response():    try:        response: ChatResponse = chat(            model='deepseek-r1:1.5b',            messages=[                {"role": "system", "content": "你是一个资深的数据分析专家"},                {"role": "user",                 "content": "数据分析专家是一名具有丰富的分析经验的专业人士，掌握数据挖掘、数据分析、数据可视化等技能。那么 数据可视化 需要用到Python的哪些技术呢？，请列出5-10种"}            ],            stream=False        )        # 提取并返回answer        return response.message.content    except Exception as e:        # 更具体的错误信息输出        print(f"在与模型交互时发生错误: {e}")        return None
# 获取并打印answeranswer = get_chat_response()if answer:    print(answer)else:    print("没有获取到有效的回答。")

结果：

<think>嗯，用户问的是关于数据分析中使用的Python技术，特别是数据可视化部分。我需要先回想一下自己对这些技术的理解。首先，数据可视化通常包括图表、柱状图、饼图等，这些在各种报告和展示上都很有用。
然后，思考一下常用的高级库，like Matplotlib 和 Seaborn。它们都是用于数据绘图的Python包，能够制作各种图形，并且有很多调整选项，适合不同类型的图表。
接下来是Matplotlib 的具体功能，比如绘制条形图、折线图，这些是最基础的可视化工具。如果用户有特定的数据类型，可能需要更专业的库，但基本功能应该是适用的。
数据预处理也很重要，因为它影响最终的分析结果和数据可视化的效果。在使用高级库之前，先整理数据集，去重、归一化等步骤都是必要的。
柱状图和饼图是经典的可视化工具，尤其是当数据类别较多时，饼图可能不够直观，而柱状图则能清楚地显示每个类别的数值差异。这些图表通常放在项目中作为关键展示点。
高级的图形库比如Tableau 和 Power BI 也能用于数据可视化，不过用户可能更关注Python中的技术。如果数据集很大，使用高级库可能会导致内存问题，所以需要考虑数据量和处理效率。
最后，机器学习中的可视化工具，如ROC曲线、混淆矩阵等，虽然不是传统的数据可视化，但在分析模型时同样重要。这些工具帮助更好地理解模型的表现和效果。
综上所述，我应该列出 Matplotlib 和 Seaborn 的基本功能、柱状图与饼图的常见应用、数据预处理步骤，以及在不同场景下使用的高级库，如 Tableau 或 Power BI，以满足用户的需求。</think>
在 Python 中进行数据分析时，数据可视化是一个非常重要的部分。以下是涉及 Python 技术用于数据可视化的一些关键点和常用方法：
1. **Matplotlib 和 Seaborn**     - **基本功能**：使用 Matplotlib 绘制各种基础图表（如条形图、折线图、饼图等），并结合 Seaborn 的高级库进行更复杂的统计图表。   - **常见应用**：柱状图、饼图、散点图等。
2. **数据预处理**     - 在使用高级绘图库之前，通常需要对数据集进行整理（如去重、归一化）和格式调整（如转换为分类变量或计算指标），以确保后续可视化效果更好。
3. **柱状图与饼图**     - **柱状图**：用于展示不同类别之间的数值差异。   - **饼图**：用于展示各部分在整体中的占比，通常建议用 Seaborn 的 pie 函数而不是 Matplotlib 的 pie 函数，因为后者更容易控制颜色和格式。
4. **高级图表库（如 Tableau 和 Power BI）**     - 如果数据集较大或需要更高级的可视化效果，使用这些工具可能更有帮助。不过它们并不属于 Python 的基础技能。
5. **机器学习中的可视化工具**     - 在评估和解释模型时，可以绘制 ROC 曲线、混淆矩阵等图表，帮助更好地理解模型的表现。
### 总结在 Python 中进行数据分析时，数据可视化需要结合 Matplotlib 和 Seaborn 等高级绘图库。此外，柱状图、饼图以及数据预处理步骤也是关键部分。这些技术可以帮助用户更直观地展示和分析数据，从而支持更深入的业务洞察。