DeepSeek实现对EXCEL的表格数据分析生成各种图表

于 2025-03-05 20:46:45 发布
阅读量1.8k 收藏 10
点赞数 11
文章标签： excel 数据分析 算法 人工智能 政务 搜索引擎 百度
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59235245/article/details/146052552
版权

在日常工作中，我们经常会使用EXCEL分析数据。但是表中的数据分析不是很直观，想生成图表又不会，今天教你怎么用DeepSeek解锁EXCEL数据分析结果生成图表。

首先，我们使用灵犀AI工具，新建一个会话，上传我们已经准备好的数据表格，进行上传，表格的主要信息如下：

按照专卖店，销售金额进行统计分析，生成饼状图。

按照，销售门店，销售金额的占比进行了一个饼状图的生成，这样我们分析就会很直观。同样，我们还可以生成其他图形：

直方图：

提示词：按照专卖店，销售金额进行统计分析，生成直方图

折线图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成折线图

条形图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成条形图

散点图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成散点图

面积图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成面积图

折线图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成折线图

条形图：

提示词：按照专卖店，销售金额，交易日期，进行统计分析，横轴为存档日期，日期字段只取日期，不取时间，生成条形图

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

大靠山
关注
AI数据分析006：用deepseek根据Excel数据绘制分裂饼形图
LuckyHanMo的博客
06-27 2207
绘制下面表格中月活用户占比的分裂饼形图。 AI数据分析006：用deepseek根据Excel数据绘制分裂饼形图
DeepSeek在Excel数据处理与趋势图制作中的应用
qq_44742109的博客
03-14 675
然而，在引入DeepSeek后，数据工作者只需简单地将数据导入Excel，DeepSeek就能自动完成数据清洗、整合和分析工作，并一键生成销售趋势图。：对于来自不同来源、格式各异的数据，DeepSeek能够自动进行格式转换和数据整合，生成统一的数据表格，为后续的分析工作提供便利。：基于Excel中的数据，DeepSeek能够一键生成各种类型的趋势图，如折线图、柱状图、饼图等，满足用户不同的展示需求。：DeepSeek能够根据数据的特点和用户的偏好，自动调整图表的样式、颜色、坐标轴等，使图表更加美观、易读。
DeepSeek + Python 提效测试用例生成落地
weixin_44872675的博客
02-05 3736
通过 DeepSeek 结合自动化测试工具（如 Selenium 或 pytest），将生成的测试用例转化为自动化测试脚本。结合 DeepSeek 的语义分析功能，检查测试用例是否覆盖所有需求，并补充遗漏的测试场景。构建统一的测试用例库，支持整个团队通过 DeepSeek 查询和复用测试用例，减少重复劳动。的能力扩展到测试用例生成场景，并探讨具体的落地实践和可扩展的应用场景。将测试用例与历史缺陷关联，生成针对性用例，确保修复的缺陷不会再次出现。通过关键词提取和语义分析，解析需求文档中的重要信息。
Deepseek 如何快捷处理Excel数据与图表——大模型赋能日常办公教程
m0_59235945的博客
02-25 2961
对Excel表格数据的处理，是我们“搬砖一族”劳心戮力的常规任务之一平时还好，一旦涉及到数据预处理阶段诸如“数据清洗”这样包含缺失、重复、异常与格式类型合并与转换 等繁琐的步骤时，就很容易烦躁；所以本期我们来看看Deepseek如何助我们“动动嘴皮子”简单对话就快捷搞定Excel表格的繁琐工作ps：先附 #AI+Excel方案简介表 # 解解馋（直接保存即可）⬇️⬇️依上，我们来详细演示AI协作Excel表格的制作与数据处理方法⬇️A——【手机APP制作流程】
TensorFlow相关组件的安装
AAI666666的博客
01-11 2500
TensorFlow相关组件的安装
62页PPT，初步看懂人工智能！
数据中心运维管理
08-08 1228
来源：鲜枣课堂
23张PPT搞懂DeepSeek核心技术！
QcloudCommunity的博客
02-12 1712
DeepSeek 作为AI 大模型其中的佼佼者，各种突破与创新不断涌现，正引领着人工智能发展的新方向；本文以 PPT 式风格直观呈现技术精髓，深入揭秘 DeepSeek 核心技术。关注腾讯云开发者，一手技术干货提前解锁????今晚7:30还有腾讯云工程师还将现场演示教你 DeepSeek 丝滑部署的 N 种方式，记得预约直播！????DeepSeek 核心技术大揭秘，以 “PPT 式风格” 更好地展现核心技术...
AI数据分析：用deepseek根据Excel数据绘制分裂饼形图
AIGCTribe的博客
06-08 3785
设置matplotlib默认字体为'SimHei'，文件路径为：C:\Windows\Fonts\simhei.ttf。读取Excel文件"F:\AI自媒体内容\AI行业数据分析\poetop50bots中文翻译.xlsx"，保存图片到文件夹“F:\AI自媒体内容\AI行业数据分析”，图片标题为：poetop50bots；定义一个颜色列表，包含50种不同的颜色，用于设置饼图各个扇区的颜色，相邻的两个扇区颜色差异要大。E列“月活用户占比”中提取数据作为大小，用于计算饼图的各个扇区的比例。
阿里研究院：2024大模型训练数据白皮书.pdf
06-30
《阿里研究院：2024大模型训练数据白皮书》是一份全面分析大模型训练数据领域现状、挑战和未来发展的报告。报告深入探讨了训练数据的来源、质量、标注、安全以及隐私保护等方面，为大模型训练提供了丰富的数据洞察和策略建议。该白皮书不仅总结了当前大模型训练数据的应用现状，还预测了未来数据需求的趋势，并对数据安全和隐私保护提出了重要的思考。
余俊晖-多模态GraphRAG初探文档智能知识图谱大模型结合范式.pdf
最新发布
04-05
DataFunSummit2025知识图谱峰会嘉宾演讲PPT合集
23张PPT详解DeepSeek核心技术：架构创新与行业应用进展
02-21
内容概要：这篇PPT文档详细介绍并解释了中国本土大语言模型DeepSeek的关键技术和应用前景。首先，概述了DeepSeek的独特特点，如内容token化、无自我意识及上下文长度限定等。接着深入探讨了DeepSeek的核心技术架构及其创新点，例如多模态深度Transformer和支持文本、代码、数学符号的统一理解，MoE（Mixture of Experts）架构以及多层级注意力机制MLR。文档中提到DeepSeek通过架构改进和技术优化实现了低成本训练及高性能推理，在金融、医疗等多个行业中得到了成功的应用。文档同时也分析了DeepSeek的优势——相较于其他国际领先的AI模型，具有更低廉的训练费用和较高的运行效能。文档的最后一部分内容介绍了高效使用DeepSeek的方法及应用场景案例，并指出它不仅能在复杂的工业环境中运用自如。 适合人群：有兴趣深入了解人工智能领域的研究人员和工程师；需要应用深度学习技术的企业和个人。 使用场景及目标：①想要快速了解最前沿的人工智能技术趋势和发展现状；②寻找能够应用于特定领域的先进大模型方案；③希望掌握利用大模型解决问题的有效途径和实践经验。
DeepSeek与Excel深度集成教程：打造AI驱动的智能表格分析工具.pdf
02-20
该文档【DeepSeek与Excel深度集成教程：打造AI驱动的智能表格分析工具】共计 35 页，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 1551
AI菜鸟向前飞 — LLM简介
2023大模型安全解决方案白皮书
12-06 984
在当今迅速发展的数字化时代，人工智能技术正引领着科技创新的浪潮而其中的大模型技术则被视为人工智能的一大突破。大模型是指参数量巨大能力强大的人工神经网络模型，以其卓越的表现在自然语言处理、计算机视觉、语音识别等领域赢得了持续的关注和青睐。这些模型的出现，不仅在学术界引起了研究者们的广泛兴趣，也在商业应用领域带来了一系列创新和变革大模型技术的崛起，首要得益于深度学习的发展以及硬件计算能力的提升。深度学...
python调用deepseek的模型对表格进行数据分析
03-15
### 使用 Python 调用 DeepSeek 模型处理和分析表格数据 为了实现通过 Python 调用 DeepSeek 模型来处理和分析表格数据，可以按照以下方法完成： #### 数据加载与预处理 在开始调用模型前，需先将 Excel 表格中的数据读取到内存中并进行必要的清理工作。通常会使用 `pandas` 库来进行此操作。 ```python import pandas as pd # 加载Excel文件路径 file_path = r'F:\AI自媒体内容\AI行业数据分析\poetop50bots中文翻译.xlsx' # 将Excel表转换成DataFrame对象 data_frame = pd.read_excel(file_path) # 查看数据结构以便后续处理 print(data_frame.head()) ``` 上述代码片段展示了如何利用 Pandas 来导入指定位置上的 Excel 文件，并将其转化为 DataFrame 对象用于进一步的操作[^2]。 #### 初始化DeepSeek API接口 要调用 DeepSeek 的服务，则需要设置好相应的API参数以及认证信息（如果适用）。这里假设已经获取到了合法访问权限下的客户端实例化方式如下所示: ```python from deepseek import DSClient client = DSClient(api_key="your_api_key_here", base_url="https://api.deepseek.com/v1") ``` 注意替换 `"your_api_key_here"` 和 URL 地址为你实际拥有的密钥及服务器地址[^4]。 #### 构建请求体并向DeepSeek发送查询 构建合适的输入格式对于获得高质量的结果至关重要。下面的例子说明了怎样把先前准备好的 dataframe 中的部分列作为提示传递给 LLM 进行推理计算: ```python def generate_prompt(row): """Generate a prompt based on the row data.""" return f"Analyze this record: {row['ColumnA']} and {row['ColumnB']}. Provide insights." prompts = [generate_prompt(row) for _, row in data_frame.iterrows()] responses = [] for i, prompt in enumerate(prompts[:min(len(prompts), 10)]): # Limit to first ten records. response = client.generate(prompt=prompt) responses.append(response.text.strip()) data_frame["Analysis"] = responses ``` 在此部分中，我们遍历每一行记录生成对应的提问字符串并通过迭代器逐条提交至远程服务平台得到返回值后再存入新的字段里保存起来供以后查看或者绘图展示之用[^3]。 #### 结果可视化 最后一步就是依据所获知的信息制作图表等形式直观呈现出来便于理解接受程度更高的结论形式比如柱状图、饼图等等都可以尝试应用其中一种表现手法即可满足需求。 ```python import matplotlib.pyplot as plt fig, ax = plt.subplots() ax.pie(data_frame['SomeValue'].value_counts(), labels=data_frame['SomeCategory'].unique(), autopct='%1.1f%%') plt.title('Distribution of Categories') output_image_path = r"F:\AI自媒体内容\AI行业数据分析\poetop50bots.png" plt.savefig(output_image_path) ``` 以上即完成了从原始资料提取直至最终成果展现全过程描述。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值