Обработка на данни: CSV, Excel, изображения
На тази страница
Актуализирано на 2 ноември 2026 г. въз основа на документацията на OpenAI: инструментът Code Interpreter изисква параметър
container(добавен към всички примери), текстовите части за вход използват типаinput_text, а уеб търсенето използва инструментаweb_search(web_search_previewвече е остарял инструмент без филтри за домейни). Генерираните файлове се извличат чрез функциитеfichiers_generesиtelechargerот Урок 10. Файловете, прикачени към съобщение, се качват с използване наuser_data, което OpenAI препоръчва за входни данни на модела (File inputs). Източници: Code Interpreter · Web search.
Обработка на данни: CSV, Excel, изображения
Code Interpreter променя същността на това, което искате от модела да направи. Без него получавате описание на това какво трябва да се направи; с него моделът пише Python код, изпълнява го в пясъчник (sandbox), проверява резултата и коригира собствения си код, ако допусне грешка. За файл с данни разликата е решаваща: никой не може да познае структурата на CSV файл, без да го отвори, и точно това позволява изпълнението на код.
Разсъжденията в този урок се прилагат за трите следващи формата. Вие качвате файла, описвате очаквания резултат на естествен език и извличате или анализ, или нов файл. Това, което разделя доброто използване от лошото, се свежда до точността на вашата инструкция: „анализирай този файл“ произвежда общо резюме, докато номерирана заявка като тези по-долу произвежда резултат, който можете да използвате директно.
Обработка на CSV файлове
Експлораторен анализ
Винаги започвайте оттук, дори когато смятате, че познавате файла. CSV файл, експортиран от бизнес инструмент, крие изненади, които спецификацията не споменава: числова колона, съхранена като текст заради десетичен разделител, дати в три различни формата или ред с обща сума, промъкнал се в средата на данните. Петте точки, поискани по-долу – измерения, типове, липсващи стойности, статистика и преглед – са минимумът преди всяка трансформация, защото те определят какво можете да поискате след това.
from openai import OpenAI
client = OpenAI()
with open("clients_2025.csv", "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Analyze this CSV file: "
"1. Number of rows and columns "
"2. Data types for each column "
"3. Missing values per column "
"4. Descriptive statistics for numeric columns "
"5. The first 5 rows"
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Почистване и трансформация
Почистването е стъпката, в която решенията имат значение и в която трябва да ги вземете изрично, вместо да ги оставяте на модела. Попълването на липсващи стойности с медиана за числа и мода за категории е защитим избор, но това е избор: при колона с приходи, където една трета от стойностите липсват, това създава изкуствено тясно разпределение, което ще изкриви всеки последващ анализ. Посочете правилото във вашата подкана, както е показано по-долу, и ще знаете какво е направено; останете неясни и ще трябва да отворите отново файла, за да разберете.
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Clean this CSV: "
"- Remove duplicates "
"- Fill missing values (median for numbers, "
" mode for categories) "
"- Normalize city names (title case) "
"- Convert dates to ISO format "
"- Export the result as a cleaned CSV"
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Retrieve the cleaned file
for ann in fichiers_generes(response):
telecharger(client, ann, "clients_nettoye.csv")
Обработка на Excel файлове
Code Interpreter обработва Excel файлове нативно благодарение на openpyxl. Две разлики спрямо CSV заслужават вниманието Ви. Първо, работната книга съдържа множество листове и подкана, която не посочва конкретен лист, ще накара модела да работи с този, който избере първи; затова започнете, като поискате списък с листовете, както в примера. Второ, Excel съдържа формули, обединени клетки и декоративни редове за заглавки – елементи, които изглеждат като данни, но не са, и които моделът трябва да знае да игнорира, защото Вие сте му го казали.
with open("budget_2026.xlsx", "rb") as f:
fichier_excel = client.files.create(file=f, purpose="user_data")
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"This Excel file contains multiple sheets. "
"1. List all available sheets "
"2. For each sheet, provide a summary of the content "
"3. Create a pivot table: total expenses "
" by department and by quarter "
"4. Export the result to a new Excel file"
)},
{"type": "input_file", "file_id": fichier_excel.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Обединяване на множество файлове
Обединяването е случаят, при който изпълнението на код изпреварва най-много ръчната обработка: четири тримесечия означават четири файла, чиито колони имат почти същите имена и почти същия ред. Това „почти“ е проблемът и то е точно това, което една програма открива, докато копирането и поставянето го маскира. Поискайте обобщен лист в допълнение към обединените данни: той служи като контрол, тъй като обща сума, която не съвпада със сумата на четирите файла, веднага разкрива подравнена грешно колона.
# Upload multiple files
fichiers_ids = []
for nom in ["ventes_q1.xlsx", "ventes_q2.xlsx", "ventes_q3.xlsx", "ventes_q4.xlsx"]:
with open(nom, "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
fichiers_ids.append(fichier.id)
content = [
{"type": "input_text", "text": (
"These 4 Excel files contain sales data by quarter. "
"Merge them into a single file with: "
"- A 'Data' sheet with all sales "
"- A 'Summary' sheet with totals by quarter "
"- A 'Trends' sheet with quarter-over-quarter variations"
)}
]
for fid in fichiers_ids:
content.append({"type": "input_file", "file_id": fid})
response = client.responses.create(
model="gpt-5.6-terra",
input=[{"role": "user", "content": content}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Обработка на изображения
Code Interpreter манипулира изображения с Pillow и трябва ясно да виждате какво обхваща това. Това е обработка на изображения – промяна на размера, конвертиране, измерване, композиране – а не визуално разбиране: за да опише какво показва една снимка, работят визуалните възможности на модела, а не пясъчникът. Двете се комбинират много добре в едно извикване, като моделът разглежда изображението, докато кодът го трансформира.
Анализ и трансформация
with open("photo_produit.jpg", "rb") as f:
fichier_image = client.files.create(file=f, purpose="user_data")
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Analyze this image: "
"1. Dimensions, format, file size "
"2. Color histogram "
"3. Create 3 versions: "
" - Thumbnail 200x200 "
" - Black and white version "
" - Version with contrast increased by 30%"
)},
{"type": "input_file", "file_id": fichier_image.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Пакетна обработка
Пакетната обработка измества въпроса към разходите и лимитите. Всяко качено изображение консумира място за съхранение и заема пясъчника, чието пространство и продължителност на живота са ограничени: отвъд няколко десетки файла, локален скрипт с Pillow струва по-малко и работи по-бързо. Запазете пакетната обработка за случаи, когато решението е трудно за кодиране – изрязване, което зависи от съдържанието, воден знак, който да се постави там, където изображението е най-еднородно – и оставете механичните трансформации за вашата собствена машина.
# Upload multiple images
images_ids = []
for img_path in ["img1.png", "img2.png", "img3.png"]:
with open(img_path, "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
images_ids.append(fichier.id)
content = [
{"type": "input_text", "text": (
"Resize all these images to 800x600 pixels, "
"add a semi-transparent 'DRAFT' watermark, "
"and compress as JPEG quality 85."
)}
]
for fid in images_ids:
content.append({"type": "input_file", "file_id": fid})
response = client.responses.create(
model="gpt-5.6-terra",
input=[{"role": "user", "content": content}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Шаблон: Пълен ETL конвейер
def pipeline_etl(fichier_source: str, transformations: str) -> dict:
"""Extract-Transform-Load pipeline with Code Interpreter."""
# Extract: upload source file
with open(fichier_source, "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
# Transform: apply transformations
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": transformations},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions=(
"Execute each transformation step by step. "
"Display a summary after each step: "
"number of rows before/after, modified columns. "
"Export the final result as CSV and Excel."
)
)
# Load: retrieve generated files
fichiers_sortie = []
for ann in fichiers_generes(response):
telecharger(client, ann, ann.filename)
fichiers_sortie.append(ann.filename)
return {
"rapport": response.output_text,
"fichiers_generes": fichiers_sortie
}
# Usage
resultat = pipeline_etl(
"donnees_brutes.csv",
"1. Remove empty columns "
"2. Convert amounts from cents to euros "
"3. Add a 'quarter' column based on the date "
"4. Aggregate sales by quarter and category "
"5. Calculate percentage variations"
)
Поддържани формати
| Формат | Разширения | Четене | Запис |
|---|---|---|---|
| CSV | .csv | Да | Да |
| Excel | .xlsx, .xls | Да | Да |
| JSON | .json | Да | Да |
| Изображения | .png, .jpg, .gif, .bmp | Да | Да |
| Текст | .txt, .md | Да | Да |
| Ограничено четене | Не |
Ключови изводи
- Качвайте файлове с
purpose="user_data"и ги предавайте чрезinput_file - Моделът обработва нативно CSV, многолистови Excel файлове и изображения
- Извличайте генерираните файлове от анотациите
container_file_citationи ги изтегляйте чрез API за контейнери (Урок 10) - За големи файлове поискайте пакетна обработка
- Комбинирайте множество файлове в едно извикване за обединяване и сравнения