Премини към основното съдържание
Български— Изберете език
Меню

Генериране на диаграми и визуализации

Урок 13 от 20 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Генериране на диаграми и визуализации
  2. Прости диаграми с matplotlib
  3. Диаграми от данни във файл
  4. Статистически визуализации със seaborn
  5. Интерактивни диаграми с plotly
  6. Разширено персонализиране
  7. Шаблон: генератор на визуални отчети
  8. Съвети за качествени диаграми
  9. Ключови изводи

Обновено на 2 ноември 2026 г. въз основа на документацията на OpenAI: инструментът Code Interpreter вече изисква параметър container (добавен към всички примери), текстовите входни части използват типа input_text, а уеб търсенето използва инструмента web_search (web_search_preview вече е остарял инструмент без филтри за домейни). Генерираните файлове се извличат чрез функциите fichiers_generes и telecharger от Урок 10. Файловете, прикачени към съобщенията, се качват с цел user_data, което OpenAI препоръчва за входни данни на модела (File inputs). Източници: Code Interpreter · Web search.

Генериране на диаграми и визуализации

Диаграма, произведена от Code Interpreter, не е генерирано изображение: тя е резултат от изпълнението на реален скрипт на matplotlib върху вашите действителни данни. Тази разлика е важна – осите са точни, стойностите съвпадат с файла и можете да поискате кода, за да го възпроизведете локално.

В контейнера съществуват три библиотеки, всяка от които служи за различна цел. matplotlib обработва всичко, но може да бъде многословен. seaborn добавя статистически слой, който прави разпределенията и корелациите четими в един ред. plotly произвежда интерактивен HTML, най-подходящ за крайни продукти, които ще разглеждате с мишка. Посочете тази, която искате, във вашата подсказка; без инструкции моделът използва по подразбиране matplotlib.

Прости диаграми с matplotlib

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Create a bar chart showing monthly sales: "
          "Jan=120, Feb=98, Mar=145, Apr=167, May=189, Jun=210, "
          "Jul=195, Aug=178, Sep=220, Oct=245, Nov=267, Dec=312. "
          "Professional style, blue colors, title and labels.",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Use matplotlib with a professional style. "
                "Sans-serif font, light grid, no top or right spines."
)

# Retrieve the generated image
for ann in fichiers_generes(response):
    telecharger(client, ann, "monthly_sales.png")

Диаграми от данни във файл

Това е най-честият случай на употреба и там стойността е най-ясна: качвате файла, описвате диаграмата, която искате, и моделът се справя с четенето, типовете колони и самото чертане. Няма ръчни стъпки за подготовка и, което е още по-важно, няма ръчно преписване на числа – следователно няма грешки при копиране и поставяне.

with open("team_performance.csv", "rb") as f:
    file_obj = 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": (
                "From this file, create a dashboard with 4 charts: "
                "1. Monthly revenue evolution (line chart) "
                "2. Breakdown by product category (pie chart) "
                "3. Top 10 clients by revenue (horizontal bar chart) "
                "4. Correlation between quantity and amount (scatter plot) "
                "Arrange the 4 charts in a 2x2 grid."
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Create a matplotlib figure with 4 subplots. "
                "Use a consistent color palette. "
                "Resolution 1920x1080, DPI 150. "
                "Export as high-quality PNG."
)

Статистически визуализации със seaborn

seaborn блести, когато въпросът засяга разпределение или връзка, а не поредица от стойности. Кутиева диаграма по категория или матрица на корелацията разкрива с един поглед онова, което таблица с числа показва едва след внимателно прочитане – и точно това трябва да прави една диаграма.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Visual statistical analysis of this data: "
                "1. Heatmap of the correlation matrix "
                "2. Distribution of each numerical variable (histograms + KDE) "
                "3. Boxplots by category to identify outliers "
                "4. Pairplot of the 5 main variables"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Use seaborn with the 'whitegrid' theme. "
                "Annotate values in the heatmap. "
                "Use the 'coolwarm' palette for correlations."
)

Интерактивни диаграми с plotly

plotly променя естеството на крайния продукт: вместо статично изображение получавате самостоятелен HTML файл, в който можете да мащабирате, да задържате курсора за подробности и да филтрирате. Това е правилният избор за таблото за управление, което някой ще разглежда, но грешният избор за фигура, предназначена за печатен документ или имейл.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Create an interactive plotly chart showing sales evolution with: "
                "- Zoom and date range selection "
                "- Hover tooltips with details "
                "- Buttons to filter by category "
                "- Export as standalone HTML file"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

# Retrieve the interactive HTML file
for ann in fichiers_generes(response):
    if ann.filename.endswith(".html"):
        telecharger(client, ann, "interactive_dashboard.html")

Разширено персонализиране

Корпоративно ръководство за стил

Диаграма, генерирана по подразбиране, се разпознава веднага и изглежда аматьорска в корпоративен документ. Предаването на вашите цветове, шрифтове и конвенции в instructions е достатъчно, за да произвеждате последователни фигури от един отчет до следващия – и тъй като тези инструкции могат да се използват многократно, полагате усилието само веднъж.

STYLE_GUIDE = """
Visualization rules:
- Primary color: #1E3A5F (navy blue)
- Secondary color: #E74C3C (red)
- Accent color: #F39C12 (orange)
- Background: white (#FFFFFF)
- Font: sans-serif
- No borders around charts
- Light gray grid (#E0E0E0)
- Bold title, size 14
- Axis labels size 11
- Legend at bottom right
- Always include data source at bottom left
- Minimum resolution: 1200x800 pixels
"""

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": "Create a quarterly revenue evolution chart"},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions=STYLE_GUIDE
)

Шаблон: генератор на визуални отчети

def generate_visual_report(
    file_path: str,
    report_title: str,
    sections: list[str]
) -> list[str]:
    """Generate a report with charts from data."""
    with open(file_path, "rb") as f:
        file_obj = client.files.create(file=f, purpose="user_data")

    images = []

    for i, section in enumerate(sections):
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=[{
                "role": "user",
                "content": [
                    {"type": "input_text", "text": f"Section {i+1} of report '{report_title}': {section}"},
                    {"type": "input_file", "file_id": file_obj.id}
                ]
            }],
            tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
            instructions=(
                "Create a professional chart for this section. "
                "Include a descriptive title and relevant annotations. "
                "Export as PNG 1200x800 DPI 150."
            )
        )

        for ann in fichiers_generes(response):
            name = f"report_section_{i+1}.png"
            telecharger(client, ann, name)
            images.append(name)

    return images

# Usage
charts = generate_visual_report(
    "annual_sales.csv",
    "2025 Sales Report",
    [
        "Monthly revenue evolution with trend",
        "Sales breakdown by region (map or treemap)",
        "Performance comparison by sales rep (grouped bars)",
        "Forecasts for the next 3 months (with confidence interval)"
    ]
)

Съвети за качествени диаграми

quality_instructions = """
For each chart:
- Choose the chart type best suited to the data
- Use accessible colors (sufficient contrast)
- Avoid 3D charts unless explicitly requested
- Limit pie charts to 6 categories maximum
- Add annotations for important points
- Use appropriate scales (no truncated zero unless justified)
- Always export in high resolution
"""

Ключови изводи

  • matplotlib, seaborn и plotly са налични в пясъчника
  • Предавайте данните си чрез input_file за диаграми, базирани на реални файлове
  • Дефинирайте ръководство за стил в instructions за постигане на последователност
  • Извличайте генерираните изображения от анотациите container_file_citation, след което ги изтегляйте чрез API на контейнера (функции fichiers_generes и telecharger от Урок 10)
  • Plotly ви позволява да генерирате интерактивни HTML табла за управление