Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Δημιουργία γραφημάτων και οπτικοποιήσεων

Μάθημα 13 / 20 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Δημιουργία γραφημάτων και οπτικοποιήσεων
  2. Απλά γραφήματα με matplotlib
  3. Γραφήματα από δεδομένα αρχείου
  4. Στατιστικές οπτικοποιήσεις με seaborn
  5. Διαδραστικά γραφήματα με plotly
  6. Προχωρημένη προσαρμογή
  7. Πρότυπο: Γεννήτρια οπτικών αναφορών
  8. Συμβουλές για γραφήματα ποιότητας
  9. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: το εργαλείο Code Interpreter απαιτεί πλέον την παράμετρο container (προστέθηκε σε όλα τα παραδείγματα), τα μέρη εισόδου κειμένου χρησιμοποιούν τον τύπο input_text, και η αναζήτηση ιστού χρησιμοποιεί το εργαλείο web_search (το web_search_preview είναι πλέον ένα παρωχημένο εργαλείο χωρίς φίλτρα τομέα). Τα παραγόμενα αρχεία ανακτώνται χρησιμοποιώντας τις συναρτήσεις fichiers_generes και telecharger από το Μάθημα 10. Τα αρχεία που επισυνάπτονται στα μηνύματα μεταφορτώνονται με τον σκοπό user_data, τον οποίο η OpenAI συνιστά για εισόδους μοντέλων (File inputs). Πηγές: Code Interpreter · Web search.

Δημιουργία γραφημάτων και οπτικοποιήσεων

Ένα γράφημα που παράγεται από το Code Interpreter δεν είναι μια δημιουργημένη εικόνα: είναι η απόδοση ενός πραγματικού σεναρίου matplotlib που εκτελείται στα πραγματικά σας δεδομένα. Αυτή η διάκριση έχει σημασία—οι άξονες είναι ακριβείς, οι τιμές ταιριάζουν με το αρχείο και μπορείτε να ζητήσετε τον κώδικα για να το αναπαράγετε τοπικά.

Τρεις βιβλιοθήκες συνυπάρχουν στο container, η καθεμία εξυπηρετεί έναν διαφορετικό σκοπό. Το matplotlib χειρίζεται τα πάντα αλλά μπορεί να είναι verbose. Το seaborn προσθέτει ένα στατιστικό στρώμα που καθιστά τις κατανομές και τις συσχετίσεις ευανάγνωστες σε μία μόνο γραμμή. Το plotly παράγει διαδραστικό HTML, ιδανικό για παραδοτέα που θα εξερευνήσετε με το ποντίκι. Ονομάστε αυτήν που θέλετε στο prompt σας· χωρίς οδηγίες, το μοντέλο χρησιμοποιεί ως προεπιλογή το matplotlib.

Απλά γραφήματα με 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")

Γραφήματα από δεδομένα αρχείου

Αυτή είναι η πιο κοινή περίπτωση χρήσης και εκεί όπου η αξία είναι πιο ξεκάθαρη: μεταφορτώνετε το αρχείο, περιγράφετε το γράφημα που θέλετε και το μοντέλο αναλαμβάνει την ανάγνωση, τον τύπο στηλών και τη σχεδίαση. Χωρίς χειροκίνητα βήματα προετοιμασίας και, κυρίως, χωρίς χειροκίνητη μεταγραφή αριθμών—άρα χωρίς σφάλματα αντιγραφής-επικόλλησης.

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."
)

Στατιστικές οπτικοποιήσεις με seaborn

Το seaborn διακρίνεται όταν το ερώτημα αφορά μια κατανομή ή μια σχέση και όχι μια σειρά τιμών. Ένα διάγραμμα κουτιού (box plot) ανά κατηγορία ή ένας πίνακας συσχέτισης αποκαλύπτουν με μια ματιά αυτό που ένας πίνακας αριθμών δείχνει μόνο μετά από προσεκτική ανάγνωση—και αυτό ακριβώς πρέπει να κάνει ένα γράφημα.

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."
)

Διαδραστικά γραφήματα με plotly

Το plotly αλλάζει τη φύση του παραδοτέου: αντί για μια στατική εικόνα, λαμβάνετε ένα αυτόνομο αρχείο HTML όπου μπορείτε να κάνετε ζουμ, να αιωρείστε τον κέρσορα και να φιλτράρετε. Είναι η σωστή επιλογή για έναν πίνακα ελέγχου (dashboard) που κάποιος θα εξερευνήσει, αλλά η λάθος επιλογή για ένα σχήμα που προορίζεται για έντυπο έγγραφο ή email.

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")

Προχωρημένη προσαρμογή

Οδηγός εταιρικού στυλ

Ένα γράφημα που δημιουργείται με τις προεπιλογές είναι άμεσα αναγνωρίσιμο και φαίνεται ερασιτεχνικό σε ένα εταιρικό έγγραφο. Η παροχή των χρωμάτων, των γραμματοσειρών και των συμβάσεών σας στις instructions αρκεί για την παραγωγή συνεπών σχημάτων από τη μία αναφορά στην άλλη—και καθώς αυτές οι οδηγίες είναι επαναχρησιμοποιήσιμες, κάνετε την προσπάθεια μόνο μία φορά.

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
)

Πρότυπο: Γεννήτρια οπτικών αναφορών

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)"
    ]
)

Συμβουλές για γραφήματα ποιότητας

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
"""

Βασικά σημεία

  • Τα matplotlib, seaborn και plotly είναι διαθέσιμα στο sandbox
  • Περάστε τα δεδομένα σας μέσω input_file για γραφήματα βασισμένα σε πραγματικά αρχεία
  • Ορίστε έναν οδηγό στυλ στις instructions για συνέπεια
  • Ανακτήστε τις παραγόμενες εικόνες από τις σημειώσεις container_file_citation και, στη συνέχεια, κατεβάστε τες μέσω του container API (συναρτήσεις fichiers_generes και telecharger από το Μάθημα 10)
  • Το Plotly σας επιτρέπει να δημιουργείτε διαδραστικούς πίνακες ελέγχου (dashboards) σε HTML