Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Diagramok és vizualizációk generálása

13. lecke 20 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Diagramok és vizualizációk generálása
  2. Egyszerű diagramok matplotlibgel
  3. Diagramok fájladatok alapján
  4. Statisztikai vizualizációk seabornnal
  5. Interaktív diagramok plotlyval
  6. Haladó testreszabás
  7. Minta: vizuális jelentésgenerátor
  8. Tippek minőségi diagramokhoz
  9. Főbb megállapítások

Frissítve: 2026. november 2. az OpenAI dokumentációja alapján: a Code Interpreter eszköz mostantól megköveteli a container paramétert (ezt minden példához hozzáadtuk), a szöveges bemeneti részek az input_text típust használják, a webes keresés pedig a web_search eszközt igényli (a web_search_preview már elavult eszköz, domain-szűrők nélkül). A generált fájlok lekérése a 10. leckéből ismert fichiers_generes és telecharger függvényekkel történik. Az üzenetekhez csatolt fájlok feltöltése a user_data céllal (purpose) történik, amit az OpenAI ajánl modellbemenetekhez (File inputs). Források: Code Interpreter · Webes keresés.

Diagramok és vizualizációk generálása

A Code Interpreter által készített diagram nem egy generált kép: ez egy valós matplotlib szkript futtatásának eredménye a te saját adataidon. Ez a megkülönböztetés fontos: a tengelyek pontosak, az értékek megegyeznek a fájl tartalmával, és kérheted a kódot is, hogy helyben reprodukáld az eredményt.

Három könyvtár él együtt a konténerben, mindegyik más célt szolgál. A matplotlib mindent kezel, de bőbeszédű lehet. A seaborn statisztikai réteget ad hozzá, ami egyetlen sorban olvashatóvá teszi az eloszlásokat és korrelációkat. A plotly interaktív HTML-t állít elő, amit leginkább olyan kézbesíthető anyagokhoz érdemes tartogatni, amelyeket egérrel fogsz böngészni. Nevezd meg a promptodban, melyiket szeretnéd; utasítások hiányában a modell alapértelmezetten a matplotlibet választja.

Egyszerű diagramok matplotlibgel

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")

Diagramok fájladatok alapján

Ez a leggyakoribb használati eset, és itt a legnyilvánvalóbb az érték: feltöltöd a fájlt, leírod, milyen diagramot szeretnél, a modell pedig elvégzi az olvasást, az oszloptípusok meghatározását és az ábrázolást. Nincsenek manuális előkészítő lépések, és ami még fontosabb: nincs kézi adatbevitel, így elírások sem csúszhatnak be.

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."
)

Statisztikai vizualizációk seabornnal

A seaborn akkor ragyog, ha a kérdés egy eloszlásra vagy egy kapcsolatra irányul, nem pedig értékek sorozatára. Egy kategóriák szerinti dobozdiagram vagy egy korrelációs mátrix pillanatok alatt megmutatja azt, amit egy számtáblázat csak alapos olvasás után tárna fel – és pontosan ezt kell tennie egy diagramnak.

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."
)

Interaktív diagramok plotlyval

A plotly megváltoztatja a kézbesíthető anyag jellegét: statikus kép helyett egy önálló HTML-fájlt kapsz, ahol nagyíthatsz, ráviheted az egeret az elemekre, és szűrhetsz. Ez a helyes választás egy olyan irányítópulthoz, amelyet valaki böngészni fog, de rossz választás egy nyomtatott dokumentumba vagy e-mailbe szánt ábrához.

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")

Haladó testreszabás

Vállalati stílusútmutató

Egy alapértelmezetten generált diagram azonnal felismerhető, és amatőrnek hat egy vállalati dokumentumban. Ha a színeidet, betűtípusaidat és konvencióidat átadod az instructions paraméterben, az elég ahhoz, hogy jelentésről jelentésre konzisztens ábrákat kapj – és mivel ezek az utasítások újrahasználhatók, csak egyszer kell befektetned az energiát.

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
)

Minta: vizuális jelentésgenerátor

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)"
    ]
)

Tippek minőségi diagramokhoz

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
"""

Főbb megállapítások

  • A matplotlib, seaborn és plotly elérhető a homokozóban
  • Valós fájlokon alapuló diagramokhoz az input_file segítségével add át az adataidat
  • A konzisztencia érdekében definiálj egy stílusútmutatót az instructions paraméterben
  • A generált képeket a container_file_citation annotációkból nyerd ki, majd töltsd le őket a konténer API-n keresztül (a 10. leckéből származó fichiers_generes és telecharger függvényekkel)
  • A Plotly lehetővé teszi interaktív HTML irányítópultok generálását