Apstrādā datus: CSV, Excel, attēli
Šajā lapā
Atjaunināts 2026. gada 2. novembrī, pamatojoties uz OpenAI dokumentāciju: rīks Code Interpreter prasa parametru
container(pievienots visiem piemēriem), ievades teksta daļas izmanto tipuinput_text, un tīmekļa meklēšana izmanto rīkuweb_search(web_search_previewtagad ir novecojis rīks bez domēna filtriem). Ģenerētie faili tiek iegūti, izmantojot funkcijasfichiers_generesuntelechargerno 10. nodarbības. Faili, kas pievienoti ziņojumam, tiek augšupielādēti, izmantojotuser_datalietojumu, ko OpenAI iesaka modeļa ievadēm (File inputs). Avoti: Code Interpreter · Web search.
Apstrādā datus: CSV, Excel, attēli
Code Interpreter maina to, ko tu prasi modelim darīt. Bez tā tu saņem aprakstu par to, kas jādara; ar to models uzraksta Python kodu, izpilda to smilškastē, pārbauda rezultātu un, ja pieļauj kļūdu, pats savu kodu labo. Datu faila gadījumā atšķirība ir izšķiroša: neviens nevar uzminēt CSV struktūru, neatverot to, un tieši to ļauj darīt koda izpilde.
Šajā nodarbībā izklāstītā loģika attiecas uz trim turpmākajiem formātiem. Tu augšupielādē failu, dabiskā valodā apraksti sagaidāmo rezultātu un iegūsti vai nu analīzi, vai jaunu failu. Atšķirība starp labu un sliktu lietojumu slēpjas tavas instrukcijas precizitātē: „analizē šo failu” radīs vispārīgu kopsavilkumu, savukārt numurēts pieprasījums, kā tālāk redzams, dos rezultātu, ko vari izmantot tālāk bez papildu apstrādes.
CSV failu apstrāde
Iepazīšanās analīze
Vienmēr sāc šeit, pat ja domā, ka failu pazīsti. No uzņēmuma rīka eksportēts CSV fails var saturēt pārsteigumus, ko specifikācija nepiemin: skaitliska kolonna, kas decimālzīmes dēļ saglabāta kā teksts, datumi trīs dažādos formātos vai kopējā rinda, kas ielavījusies datu vidū. Turpmāk prasītie pieci punkti — izmēri, tipi, trūkstošās vērtības, statistika un priekšskatījums — ir minimums pirms jebkuras transformācijas, jo tie nosaka, ko vari prasīt tālāk.
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)
Tīrīšana un transformācija
Tīrīšana ir solis, kurā lēmumiem ir nozīme un kur tie ir jāformulē tieši, nevis jāatstāj modeļa ziņā. Trūkstošo vērtību aizpildīšana ar mediānu skaitļiem un modu kategorijām ir pamatota izvēle, taču tā ir izvēle: ieņēmumu kolonnā, kurā trūkst trešdaļa vērtību, tas radīs mākslīgi šauru sadalījumu, kas sagrozīs jebkuru turpmāko analīzi. Formulē noteikumu savā promptā, kā parādīts zemāk, un tu zināsi, kas tika darīts; paliec neskaidrs, un tev nāksies atkārtoti atvērt failu, lai to uzzinātu.
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")
Excel failu apstrāde
Pateicoties openpyxl, Code Interpreter natīvi apstrādā Excel failus. Divas atšķirības no CSV ir pelnījušas tavu uzmanību. Pirmkārt, darbgrāmata satur vairākas lapas, un prompts, kas nenorāda konkrētu lapu, liks modelim strādāt ar to, kuru tas izvēlēsies pirmo; tāpēc sāc, prasot lapu sarakstu, kā parādīts piemērā. Otrkārt, Excel satur formulas, apvienotas šūnas un dekoratīvas galvenes rindas — elementus, kas izskatās pēc datiem, bet nav tādi, un kurus modelim ir jāignorē, jo tu esi to norādījis.
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"}}]
)
Vairāku failu apvienošana
Apvienošana ir gadījums, kad koda izpilde visvairāk pārspēj manuālu apstrādi: četri ceturkšņi nozīmē četrus failus, kuru kolonnu nosaukumi un secība ir gandrīz vienādi. Tieši šis „gandrīz” ir problēma, un to precīzi atklāj programma, kamēr kopēšana un ielīmēšana to maskē. Prasīti papildus apvienotajiem datiem arī kopsavilkuma lapu: tā kalpo kā kontrole, jo kopsumma, kas nesakrīt ar četru failu summu, uzreiz atklās nepareizi izlīdzinātu kolonnu.
# 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"}}]
)
Attēlu apstrāde
Code Interpreter manipulē ar attēliem, izmantojot Pillow, un tev skaidri jāsaprot, ko tas ietver. Šī ir attēlu apstrāde — izmēru maiņa, konvertēšana, mērīšana, kompozīcija — nevis vizuāla izpratne: lai aprakstītu, ko parāda fotoattēls, darbojas modeļa redzes spējas, nevis smilškaste. Abas pieejas lieliski papildina viena otru vienā izsaukumā, kamēr models aplūko attēlu, kods to transformē.
Analīze un transformācija
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"}}]
)
Partijas apstrāde
Partijas apstrāde pārvirza jautājumu uz izmaksām un limitiem. Katrs augšupielādēts attēls patērē krātuvi un aizņem smilškasti, kuras telpa un dzīves ilgums ir ierobežoti: pārsniedzot dažus desmitus failu, lokāls skripts ar Pillow maksā mazāk un darbojas ātrāk. Rezervē partijas apstrādi gadījumiem, kad lēmumu ir grūti ieprogrammēt — apgriešana, kas atkarīga no satura, ūdenszīmes novietošana vietā, kur attēls ir visvienmērīgākais — un mehāniskas transformācijas atstāj savam datoram.
# 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"}}]
)
Paraugs: Pilns ETL konveijers
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"
)
Atbalstītie formāti
| Formāts | Paplašinājumi | Lasīšana | Rakstīšana |
|---|---|---|---|
| CSV | .csv | Jā | Jā |
| Excel | .xlsx, .xls | Jā | Jā |
| JSON | .json | Jā | Jā |
| Attēli | .png, .jpg, .gif, .bmp | Jā | Jā |
| Teksts | .txt, .md | Jā | Jā |
| Ierobežota lasīšana | Nē |
Galvenās atziņas
- Augšupielādē failus ar
purpose="user_data"un nodod tos, izmantojotinput_file - Models natīvi apstrādā CSV, daudzlapu Excel un attēlus
- Iegūsti ģenerētos failus no
container_file_citationanotācijām un lejupielādē tos, izmantojot konteineru API (10. nodarbība) - Lieliem failiem pieprasi partijas apstrādi
- Apvieno vairākus failus vienā izsaukumā, lai veiktu apvienošanu un salīdzināšanu