Przejdź do głównej treści
Polski— Wybierz język
Menu

Generowanie wykresów i wizualizacji

Lekcja 13 z 20 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Generowanie wykresów i wizualizacji
  2. Proste wykresy z matplotlib
  3. Wykresy na podstawie danych z pliku
  4. Wizualizacje statystyczne z seaborn
  5. Wykresy interaktywne z plotly
  6. Zaawansowane dostosowanie
  7. Wzorzec: generator raportów wizualnych
  8. Wskazówki dotyczące jakości wykresów
  9. Kluczowe wnioski

Zaktualizowano 2 listopada 2026 na podstawie dokumentacji OpenAI: narzędzie Code Interpreter wymaga teraz parametru container (dodano do wszystkich przykładów), części wejściowe tekstu używają typu input_text, a wyszukiwanie w sieci korzysta z narzędzia web_search (web_search_preview jest obecnie narzędziem przestarzałym bez filtrów domenowych). Wygenerowane pliki pobiera się za pomocą funkcji fichiers_generes i telecharger z Lekcji 10. Pliki dołączane do wiadomości są przesyłane z przeznaczeniem user_data, co OpenAI rekomenduje dla danych wejściowych modelu (File inputs). Źródła: Code Interpreter · Web search.

Generowanie wykresów i wizualizacji

Wykres stworzony przez Code Interpreter nie jest wygenerowanym obrazem: to renderowanie rzeczywistego skryptu matplotlib wykonanego na Twoich prawdziwych danych. Ta różnica ma znaczenie – osie są precyzyjne, wartości zgadzają się z plikiem, a Ty możesz poprosić o kod, aby odtworzyć go lokalnie.

W kontenerze współistnieją trzy biblioteki, z których każda służy innemu celowi. matplotlib obsługuje wszystko, ale bywa rozwlekła. seaborn dodaje warstwę statystyczną, która sprawia, że rozkłady i korelacje stają się czytelne w jednej linii. plotly generuje interaktywny HTML, najlepiej zarezerwowany dla materiałów, które będziesz eksplorować za pomocą myszy. W poleceniu wskaż, której biblioteki chcesz użyć; bez instrukcji model domyślnie wybierze matplotlib.

Proste wykresy z 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")

Wykresy na podstawie danych z pliku

To najczęstszy przypadek użycia i sytuacja, w której wartość rozwiązania jest najbardziej oczywista: przesyłasz plik, opisujesz wykres, jakiego potrzebujesz, a model zajmuje się odczytem, typowaniem kolumn i rysowaniem. Żadnych ręcznych kroków przygotowawczych, a co kluczowe – żadnego ręcznego przepisywania liczb, więc zero błędów wynikających z kopiowania i wklejania.

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."
)

Wizualizacje statystyczne z seaborn

seaborn sprawdza się najlepiej, gdy pytanie dotyczy rozkładu lub zależności, a nie szeregu wartości. Wykres pudełkowy według kategorii lub macierz korelacji ujawniają natychmiast to, co tabela liczb pokazuje dopiero po uważnej lekturze – a dokładnie to powinien robić wykres.

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."
)

Wykresy interaktywne z plotly

plotly zmienia charakter deliverable: zamiast statycznego obrazu otrzymujesz samodzielny plik HTML, w którym możesz przybliżać, najechać kursorem i filtrować dane. To właściwy wybór dla dashboardu, który ktoś będzie eksplorować, ale zły wybór dla rysunku przeznaczonego do druku lub e-maila.

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")

Zaawansowane dostosowanie

Firmowy przewodnik stylów

Wykres wygenerowany domyślnie jest natychmiast rozpoznawalny i wygląda amatorsko w dokumentacji firmowej. Przekazanie swoich kolorów, czcionek i konwencji w polu instructions wystarczy, aby uzyskać spójne rysunki od jednego raportu do drugiego – a ponieważ te instrukcje można wielokrotnie wykorzystywać, wysiłek wkładasz tylko raz.

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
)

Wzorzec: generator raportów wizualnych

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)"
    ]
)

Wskazówki dotyczące jakości wykresów

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
"""

Kluczowe wnioski

  • matplotlib, seaborn i plotly są dostępne w piaskownicy
  • Przekaż swoje dane przez input_file, aby tworzyć wykresy na podstawie rzeczywistych plików
  • Zdefiniuj przewodnik stylów w instructions, aby zapewnić spójność
  • Pobierz wygenerowane obrazy z adnotacji container_file_citation, a następnie ściągnij je przez API kontenera (funkcje fichiers_generes i telecharger z Lekcji 10)
  • Plotly pozwala generować interaktywne dashboardy w formacie HTML