Générer des graphiques et des visualisations
På denna sida
- Générer des graphiques et des visualisations
- Graphiques simples avec matplotlib
- Graphiques à partir de données de fichier
- Visualisations statistiques avec seaborn
- Graphiques interactifs avec plotly
- Personnalisation avancée
- Motif : générateur de rapports visuels
- Conseils pour des graphiques de qualité
- Viktiga punkter
Mis à jour le 2 novembre 2026 selon la documentation OpenAI : l’outil Code Interpreter nécessite désormais un paramètre
container(ajouté à tous les exemples), les parties de saisie texte utilisent le typeinput_text, et la recherche web utilise l’outilweb_search(web_search_previewest désormais un outil obsolète sans filtres de domaine). Les fichiers générés sont récupérés via les fonctionsfichiers_generesettelechargerde la leçon 10. Les fichiers joints aux messages sont téléchargés avec l’objectifuser_data, ce qu’OpenAI recommande pour les entrées du modèle (File inputs). Sources : Code Interpreter · Recherche web.
Générer des graphiques et des visualisations
Un graphique produit par Code Interpreter n’est pas une image générée : c’est le rendu d’un véritable script matplotlib exécuté sur tes données réelles. Cette distinction est cruciale : les axes sont précis, les valeurs correspondent au fichier et tu peux demander le code pour le reproduire localement.
Trois bibliothèques coexistent dans le conteneur, chacune servant un objectif différent. matplotlib gère tout mais peut être verbeux. seaborn ajoute une couche statistique qui rend les distributions et les corrélations lisibles en une seule ligne. plotly produit du HTML interactif, idéal pour les livrables que tu exploreras à la souris. Nomme celle que tu souhaites dans ton prompt ; sans instruction, le modèle utilise matplotlib par défaut.
Graphiques simples avec 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")
Graphiques à partir de données de fichier
C’est le cas d’usage le plus courant et celui où la valeur ajoutée est la plus évidente : tu télécharges le fichier, décris le graphique souhaité et le modèle se charge de la lecture, du typage des colonnes et du tracé. Aucune étape de préparation manuelle et, surtout, aucune transcription manuelle des chiffres, donc pas d’erreur de copier-coller.
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."
)
Visualisations statistiques avec seaborn
seaborn excelle lorsque la question porte sur une distribution ou une relation plutôt que sur une série de valeurs. Un diagramme en boîte par catégorie ou une matrice de corrélation révèle d’un coup d’œil ce qu’un tableau de chiffres ne montre qu’après une lecture attentive, et c’est exactement ce qu’un graphique doit faire.
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."
)
Graphiques interactifs avec plotly
plotly change la nature du livrable : au lieu d’une image statique, tu obtiens un fichier HTML autonome où tu peux zoomer, survoler et filtrer. C’est le bon choix pour un tableau de bord qu’une personne va explorer, mais le mauvais pour une figure destinée à un document imprimé ou un e-mail.
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")
Personnalisation avancée
Charte graphique d’entreprise
Un graphique généré par défaut est immédiatement reconnaissable et semble amateur dans un document d’entreprise. Transmettre tes couleurs, polices et conventions dans instructions suffit à produire des figures cohérentes d’un rapport à l’autre. Comme ces instructions sont réutilisables, tu ne fais l’effort qu’une seule fois.
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
)
Motif : générateur de rapports visuels
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)"
]
)
Conseils pour des graphiques de qualité
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
"""
Viktiga punkter
- matplotlib, seaborn et plotly sont disponibles dans le bac à sable
- Transmets tes données via
input_filepour des graphiques basés sur de vrais fichiers - Définis une charte graphique dans
instructionspour assurer la cohérence - Récupère les images générées depuis les annotations
container_file_citation, puis télécharge-les via l’API du conteneur (fonctionsfichiers_generesettelechargerde la leçon 10) - Plotly te permet de générer des tableaux de bord HTML interactifs