Python编程AI交互
推荐超级课程：
@TOC
使用Llama DeepSeek模型本地分析文件
在人工智能驱动的时代，本地运行大型语言模型（LLMs）提供了隐私保护和效率控制。一个强大的开源模型DeepSeek可以通过Ollama利用，直接在您的机器上分析文件。
为什么要在本地分析文件？
在本地运行人工智能模型有几个优势：
- 数据隐私：无需将敏感数据上传到外部服务器。
- 降低成本：避免基于云服务的API订阅费用。
- 性能和可用性：随时使用模型，无需依赖互联网速度或API限制。
分析本地CSV文件示例
前提
Python: 3.11
启动Ollama：
ollama serve
数据准备: https://www.csvplot.com/
创建Python工程
安装Python库
pip install pandas ollama编写代码（analyze_csv.py）
import pandas as pd import ollama def analyze_csv(file_path): df = pd.read_csv(file_path) data_summary = df.describe().to_string() prompt = f""" 下面是用户提供的一套数据集： {data_summary} 请分析时间（年/月）和乘客数量，并进行趋势分析和总结。并总结出每年乘客高峰的月份是哪个月。 """ response = ollama.chat(model='deepseek-r1:7b', messages=[{'role': 'user', 'content': prompt}]) print("分析结果：", response['message']['content']) # Run analysis on the provided file analyze_csv("data/航空乘客数量统计.csv")运行
python analyze_file.py查看Ollama运行的模型：
查看CPU和内存使用情况：
最终结果：
扩展使用场景
这种方法不仅限于CSV文件。您可以应用类似的逻辑到：
- 文本文件：摘要和情感分析。
- JSON日志：从结构化日志中提取关键见解。
- 财务数据：基于历史趋势的预测分析。
思考
DeepSeek结合Ollama，使得无需依赖云服务就能高效地进行本地文件分析。 您可以在保持隐私和控制的同时，利用人工智能的力量从数据中提取宝贵见解。 无论是分析数据集中的趋势、总结报告还是检测异常，本地LLMs都为数据驱动决策提供了强大的工具集。