不会函数也能做数据分析:本地AI读Excel,自然语言出报表+图表

电脑里躺着十几个 Excel，每个都是几千上万行。老板要"按月看销售额、再画个柱状图"，你打开文件，盯着那一片单元格，脑子里只剩一句话：透视表怎么拖来着？VLOOKUP 又是哪几个参数？

我先把结论放前面：现在这件事，可以不写一个函数、不拖一次透视表就做完。在一台 8GB 显存的普通电脑上，跑一个本地 AI，把表丢给它，用中文问"按月统计销售额并画柱状图"，它自己读数据、自己写代码、自己出图。全程不联网，数据不出本机。

我之前写过的数据分析入门那篇，讲的是 pandas 的基本套路——但那毕竟还要你自己敲代码。这次更进一步：你只负责提问。

三条路线，先认清谁适合你

本地"自然语言查表"目前有三条成熟路线，我主力推第一条，另两条做对比：

普通人、临时分析、想"问一句出一张图"，选 PandasAI。这也是本文的主角。

第一步：装好底座 Ollama 和模型

Ollama 负责在本地跑大模型，装最新版即可。装好后拉一个对 8GB 显存友好的代码模型：

# 拉模型（二选一）ollama pull qwen2.5-coder:7b   # 约 4.7GB，8GB 显存稳跑，首选ollama pull qwen3.5:9b         # 约 6.6GB，质量更好，8GB 仍可# 让 Ollama 在后台跑起来ollama serve

这里有个必须避开的坑：网上很多教程推 qwen2.5-coder:14b，那个要约 9GB 显存，超过 8GB，别装——它会爆显存或退回 CPU，慢到没法用。8GB 的同学认准 7b 或 qwen3.5:9b 这两个真实 tag 就行。

第二步：装 PandasAI，几行代码问数

⚠️ 先说清楚版本：PandasAI 现在有 v2 / v3 两套完全不同的 API。本文用稳定成熟的 v2（下面的 SmartDataframe 写法）。所以安装时要锁定 v2，别直接 pip install pandasai——那样会装到 v3，语法对不上、代码直接报错：

pip install "pandasai<3"

v3 改成了 import pandasai as pai + 另外装 pandasai-litellm 的写法（pai.DataFrame(...).chat(...)），但它接 Ollama 目前仍是实验性，Windows 上还有已知的"静默退出"bug。想省心就先用 v2，等 v3 的本地支持稳了再升。

然后核心代码真的只有这么几行：

from pandasai import SmartDataframefrom pandasai.llm.local_llm import LocalLLM# 指向本地 Ollamallm = LocalLLM(api_base="http://localhost:11434/v1", model="qwen2.5-coder:7b")# 直接把 Excel 喂进去df = SmartDataframe("sales.xlsx", config={"llm": llm})# 用中文提问df.chat("按月统计销售额并画柱状图")

跑完，它会在背后自动写好 pandas + matplotlib 代码，统计、画图、把柱状图弹出来。你一行函数都没碰。

更妙的是可以连着追问，像聊天一样：

df.chat("再按地区拆一下，找出销售额最高的三个地区")df.chat("华东和华南的环比增长各是多少？")df.chat("把异常偏低的几个月份单独列出来")

几行代码就能开问，这是它最爽的地方。

真实的坑，提前打好补丁

我必须坦白：本地模型不像云端那样"一问就准"。实际用下来有几个高频问题，以及对应的解法。

1）首次常生成不完整的代码，需要重跑。 本地小模型偶尔会写出半截代码、缩进错乱或漏了 import，导致报错。别慌，再 chat 一次往往就好了——偶尔要重跑一次，这是本地方案的常态，不是你装错了。

2）想少重试，按这三招调。

• 降低 temperature：让模型输出更稳定、更可复现，少发挥少出错。
• 关闭缓存：调试阶段缓存会让你以为改了其实没生效，先关掉。
• 把表头 / schema 注进 prompt：提问时顺手告诉它有哪些列、什么含义，比如"这张表有 日期、地区、产品、销售额 四列，请按月汇总销售额"。给了 schema，它生成的代码命中率明显高很多，重试次数肉眼可见地减少。

# 示意：提问时带上结构信息df.chat("这张表有 日期、地区、产品、销售额 四列。""按月汇总销售额，并画柱状图，月份按时间顺序排列。")

3）大文件超上下文怎么办？ PandasAI 会自动分片处理，不会一次性把几十万行塞给模型。但行数特别大时，体验会变慢、也更容易出错——这正是下面要说的另两条路线登场的时候。

行数上百万？换 DuckDB 或 Open Interpreter

如果你的 CSV 动辄上百万行，PandasAI 这种"交互探索"型工具就吃力了。这时候：

DuckDB + 本地 LLM 生成 SQL：DuckDB 是列式存储的本地分析引擎，处理大文件又快又省内存。思路是让本地模型把你的中文问题翻译成 SQL，再交给 DuckDB 执行。生产环境、要稳要快，走这条。

Open Interpreter：GitHub 上 64K star 的项目，能力是"整机级"的——它能跨文件读、批量处理、甚至帮你操作系统。装法：

pip install 'open-interpreter[local]'interpreter --api_base "http://localhost:11434" --model ollama/qwen2.5-coder:7b

然后直接在终端里用中文吩咐它："把这个文件夹里所有 Excel 合并，按月做汇总，导出一张总表。"它会一步步规划、写代码、执行。适合那种"不止一张表、还要跨文件折腾"的活儿。

一句话总结这三条路

• 随手问一张表、要图 → PandasAI + Ollama
• 百万行、要快要稳 → DuckDB + 本地 LLM
• 跨文件、整机级批处理 → Open Interpreter

行动建议

今晚就能跑通：装最新版 Ollama → ollama pull qwen2.5-coder:7b → pip install "pandasai<3" → 把你手头最头疼的那个 Excel 改名成 sales.xlsx，照着上面五行代码问它"按月统计销售额并画柱状图"。第一次可能要重跑一两次，记得降 temperature、关缓存、把列名写进问题里，体验立刻顺滑。

数据不出本机、不花 API 钱、不用记函数——这就是本地 AI 给普通人最实在的红利。

下一篇，我想写给学生和考研党：怎么用一台普通笔记本，搭一个完全离线的 AI 学习搭子——没网也能问、能讲题、能陪你背书。敬请期待。

#本地AI #数据分析 #PandasAI #Ollama #Excel