（ 教学 ）Agent 构建 OutPutParser （定义输出结构）5. PandasDataFrameOutPutParser - 详解

（ 教学 ）Agent 构建 Prompt（提示词）5. PandasDataFrameOutPutParser

LLM 的输出以 pd.DataFrame 格式进行控制。

“Pandas”是一个软件包，以表格（即表格数据）的形式存在，深受数据科学家的青睐。它能帮助您进行数据的探索、清理和处理。
若想进一步了解 pd.DataFrame 及其功能，请访问 Pandas 官方教程之一，即 10 分钟学会 Pandas 。

• 这既可以作为将结构化输出转换为 LLM 查询的字符串形式，也可以作为将结构化输入提供给 LLM 查询的形式

• 作为输入，可以使用 pd.DataFrame数据集，使 LLM 与数据进行交互。
  “本教程的目标”
  了解 PandasDataFrameOutputParser是如何用于与 pd.DataFrame进行交互的。
  数据采集

• 可访问figshare.com网站，可以在该网站上找到各类学术研究的成果，包括从 CSV 格式到 PDF 格式的文件。

定义大模型

from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from dotenv import load_dotenv
import os
load_dotenv()
Qwen2_5_7B_Instruct_llm = ChatOpenAI(
temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)

定义输出模型

import pandas as pd
from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI
class DataFrameResponse(BaseModel):
"""期望 LLM 返回表格数据"""
dataframe: list[dict] = Field(..., description="表格数据，每行是一个字典")
model = Qwen2_5_7B_Instruct_llm.with_structured_output(DataFrameResponse)