Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.5-flash-lite-preview-06-17-thinking· GoogleHugging Face LMArena Human Preference 140K

帮我编写一份python程序可以用来调用AI的API接口读取excel表格并分析题目的风险程度并进行评分,导出为excel表格。

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Claudeclaude-opus-4-20250514’s answer.
  1. User

    帮我编写一份python程序可以用来调用AI的API接口读取excel表格并分析题目的风险程度并进行评分,导出为excel表格。

  2. Gemini Assistant

    好的,我们来编写一个 Python 程序,它能够读取 Excel 文件,调用一个(假设的)AI 风险分析 API,然后将结果写回一个新的 Excel 文件。

    这个程序的核心是 requests 库(用于调用 API)和 pandas 库(用于读写 Excel)。你需要根据你实际使用的 AI API 的具体要求来调整 API 调用部分(URL、请求方法、请求头、请求体格式、响应解析方式)。

    假设:

    1. 输入 Excel 文件格式: 包含至少一列文本内容,我们将对其进行风险分析。我们假设这一列名为 "Topics"。
    2. AI API 要求:
      • 需要一个 API 端点 URL。
      • 需要一个 API 密钥用于认证(通常放在请求头中)。
      • API 接受 POST 请求。
      • 请求体是一个 JSON 对象,其中有一个键(例如 "text") 包含要分析的文本。
      • API 返回的响应也是 JSON 格式,其中包含风险评分(例如 "score" 键)和风险级别(例如 "risk_level" 键),可能还有解释(例如 "explanation" 键)。
    3. 输出 Excel 文件格式: 包含原始数据以及新添加的几列:风险评分、风险级别和分析解释。

    需要安装的库:

    pip install pandas requests openpyxl python-dotenv # dotenv 用于管理API密钥等敏感信息(可选但推荐)
    

    Python 代码:

    import pandas as pd
    import requests
    import json
    import os
    from dotenv import load_dotenv # 用于加载环境变量
    
    # --- 1. 配置区 ---
    
    # 加载环境变量(推荐将 API Key 等信息放在 .env 文件中)
    # 创建一个名为 .env 的文件,内容类似:
    # AI_API_URL=https://your-ai-api.com/analyze
    # AI_API_KEY=your_secret_api_key_here
    # AI_AUTH_HEADER=Authorization
    # AI_AUTH_PREFIX=Bearer 
    load_dotenv()
    
    # --- 输入/输出文件配置 ---
    INPUT_EXCEL_FILE = 'input_topics.xlsx'   # 输入的Excel文件名
    TEXT_COLUMN_NAME = 'Topics'             # Excel中包含待分析文本的列名
    OUTPUT_EXCEL_FILE = 'risk_analysis_results.xlsx' # 输出的Excel文件名
    
    # --- AI API 配置 ---
    # 从环境变量加载,如果环境变量未设置,则提供默认值或提示用户设置
    AI_API_CONFIG = {
        "url": os.getenv("AI_API_URL", "YOUR_AI_API_ENDPOINT"), # 替换为你的AI API URL
        "api_key": os.getenv("AI_API_KEY", "YOUR_API_KEY"),     # 替换为你的API密钥
        "auth_header_name": os.getenv("AI_AUTH_HEADER", "Authorization"), # 认证头名称,根据API文档修改
        "auth_header_prefix": os.getenv("AI_AUTH_PREFIX", "Bearer "),   # 认证头前缀,根据API文档修改 (例如 'Bearer ' 或 '')
        "request_text_key": "text",                             # 请求JSON中包含文本的键名
        "response_score_key": "score",                          # 响应JSON中包含分数的键名
        "response_level_key": "risk_level",                     # 响应JSON中包含风险级别的键名
        "response_explanation_key": "explanation"               # 响应JSON中包含解释的键名 (可选)
    }
    
    # --- 检查配置 ---
    if AI_API_CONFIG["url"] == "YOUR_AI_API_ENDPOINT" or AI_API_CONFIG["api_key"] == "YOUR_API_KEY":
        print("="*50)
        print("!!! 配置警告 !!!")
        print("请确保已正确设置 AI API 的 URL 和 API Key。")
        print("建议创建一个 .env 文件并添加以下内容:")
        print("AI_API_URL=https://your-ai-api.com/analyze")
        print("AI_API_KEY=your_secret_api_key_here")
        print("(根据需要修改 AI_AUTH_HEADER 和 AI_AUTH_PREFIX)")
        print("="*50)
        # 可以选择在这里退出程序或继续尝试(可能会失败)
        # exit() 
    
    # --- 2. 功能函数 ---
    
    def read_excel_data(file_path, text_column):
        """读取Excel文件并返回包含指定文本列的DataFrame"""
        try:
            df = pd.read_excel(file_path)
            if text_column not in df.columns:
                print(f"错误:在Excel文件中找不到列 '{text_column}'。")
                return None
            # 填充NaN值为空字符串,防止API调用出错
            df[text_column] = df[text_column].fillna('')
            print(f"成功读取Excel文件: {file_path}")
            return df
        except FileNotFoundError:
            print(f"错误:找不到输入文件 '{file_path}'。请确保文件存在且路径正确。")
            return None
        except Exception as e:
            print(f"读取Excel文件时发生错误: {e}")
            return None
    
    def call_ai_risk_analyzer(text, config):
        """调用AI API分析文本风险并返回结果字典"""
        if not text or not isinstance(text, str) or text.strip() == "":
            # 如果文本为空或无效,返回默认的“无分析”结果
            return {
                "score": None,
                "risk_level": "N/A",
                "explanation": "输入文本为空或无效"
            }
            
        headers = {
            "Content-Type": "application/json",
            config["auth_header_name"]: f"{config['auth_header_prefix']}{config['api_key']}"
        }
        payload = {
            config["request_text_key"]: text
            # 如果API需要其他参数,可以在这里添加,例如:
            # "confidence_threshold": 0.7,
            # "risk_categories": ["financial", "security"]
        }
    
        try:
            response = requests.post(config["url"], headers=headers, json=payload, timeout=20) # 设置超时时间
            response.raise_for_status() # 检查HTTP错误状态码 (4xx or 5xx)
    
            result_data = response.json()
    
            # 解析响应数据
            score = result_data.get(config["response_score_key"])
            risk_level = result_data.get(config["response_level_key"], "Unknown")
            explanation = result_data.get(config["response_explanation_key"], "")
    
            # 尝试将分数转换为数值类型,如果失败则设为None
            try:
                if score is not None:
                    score = float(score) # 或者 int(score) 取决于API返回的是整数还是浮点数
            except (ValueError, TypeError):
                print(f"警告:API返回的分数 '{score}' 无法转换为数字。")
                score = None
                
            return {
                "score": score,
                "risk_level": risk_level,
                "explanation": explanation
            }
    
        except requests.exceptions.Timeout:
            print(f"错误:请求AI API超时。")
            return {"score": None, "risk_level": "Error", "explanation": "API Request Timed Out"}
        except requests.exceptions.HTTPError as e:
            print(f"错误:AI API返回HTTP错误: {e.response.status_code} - {e.response.text}")
            return {"score": None, "risk_level": "Error", "explanation": f"HTTP Error {e.response.status_code}"}
        except requests.exceptions.RequestException as e:
            print(f"错误:调用AI API时发生请求异常: {e}")
            return {"score": None, "risk_level": "Error", "explanation": f"Request Exception: {type(e).__name__}"}
        except json.JSONDecodeError:
            print(f"错误:无法解析AI API的响应(非JSON格式)。响应内容: {response.text[:100]}...") # 显示响应前100字符
            return {"score": None, "risk_level": "Error", "explanation": "Invalid JSON Response"}
        except Exception as e:
            print(f"处理AI API响应时发生未知错误: {e}")
            return {"score": None, "risk_level": "Error", "explanation": f"Unknown Error: {type(e).__name__}"}
    
    
    def process_excel_with_ai(df, text_column, ai_config):
        """遍历DataFrame,调用AI API分析每一行文本,并添加结果列"""
        results = []
        total_rows = len(df)
        print(f"\n开始分析 {total_rows} 条记录...")
    
        for index, row in df.iterrows():
            text_to_analyze = row[text_column]
            
            # 调用AI分析函数
            analysis_result = call_ai_risk_analyzer(text_to_analyze, ai_config)
            
            # 将分析结果合并到原始行数据中
            result_row = row.to_dict()
            result_row['Risk Score'] = analysis_result['score']
            result_row['Risk Level'] = analysis_result['risk_level']
            result_row['Analysis Explanation'] = analysis_result['explanation']
            results.append(result_row)
    
            # 打印进度
            if (index + 1) % 10 == 0 or (index + 1) == total_rows: # 每10行或最后一行打印一次
                print(f"已处理 {index + 1}/{total_rows} 条记录...")
    
        # 将结果列表转换为新的DataFrame
        results_df = pd.DataFrame(results)
        return results_df
    
    def write_results_to_excel(df, output_file):
        """将包含分析结果的DataFrame写入新的Excel文件"""
        try:
            df.to_excel(output_file, index=False, engine='openpyxl')
            print(f"\n分析结果已成功写入到: {output_file}")
        except Exception as e:
            print(f"错误:将结果写入Excel文件时出错: {e}")
    
    # --- 3. 主程序逻辑 ---
    
    def main():
        """主执行函数"""
        print("--- AI 风险分析程序启动 ---")
    
        # 1. 读取Excel数据
        input_df = read_excel_data(INPUT_EXCEL_FILE, TEXT_COLUMN_NAME)
        
        if input_df is None:
            print("无法继续,程序终止。")
            return
    
        # 2. 使用AI API处理数据
        results_df = process_excel_with_ai(input_df, TEXT_COLUMN_NAME, AI_API_CONFIG)
    
        # 3. 将结果写入新的Excel文件
        if results_df is not None:
            write_results_to_excel(results_df, OUTPUT_EXCEL_FILE)
        else:
            print("处理过程中发生错误,未能生成结果。")
    
        print("\n--- AI 风险分析程序执行完毕 ---")
    
    # --- 程序入口 ---
    if __name__ == "__main__":
        main()
    

    如何使用:

    1. 准备输入文件:

      • 创建一个名为 input_topics.xlsx 的 Excel 文件(或者修改代码中的 INPUT_EXCEL_FILE 变量)。
      • 确保文件中有一个名为 "Topics" 的列(或者修改代码中的 TEXT_COLUMN_NAME 变量),其中包含你需要分析的文本内容。其他列也会被保留。
      • 示例 input_topics.xlsx:
        IDTopicsCategory
        1"这是一个正常的信息。"General
        2"注意:存在潜在的安全漏洞,请立即修复。"Security
        3"我们发现了一个关于欺诈交易的异常模式。"Finance
        4""Misc
    2. 配置 API 信息:

      • 推荐方式 (使用 .env 文件):
        • 在与 Python 脚本相同的目录下创建一个名为 .env 的文本文件。
        • 在 .env 文件中填入你的 AI API 信息,例如:
          AI_API_URL=https://api.example.com/v1/analyze_risk # 替换成你的API URL
          AI_API_KEY=your_super_secret_api_key             # 替换成你的API Key
          AI_AUTH_HEADER=X-Api-Key                         # 如果API要求不同的头名称,修改这里
          AI_AUTH_PREFIX=                                  # 如果API不需要前缀,设置为空
          
        • 脚本会自动加载这些配置。
      • 直接修改代码: 如果你不使用 .env 文件,可以直接在代码的 AI_API_CONFIG 字典中修改 "url" 和 "api_key"(以及其他可能的配置项,如认证头名称和前缀)。注意:将 API Key 硬编码在代码中存在安全风险,不推荐用于生产环境。
    3. 调整代码配置:

      • 确保 INPUT_EXCEL_FILE, TEXT_COLUMN_NAME, OUTPUT_EXCEL_FILE 变量设置正确。
      • 根据你使用的 AI API 的具体文档,检查并修改 AI_API_CONFIG 中的以下键:
        • request_text_key: API期望接收文本的JSON键名。
        • response_score_key: API响应中包含分数的键名。
        • response_level_key: API响应中包含风险级别的键名。
        • response_explanation_key: API响应中包含解释的键名(如果需要的话)。
        • auth_header_name 和 auth_header_prefix: 用于设置请求头进行身份验证。
    4. 运行程序:

      • 打开你的终端或命令行。
      • 导航到保存 Python 脚本和 .env 文件(如果使用)的目录。
      • 运行脚本:python your_script_name.py (将 your_script_name.py 替换为你的文件名)。
    5. 查看结果:

      • 程序运行后,会在同一目录下生成一个名为 risk_analysis_results.xlsx(或你指定的名字)的新 Excel 文件。
      • 这个文件将包含原始数据以及新增的 "Risk Score", "Risk Level", "Analysis Explanation" 列。

    示例输出 Excel (risk_analysis_results.xlsx):

    IDTopicsCategoryRisk ScoreRisk LevelAnalysis Explanation
    1"这是一个正常的信息。"General15.5Low"文本内容正面,无明显风险指示词。"
    2"注意:存在潜在的安全漏洞,请立即修复。"Security88.2High"包含'安全漏洞'、'立即修复'等高风险词汇。"
    3"我们发现了一个关于欺诈交易的异常模式。"Finance72.0Medium"提到'欺诈交易'和'异常模式',存在中等风险。"
    4""MiscNoneN/A"输入文本为空或无效"

    这个程序提供了一个灵活的框架,你可以根据具体使用的AI服务进行调整。

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.