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。
- 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。
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:
- 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"。 - 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)。
- 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:
-
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:ID Topics Category 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
- 创建一个名为
-
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。
- 在与 Python 脚本相同的目录下创建一个名为
- 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。
- 推荐方式 (使用
-
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。
- 确保
-
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)。
-
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。
- 程序运行后,会在同一目录下生成一个名为
示例输出 Excel (
risk_analysis_results.xlsx):ID Topics Category Risk Score Risk Level Analysis Explanation 1 "这是一个正常的信息。" General 15.5 Low "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。" Security 88.2 High "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。" Finance 72.0 Medium "提到'欺诈交易'和'异常模式',存在中等风险。" 4 "" Misc None N/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。
- 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
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.