EDA-GPT

EDA GPT：您的开源数据分析伙伴

欢迎使用EDA GPT，这是满足您所有数据分析需求的综合解决方案。无论您是分析CSV、XLSX或SQLite格式的结构化数据，生成有洞察力的图表，还是对PDF和图像等非结构化数据进行深入分析，EDA GPT都能在每一步为您提供帮助。

介绍

EDA GPT简化了数据分析过程，使用户能够轻松探索、可视化并从数据中获得洞察。凭借用户友好的界面和强大的功能，EDA GPT使用户能够自信地做出数据驱动的决策。

演示视频：https://genny.lovo.ai/share/d6b58f0d-fc46-4aa7-a65e-fa0f9a684f01

入门

要开始使用EDA GPT，只需导航到应用程序并按照屏幕上的说明操作。上传您的数据，指定分析偏好，然后让EDA GPT处理剩下的工作。凭借其直观的界面和强大的功能，EDA GPT使各种技能水平的用户都能进行数据分析。

如何使用应用程序

1. 结构化数据分析：

   • 通过上传文件或连接到PostgreSQL等数据库来分析结构化数据。支持csv、xlxs和sqlite格式。
   • 提供有关数据的额外背景信息，并详细说明所需结果，以获得更准确的分析。

2. 图表生成：

   • 通过指定清晰的指令轻松生成各种类型的图表。
   • 访问生成的代码以进行微调和自定义。

3. 分析问题：

   • 在初始EDA之后，在生成的报告基础上提出分析问题。
   • 通过Plotly图表和可视化报告获得洞察。

4. 性能比较：

   • 基于准确性、速度和处理复杂查询的能力比较EDA GPT和pandasai的性能。

   xychart-beta
    title "EDA GPT(蓝色)和PandasAI性能(绿色)比较"
    x-axis ["准确性", "速度", "复杂查询"]
    y-axis "得分（满分100）" 0 --> 100
    bar EDA_GPT [90, 92, 90]
    bar PandasAI [85, 90, 70]

5. LLMs（大型语言模型）：

   • 根据数据集特征选择各种LLM。支持HuggingFace、Openai、Groq、Gemini模型。 付费会员可使用Claude3和GPT4。
   • 选择LLM时考虑数据集大小和分析复杂性等因素。上下文长度较大的模型通常更适合处理较大的数据集。

6. 非结构化数据分析：

   • 高效分析非结构化PDF数据。从非结构化数据中推断表格结构和图像，以进行更好的分析。
   • 提供详细描述以增强LLM的决策能力。
   • 具有互联网访问能力，并遵循行动/观察/思考原则来解决复杂任务。

7. 多模态搜索：

   • 从包括维基百科、Arxiv、DuckDuckGo和网络爬虫在内的多种来源搜索答案。
   • 使用集成的大型视觉模型分析图像。

8. 数据清理和编辑：

   • 使用EDA GPT提供的各种方法清理和编辑数据。
   • 受益于自动化的数据清理过程，节省时间和精力。

主要特点：

1. 能够分析大量结构化和非结构化数据。

2. 可以分析音频文件、PDF、图像等非结构化数据。还可以分析YouTube视频以总结内容。

3. 设计了一个名为Lang Group Chain的特殊类来处理复杂查询。目前它还不稳定，但其架构很有用，可以进一步改进。它本质上将一个主要问题分解为由节点表示的子问题。每个节点都有一些依赖或共同依赖关系。特殊的数据结构LangGroups存储这些Lang节点。这些节点按拓扑顺序排序，并根据相同的入度进行分组。每组都会与先前的上下文一起传递给LLM，以迭代地得出答案。 这种架构对于解决以下类型的问题很有用：求M/3 + 2，其中M是唐纳德·特朗普和乔·拜登的年龄差加上冥王星完成一次公转所需的年数。 注意，我们需要像人类那样形成一系列明确定义的步骤来解决这个问题。 这需要更多的LLM调用。

4. 使用多查询和上下文过滤等高级RAG技术来获得更好的结果。在制作嵌入时会提取表格（如果有的话）。

5. 在结构化EDA GPT部分，为您提供交互式可视化、pygwalker集成和富有上下文的分析报告。

6. 您可以与EDA GPT对话，要求它生成可视化效果，对数据框执行复杂查询，得出洞察，查看特征之间的关系等。所有这些都可以通过自然语言完成。

7. 支持多种LLM，考虑到隐私，可以使用ollama模型进行离线分析。

8. 实现了自动清理功能，可以根据线性回归等各种参数清理数据。

9. 在需要时使用分类模型进行更快的推理，而不是使用LLM进行显式分类。

注意：建议在分析完成后，手动向LLM提供丰富的上下文数据，以获得更好的结果。

建议：Gemini、OpenAI、Claude3和LLAMA 3模型比大多数其他模型效果更好。

系统架构

1. 结构化数据EDA

[此处省略mermaid图表代码]

2. 非结构化数据EDA

[此处省略mermaid图表代码] embeddings(创建向量嵌入)--|检查结构化数据|-->infer-structure([如果存在则推断表格结构])--同时保存-->docs(文档存储) docs(文档存储)--预处理-->preprocessing([拆分、分块、推断表格、文本数据中的结构]) preprocessing--嵌入-->embed&save(保存到向量存储)--保存-->vstore[(向量嵌入)] 结束

子图 EDAGPT-聊天界面 子图 聊天 chatinterface(与数据对话) -- 用户提问 --> Q&A[Q&A 接口运行] --> clf(分类模型)--|用户问题|-->models

     子图 多分类模型
     models(模型：随机森林、朴素贝叶斯)--分类-->analysis[分析]
     models(模型：随机森林、朴素贝叶斯)--分类-->vision[视觉]
     models(模型：随机森林、朴素贝叶斯)--分类-->search[搜索]
     结束
     
  结束

  子图 分析
  analysis[分析]-->datanalyst([从文档回答问题])
  datanalyst--请求-->vstore-->docschain(创建stuff-docs链)
  结束
  子图 视觉
  vision[视觉]-->multimodal-LLM(多模态大语言模型)-->result
  结束
  子图 搜索代理
  search[搜索]-->multimodalsearch[多模态搜索代理]-->agents
  结束

结束 子图 代理 agents-->funcs{能力}

子图 功能 funcs-->internet([搜索互联网])-->services([Duckduckgo、Tavily、Google]) funcs-->scrape([爬虫]) funcs-->findocs([利用文档])-->datanalyst funcs-->visioncapabilities([利用视觉])-->vision 结束

子图 合并 internet & scrape & findocs & visioncapabilities --> combine([合并结果]) combine([合并结果])-->working[基于思考/行动/观察使用各种工具的排列组合]-->result 结束

结束

为什么在结构化部分使用FAISS作为向量数据库？

- FAISS使用基于倒排文件的索引策略来索引嵌入，适用于10MB到约2GB范围的数据集。对于更高内存需求的数据集，可以使用基于图的索引、混合索引或磁盘索引。对于大多数日常用途，FAISS是一个不错的选择。

- Chroma数据库用于相对较大的文件，文本语料更多（例如：130页的PDF）。它使用层次可导航小世界算法进行索引，这对于执行相似度搜索时的knn算法很有效。

应用程序中的优化？

- EDA GPT针对最大并行处理进行了优化。它并行嵌入大量文档并将它们添加到Chroma中。

- 它针对搜索互联网、文档以及从结构化和非结构化数据创建分析报告进行了大量优化。

- 使用了高阈值的多查询检索、集成检索等先进的检索技术，结合相似度搜索，以获取有用的文档。

- 具有高上下文窗口的大型语言模型（如gemini-pro-1.5）最适合处理大量数据。由于LLM的上下文有限，不建议一次性输入海量数据。我们建议将大型PDF分成较小的PDF（如果可能），并在一个会话中处理独立数据。例如，一个包含超过500万字的1000页PDF应该被分割以提高效率。

- 数据在每个点都进行缓存，以加快推理速度。

EDA GPT结构化数据分析示例：
- 笔记本链接：https://colab.research.google.com/drive/1vqMTPWeSlF7iYG06PFkrYw9lxcnrrmaE?usp=sharing#scrollTo=9dzFcTeY53eG

要深入了解应用程序，请查看[低级设计文档（Markdown格式）](pages/src/Database/assets/LLD.md)和[高级设计PDF](pages/src/Database/assets/HLD.pdf)

如何启动应用程序

要使用此应用程序，请按以下步骤操作：

1. **克隆仓库**：
   ```bash
   git clone https://github.com/shaunthecomputerscientist/EDA-GPT.git
   cd EDA-GPT
2. **创建虚拟环境并安装依赖项**：
   ```bash
      pip install -r requirements.txt
3. **在.streamlit文件夹内设置secrets.toml**：

   ![API密钥](https://yellow-cdn.veclightyear.com/835a84d5/ed978cc8-db30-4858-9208-7d8115be0319.png)

   ### 您可以参考所有服务的文档来创建API密钥。
4. **启动应用程序**：
   ```bash
      streamlit run Home.py

反馈和支持 我们重视您的反馈，并不断努力改进EDA GPT。如果您遇到任何问题或有改进建议，请随时联系我们的支持团队。开发者联系方式：mrpolymathematica@gmail.com

重要说明：本项目是作为ineuron实习项目的一部分在一个月内完成的。