Phi-3-mini-128k-instruct数据预处理实战使用VLOOKUP逻辑整理表格数据你是不是也经常被一堆杂乱无章的表格数据搞得头大销售数据在一个表客户信息在另一个表产品清单又在第三个表里。每次做分析前都得花上大半天时间手动复制粘贴、查找匹配不仅效率低还容易出错。今天咱们就来点不一样的。不用再死记硬背复杂的Excel公式也不用一行行地写Python代码。我带你用Phi-3-mini-128k-instruct这个轻量级大模型像跟一个懂行的同事聊天一样把复杂的数据整理需求说清楚让它直接给你生成清晰的步骤甚至把可用的代码都准备好。这篇文章就是一份手把手的实战指南。我会用一个非常贴近工作的例子——跨多个表格匹配和合并数据来展示怎么把大模型变成你的“数据分析助手”。你会发现处理那些让人头疼的VLOOKUP问题原来可以这么简单直接。1. 准备工作认识你的新助手与环境搭建在开始“使唤”模型帮我们干活之前得先把它请到我们的工作环境里来。Phi-3-mini-128k-instruct是微软推出的一款小巧但能力不俗的模型特别擅长遵循指令和进行推理处理我们这种结构化的数据问题正合适。1.1 模型选择与访问你不需要成为AI专家才能用它。现在有很多平台提供了开箱即用的体验。比如你可以在一些在线的AI开发平台或提供了该模型镜像的云计算服务上直接找到一个预配置好的环境。通常你只需要找到一个提供Phi-3-mini-128k-instruct模型的镜像或服务。按照指引点击“部署”或“启动”等上几分钟。环境就绪后你会看到一个类似聊天框的界面这就是我们和模型对话的窗口。整个过程就像安装一个普通的软件一样简单不需要配置复杂的Python环境或深度学习框架。如果你在部署中遇到“CUDA内存不足”这类问题通常是因为选择的资源规格如GPU型号不够。尝试选择内存更大的GPU规格比如从7B型号切换到更大的或者检查平台是否有针对该模型的优化版本问题大多能解决。1.2 明确我们的“任务剧本”好助手就位了。接下来我们得想清楚要让它演一出什么戏。数据整理的需求千变万化但核心逻辑往往相通。为了这次演示我设计了一个非常典型的业务场景假设你在一家电商公司手头有三个表格订单表 (orders.csv)记录了每一笔订单包含订单ID、产品ID和销售数量。产品表 (products.csv)记录了所有产品的详细信息包含产品ID、产品名称和单价。客户表 (customers.csv)记录了客户信息包含客户ID和客户姓名。但是订单表里只有客户ID没有客户姓名只有产品ID没有产品名称和单价。你的老板让你整理一份清晰的报表需要看到每一笔订单的完整信息订单ID、客户姓名、产品名称、单价、销售数量并且还要计算出每一笔订单的销售额单价*数量。这不就是经典的VLOOKUP多表匹配问题吗没错。下面我们就看看怎么让Phi-3-mini来帮我们搞定它。2. 第一步像沟通需求一样与模型对话很多人用大模型喜欢直接扔一句“帮我处理数据”结果得到的回答往往笼统而无效。高效的协作始于清晰的指令。和Phi-3-mini沟通就像你给实习生布置任务一样需要背景、细节和明确的目标。2.1 构建清晰的提示词一个好的提示词Prompt是成功的关键。别担心这不复杂。针对我们的场景你可以这样输入“我需要处理三个CSV表格文件需要将它们合并并计算一些信息。请为我提供详细的步骤说明如果可能请给出Python pandas代码来实现。背景如下我有三个表格orders.csv列包括order_id,customer_id,product_id,quantityproducts.csv列包括product_id,product_name,unit_pricecustomers.csv列包括customer_id,customer_name我的目标是生成一个新的表格包含每一笔订单的完整信息列包括order_id,customer_name,product_name,unit_price,quantity并新增一列total_sales其值为unit_price * quantity。逻辑是需要先用customer_id从customers表找到对应的customer_name用product_id从products表找到对应的product_name和unit_price然后合并到orders表中最后进行计算。请分步骤指导我该怎么做并提供一个完整的、可运行的pandas代码示例。”这段提示词好在哪里它包含了角色设定你在处理数据、具体输入三个文件及其结构、明确输出新表格的列定义和核心逻辑匹配与计算。模型有了这些信息就能给出极具针对性的回答。2.2 理解模型的“思考”过程你可能会问模型真的“理解”VLOOKUP吗它并不理解Excel那个具体的函数但它深刻理解“基于键值在表A中查找表B的对应信息并合并”这个抽象逻辑。当你用自然语言描述出“用A表的X列去B表找到匹配的Y列然后把B表的Z列拿过来”时它就能将其映射到正确的数据处理操作上在pandas里就是merge操作。所以与其说我们在教模型用VLOOKUP不如说我们在用人类的思维方式描述一个数据链接需求而模型则用程序员的思维将其翻译成代码。这个过程极大地降低了我们直接面对代码语法的门槛。3. 第二步解析与执行模型生成的方案发出清晰的指令后Phi-3-mini通常会给你一份结构清晰的回复。我们来看看它可能会给出什么以及我们该如何理解和运用。3.1 拆解模型提供的步骤指南模型的回复很可能从逻辑步骤开始。它可能会这样组织数据加载使用pandas的read_csv函数分别读取三个CSV文件。数据预览与检查建议你先查看一下数据形状和前几行确保数据被正确加载并检查是否有缺失的键值比如orders表里的某个product_id在products表里找不到。核心合并操作首先将orders表与customers表进行合并基于共同的customer_id列将customer_name添加进来。接着将上一步的结果再与products表进行合并基于共同的product_id列将product_name和unit_price添加进来。计算衍生字段在新合并的表格中创建total_sales列其值等于unit_price列乘以quantity列。选择与整理列按照目标要求筛选并排列最终的列顺序。结果保存与输出将最终的数据框保存为新的CSV文件或直接显示出来。这些步骤是不是和你自己心里盘算的逻辑一模一样模型帮你把模糊的想法结构化成了可执行的行动清单。3.2 运行模型生成的Pandas代码更妙的是模型几乎一定会附上一段完整的Python代码。这段代码就是上面步骤的具体实现。你得到的代码可能长这样import pandas as pd # 1. 加载数据 orders_df pd.read_csv(orders.csv) products_df pd.read_csv(products.csv) customers_df pd.read_csv(customers.csv) # 2. 检查数据可选但推荐 print(订单表形状:, orders_df.shape) print(产品表形状:, products_df.shape) print(客户表形状:, customers_df.shape) # 查看是否有缺失的匹配键 missing_customers orders_df[~orders_df[customer_id].isin(customers_df[customer_id])] missing_products orders_df[~orders_df[product_id].isin(products_df[product_id])] if not missing_customers.empty: print(警告以下订单的customer_id在客户表中找不到:, missing_customers[[order_id, customer_id]]) if not missing_products.empty: print(警告以下订单的product_id在产品表中找不到:, missing_products[[order_id, product_id]]) # 3. 合并表格 (类似Excel的VLOOKUP) # 先将订单表和客户表合并 merged_df pd.merge(orders_df, customers_df, oncustomer_id, howleft) # 再将结果与产品表合并 merged_df pd.merge(merged_df, products_df, onproduct_id, howleft) # 4. 计算销售额 merged_df[total_sales] merged_df[unit_price] * merged_df[quantity] # 5. 选择并排列最终需要的列 final_df merged_df[[order_id, customer_name, product_name, unit_price, quantity, total_sales]] # 6. 输出结果 print(final_df.head()) # 预览前几行 final_df.to_csv(merged_orders_report.csv, indexFalse) # 保存到新文件 print(数据处理完成结果已保存至 merged_orders_report.csv)拿到这段代码后你只需要做两件事确保文件路径正确把orders.csv、products.csv、customers.csv这三个文件放在和你的Python脚本相同的目录下或者修改代码中的文件路径。运行它在你的Python环境比如Jupyter Notebook或VS Code中运行这段代码。如果一切顺利你会立刻在屏幕上看到处理好的数据预览并且文件夹里会多出一个名为merged_orders_report.csv的新文件里面就是老板要的完整报表。4. 第三步从“能用”到“好用”的进阶技巧一次成功的合并令人兴奋但真实世界的数据往往没那么“干净”。模型生成的代码是一个完美的起点但我们可以让它变得更强大、更智能。4.1 处理现实世界的脏数据模型生成的代码使用了howleft的合并方式这意味着即使orders表里的某个ID在对应表中找不到该行订单也会被保留只是对应的客户名或产品信息会显示为NaN空值。这很好但我们可以更进一步。场景一处理重复项。如果products.csv里意外地有两条product_id相同的记录怎么办这会导致合并后订单行数变多。我们可以在合并前提醒模型“请确保在合并前检查并处理键值列的唯一性。”模型可能会建议你添加products_df.drop_duplicates(subset[product_id])这样的代码。场景二更灵活的数据匹配。有时表格的列名并不完全一致比如一个表叫ProductID另一个叫product_id。你可以告诉模型“两个表的键值列名不同请处理这种情况。”模型会指导你使用pd.merge(df1, df2, left_onProductID, right_onproduct_id)这样的语法。场景三异常值与格式清洗。数字价格里混入了“$”符号或者日期格式五花八门。你可以提出新需求“在合并前请先清洗unit_price列移除货币符号并转换为浮点数。”模型会为你生成相应的数据清洗代码片段。4.2 将逻辑封装为可复用的工具如果你需要频繁处理类似但略有不同的表格每次都重新描述一遍需求有点低效。你可以引导模型帮你创建一个更通用的函数。你可以这样问“基于上面的需求请帮我编写一个Python函数函数接受三个DataFrame作为输入并返回合并计算后的最终DataFrame。这样我以后处理类似结构的数据时可以直接调用。”模型可能会生成如下代码def generate_sales_report(orders_df, customers_df, products_df): 根据订单、客户、产品数据框生成销售报告。 # 合并逻辑 merged_df pd.merge(orders_df, customers_df, oncustomer_id, howleft) merged_df pd.merge(merged_df, products_df, onproduct_id, howleft) # 计算逻辑 merged_df[total_sales] merged_df[unit_price] * merged_df[quantity] # 选择列 final_df merged_df[[order_id, customer_name, product_name, unit_price, quantity, total_sales]] return final_df # 使用方式 orders pd.read_csv(new_orders.csv) customers pd.read_csv(new_customers.csv) products pd.read_csv(new_products.csv) report generate_sales_report(orders, customers, products)看通过迭代式的对话你不仅解决了眼前的问题还获得了一个可以持续使用的自动化小工具。这才是人机协作效率提升的体现。5. 举一反三还能用模型处理哪些数据问题掌握了“描述需求-获取方案”这个核心模式后你会发现Phi-3-mini这类模型能帮你应对的办公自动化场景远不止多表合并。复杂的数据筛选与分组统计你可以描述如“找出所有在华北地区、单笔销售额超过1000元且购买过A类产品的客户并统计他们的购买频次和总金额”这样的复杂查询。模型会为你生成组合了query、groupby、agg等操作的pandas代码。文本数据的提取与规整比如从杂乱的“地址”字段中提取省份、城市信息。你可以说“我有一个address列格式不一例如‘北京市海淀区xx路1号’、‘上海浦东新区yy大道100号’。请生成代码提取出其中的省/市名并创建新的city列。”模型可能会建议你使用正则表达式str.extract或字符串方法来实现。自动化报告生成在完成数据清洗和分析后你可以进一步提出“将上面得到的final_df按customer_name分组计算每个客户的总销售额和平均订单金额并生成一个格式美观的Markdown表格输出。”模型可以帮你补全数据聚合和格式化的最后一步。其核心在于你不需要记忆pandas那数百个函数和方法的具体语法你只需要用自然语言定义清楚你要做什么。模型扮演了一个“高级翻译”和“代码生成器”的角色将你的意图转化为精确的指令。回过头看我们并没有直接去写VLOOKUP公式也没有死记硬背pandas的merge函数参数。我们只是把工作中那个最让人头疼的、涉及多个表格的数据整理问题用大白话描述给了Phi-3-mini。它就像一位反应迅速、不知疲倦的助理不仅听懂了还立刻给出了从步骤到代码的一揽子解决方案。这次实战的核心收获是一种新的工作思路将你的业务逻辑作为“需求”提出将大模型视为“执行引擎”。你负责把握方向和规则它负责实现细节和语法。这种协作方式尤其适合解决那些有固定模式但步骤繁琐的办公自动化任务。当然模型生成的代码第一次不一定完美可能会遇到数据格式不对、路径错误等小问题。但这正是你发挥价值的地方——像一个产品经理一样根据运行结果给出更精确的反馈“客户ID列里有空格需要先去除”引导模型迭代出更健壮的方案。多试几次你会越来越擅长向它“布置任务”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Phi-3-mini-128k-instruct数据预处理实战：使用VLOOKUP逻辑整理表格数据
发布时间：2026/5/18 2:35:21
Phi-3-mini-128k-instruct数据预处理实战使用VLOOKUP逻辑整理表格数据你是不是也经常被一堆杂乱无章的表格数据搞得头大销售数据在一个表客户信息在另一个表产品清单又在第三个表里。每次做分析前都得花上大半天时间手动复制粘贴、查找匹配不仅效率低还容易出错。今天咱们就来点不一样的。不用再死记硬背复杂的Excel公式也不用一行行地写Python代码。我带你用Phi-3-mini-128k-instruct这个轻量级大模型像跟一个懂行的同事聊天一样把复杂的数据整理需求说清楚让它直接给你生成清晰的步骤甚至把可用的代码都准备好。这篇文章就是一份手把手的实战指南。我会用一个非常贴近工作的例子——跨多个表格匹配和合并数据来展示怎么把大模型变成你的“数据分析助手”。你会发现处理那些让人头疼的VLOOKUP问题原来可以这么简单直接。1. 准备工作认识你的新助手与环境搭建在开始“使唤”模型帮我们干活之前得先把它请到我们的工作环境里来。Phi-3-mini-128k-instruct是微软推出的一款小巧但能力不俗的模型特别擅长遵循指令和进行推理处理我们这种结构化的数据问题正合适。1.1 模型选择与访问你不需要成为AI专家才能用它。现在有很多平台提供了开箱即用的体验。比如你可以在一些在线的AI开发平台或提供了该模型镜像的云计算服务上直接找到一个预配置好的环境。通常你只需要找到一个提供Phi-3-mini-128k-instruct模型的镜像或服务。按照指引点击“部署”或“启动”等上几分钟。环境就绪后你会看到一个类似聊天框的界面这就是我们和模型对话的窗口。整个过程就像安装一个普通的软件一样简单不需要配置复杂的Python环境或深度学习框架。如果你在部署中遇到“CUDA内存不足”这类问题通常是因为选择的资源规格如GPU型号不够。尝试选择内存更大的GPU规格比如从7B型号切换到更大的或者检查平台是否有针对该模型的优化版本问题大多能解决。1.2 明确我们的“任务剧本”好助手就位了。接下来我们得想清楚要让它演一出什么戏。数据整理的需求千变万化但核心逻辑往往相通。为了这次演示我设计了一个非常典型的业务场景假设你在一家电商公司手头有三个表格订单表 (orders.csv)记录了每一笔订单包含订单ID、产品ID和销售数量。产品表 (products.csv)记录了所有产品的详细信息包含产品ID、产品名称和单价。客户表 (customers.csv)记录了客户信息包含客户ID和客户姓名。但是订单表里只有客户ID没有客户姓名只有产品ID没有产品名称和单价。你的老板让你整理一份清晰的报表需要看到每一笔订单的完整信息订单ID、客户姓名、产品名称、单价、销售数量并且还要计算出每一笔订单的销售额单价*数量。这不就是经典的VLOOKUP多表匹配问题吗没错。下面我们就看看怎么让Phi-3-mini来帮我们搞定它。2. 第一步像沟通需求一样与模型对话很多人用大模型喜欢直接扔一句“帮我处理数据”结果得到的回答往往笼统而无效。高效的协作始于清晰的指令。和Phi-3-mini沟通就像你给实习生布置任务一样需要背景、细节和明确的目标。2.1 构建清晰的提示词一个好的提示词Prompt是成功的关键。别担心这不复杂。针对我们的场景你可以这样输入“我需要处理三个CSV表格文件需要将它们合并并计算一些信息。请为我提供详细的步骤说明如果可能请给出Python pandas代码来实现。背景如下我有三个表格orders.csv列包括order_id,customer_id,product_id,quantityproducts.csv列包括product_id,product_name,unit_pricecustomers.csv列包括customer_id,customer_name我的目标是生成一个新的表格包含每一笔订单的完整信息列包括order_id,customer_name,product_name,unit_price,quantity并新增一列total_sales其值为unit_price * quantity。逻辑是需要先用customer_id从customers表找到对应的customer_name用product_id从products表找到对应的product_name和unit_price然后合并到orders表中最后进行计算。请分步骤指导我该怎么做并提供一个完整的、可运行的pandas代码示例。”这段提示词好在哪里它包含了角色设定你在处理数据、具体输入三个文件及其结构、明确输出新表格的列定义和核心逻辑匹配与计算。模型有了这些信息就能给出极具针对性的回答。2.2 理解模型的“思考”过程你可能会问模型真的“理解”VLOOKUP吗它并不理解Excel那个具体的函数但它深刻理解“基于键值在表A中查找表B的对应信息并合并”这个抽象逻辑。当你用自然语言描述出“用A表的X列去B表找到匹配的Y列然后把B表的Z列拿过来”时它就能将其映射到正确的数据处理操作上在pandas里就是merge操作。所以与其说我们在教模型用VLOOKUP不如说我们在用人类的思维方式描述一个数据链接需求而模型则用程序员的思维将其翻译成代码。这个过程极大地降低了我们直接面对代码语法的门槛。3. 第二步解析与执行模型生成的方案发出清晰的指令后Phi-3-mini通常会给你一份结构清晰的回复。我们来看看它可能会给出什么以及我们该如何理解和运用。3.1 拆解模型提供的步骤指南模型的回复很可能从逻辑步骤开始。它可能会这样组织数据加载使用pandas的read_csv函数分别读取三个CSV文件。数据预览与检查建议你先查看一下数据形状和前几行确保数据被正确加载并检查是否有缺失的键值比如orders表里的某个product_id在products表里找不到。核心合并操作首先将orders表与customers表进行合并基于共同的customer_id列将customer_name添加进来。接着将上一步的结果再与products表进行合并基于共同的product_id列将product_name和unit_price添加进来。计算衍生字段在新合并的表格中创建total_sales列其值等于unit_price列乘以quantity列。选择与整理列按照目标要求筛选并排列最终的列顺序。结果保存与输出将最终的数据框保存为新的CSV文件或直接显示出来。这些步骤是不是和你自己心里盘算的逻辑一模一样模型帮你把模糊的想法结构化成了可执行的行动清单。3.2 运行模型生成的Pandas代码更妙的是模型几乎一定会附上一段完整的Python代码。这段代码就是上面步骤的具体实现。你得到的代码可能长这样import pandas as pd # 1. 加载数据 orders_df pd.read_csv(orders.csv) products_df pd.read_csv(products.csv) customers_df pd.read_csv(customers.csv) # 2. 检查数据可选但推荐 print(订单表形状:, orders_df.shape) print(产品表形状:, products_df.shape) print(客户表形状:, customers_df.shape) # 查看是否有缺失的匹配键 missing_customers orders_df[~orders_df[customer_id].isin(customers_df[customer_id])] missing_products orders_df[~orders_df[product_id].isin(products_df[product_id])] if not missing_customers.empty: print(警告以下订单的customer_id在客户表中找不到:, missing_customers[[order_id, customer_id]]) if not missing_products.empty: print(警告以下订单的product_id在产品表中找不到:, missing_products[[order_id, product_id]]) # 3. 合并表格 (类似Excel的VLOOKUP) # 先将订单表和客户表合并 merged_df pd.merge(orders_df, customers_df, oncustomer_id, howleft) # 再将结果与产品表合并 merged_df pd.merge(merged_df, products_df, onproduct_id, howleft) # 4. 计算销售额 merged_df[total_sales] merged_df[unit_price] * merged_df[quantity] # 5. 选择并排列最终需要的列 final_df merged_df[[order_id, customer_name, product_name, unit_price, quantity, total_sales]] # 6. 输出结果 print(final_df.head()) # 预览前几行 final_df.to_csv(merged_orders_report.csv, indexFalse) # 保存到新文件 print(数据处理完成结果已保存至 merged_orders_report.csv)拿到这段代码后你只需要做两件事确保文件路径正确把orders.csv、products.csv、customers.csv这三个文件放在和你的Python脚本相同的目录下或者修改代码中的文件路径。运行它在你的Python环境比如Jupyter Notebook或VS Code中运行这段代码。如果一切顺利你会立刻在屏幕上看到处理好的数据预览并且文件夹里会多出一个名为merged_orders_report.csv的新文件里面就是老板要的完整报表。4. 第三步从“能用”到“好用”的进阶技巧一次成功的合并令人兴奋但真实世界的数据往往没那么“干净”。模型生成的代码是一个完美的起点但我们可以让它变得更强大、更智能。4.1 处理现实世界的脏数据模型生成的代码使用了howleft的合并方式这意味着即使orders表里的某个ID在对应表中找不到该行订单也会被保留只是对应的客户名或产品信息会显示为NaN空值。这很好但我们可以更进一步。场景一处理重复项。如果products.csv里意外地有两条product_id相同的记录怎么办这会导致合并后订单行数变多。我们可以在合并前提醒模型“请确保在合并前检查并处理键值列的唯一性。”模型可能会建议你添加products_df.drop_duplicates(subset[product_id])这样的代码。场景二更灵活的数据匹配。有时表格的列名并不完全一致比如一个表叫ProductID另一个叫product_id。你可以告诉模型“两个表的键值列名不同请处理这种情况。”模型会指导你使用pd.merge(df1, df2, left_onProductID, right_onproduct_id)这样的语法。场景三异常值与格式清洗。数字价格里混入了“$”符号或者日期格式五花八门。你可以提出新需求“在合并前请先清洗unit_price列移除货币符号并转换为浮点数。”模型会为你生成相应的数据清洗代码片段。4.2 将逻辑封装为可复用的工具如果你需要频繁处理类似但略有不同的表格每次都重新描述一遍需求有点低效。你可以引导模型帮你创建一个更通用的函数。你可以这样问“基于上面的需求请帮我编写一个Python函数函数接受三个DataFrame作为输入并返回合并计算后的最终DataFrame。这样我以后处理类似结构的数据时可以直接调用。”模型可能会生成如下代码def generate_sales_report(orders_df, customers_df, products_df): 根据订单、客户、产品数据框生成销售报告。 # 合并逻辑 merged_df pd.merge(orders_df, customers_df, oncustomer_id, howleft) merged_df pd.merge(merged_df, products_df, onproduct_id, howleft) # 计算逻辑 merged_df[total_sales] merged_df[unit_price] * merged_df[quantity] # 选择列 final_df merged_df[[order_id, customer_name, product_name, unit_price, quantity, total_sales]] return final_df # 使用方式 orders pd.read_csv(new_orders.csv) customers pd.read_csv(new_customers.csv) products pd.read_csv(new_products.csv) report generate_sales_report(orders, customers, products)看通过迭代式的对话你不仅解决了眼前的问题还获得了一个可以持续使用的自动化小工具。这才是人机协作效率提升的体现。5. 举一反三还能用模型处理哪些数据问题掌握了“描述需求-获取方案”这个核心模式后你会发现Phi-3-mini这类模型能帮你应对的办公自动化场景远不止多表合并。复杂的数据筛选与分组统计你可以描述如“找出所有在华北地区、单笔销售额超过1000元且购买过A类产品的客户并统计他们的购买频次和总金额”这样的复杂查询。模型会为你生成组合了query、groupby、agg等操作的pandas代码。文本数据的提取与规整比如从杂乱的“地址”字段中提取省份、城市信息。你可以说“我有一个address列格式不一例如‘北京市海淀区xx路1号’、‘上海浦东新区yy大道100号’。请生成代码提取出其中的省/市名并创建新的city列。”模型可能会建议你使用正则表达式str.extract或字符串方法来实现。自动化报告生成在完成数据清洗和分析后你可以进一步提出“将上面得到的final_df按customer_name分组计算每个客户的总销售额和平均订单金额并生成一个格式美观的Markdown表格输出。”模型可以帮你补全数据聚合和格式化的最后一步。其核心在于你不需要记忆pandas那数百个函数和方法的具体语法你只需要用自然语言定义清楚你要做什么。模型扮演了一个“高级翻译”和“代码生成器”的角色将你的意图转化为精确的指令。回过头看我们并没有直接去写VLOOKUP公式也没有死记硬背pandas的merge函数参数。我们只是把工作中那个最让人头疼的、涉及多个表格的数据整理问题用大白话描述给了Phi-3-mini。它就像一位反应迅速、不知疲倦的助理不仅听懂了还立刻给出了从步骤到代码的一揽子解决方案。这次实战的核心收获是一种新的工作思路将你的业务逻辑作为“需求”提出将大模型视为“执行引擎”。你负责把握方向和规则它负责实现细节和语法。这种协作方式尤其适合解决那些有固定模式但步骤繁琐的办公自动化任务。当然模型生成的代码第一次不一定完美可能会遇到数据格式不对、路径错误等小问题。但这正是你发挥价值的地方——像一个产品经理一样根据运行结果给出更精确的反馈“客户ID列里有空格需要先去除”引导模型迭代出更健壮的方案。多试几次你会越来越擅长向它“布置任务”。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
