Converse com os dados da maneira mais fácil em R ou Python

Salvar o seguinte código para app.py e inicie o aplicativo com shiny run app.py. Eu o executei dentro do Positron IDE com a extensão brilhante instalada; O código vs deve funcionar da mesma forma:

import chatlas
import querychat as qc
import pandas as pd
from shiny import App, render, ui
from dotenv import load_dotenv
from pathlib import Path

load_dotenv()

games = pd.read_feather("games_py.feather")


def use_openai_models(system_prompt: str) -> chatlas.Chat:
   return chatlas.ChatOpenAI(
       model="gpt-4.1",
       system_prompt=system_prompt,
   )  

querychat_config = qc.init(
    data_source=games,
    table_name="games",
    greeting=Path("greeting.md"),
    data_description=Path("data_dictionary_py.txt"),
    create_chat_callback= use_openai_models 
)

# Create UI
app_ui = ui.page_sidebar(
    qc.sidebar("chat"),
    ui.output_data_frame("data_table"),
)


# Shiny server logic
def server(input, output, session):
    # This create a querychat object using the configuration from above
    chat = qc.server("chat", querychat_config)

    #    chat.df() is the filtered/sorted reactive data frame
    @render.data_frame
    def data_table():
        return chat.df()

# Create Shiny app
app = App(app_ui, server)

Agora você deve ter um aplicativo brilhante básico que responda perguntas sobre dados da NFL.

Há muito mais que você pode fazer com esses pacotes, incluindo a conexão com um banco de dados SQL e aprimorando o aplicativo brilhante. Posit CTO Joe Cheng, o criador do QueryChat, demonstrou uma versão expandida do Python como um aplicativo de painel do QueryChat completo. Há um modelo para ele na galeria brilhante para Python:

Há também um repositório de demonstração para uma parte lateral R que você pode ser executado localmente clonando o repositório R Sidebot Github. Ou, você pode examinar o app.R Arquivo no repositório para obter idéias de como você pode criar uma.