启用并使用代码解释器

对话式分析中的代码解释器会将您的自然语言问题转换为 Python 代码,并执行该代码以提供高级分析和可视化图表。在 Looker(原始版本)和 Looker (Google Cloud Core) 实例中,对话式分析数据代理均可使用代码解释器。

与标准 SQL 驱动的 BI 体验不同,代码解释器支持各种数据分析,从基本计算和图表绘制到更高级的任务(如时序预测)。借助代码解释器,用户可以执行这些类型的高级分析,而无需具备高级编码或统计方法的专业知识,从而增强对话式分析功能。

本页面介绍了如何为 Looker 实例启用代码解释器,以及如何将代码解释器与对话式分析数据代理搭配使用

了解 Gemini for Google Cloud 如何以及何时使用您的数据

准备工作

如要使用代码解释器,您必须满足在 Looker 中使用对话式分析的要求,包括创建和使用数据智能体的权限:

  • 如需在 Looker(原始)实例中将代码解释器与对话式分析数据代理搭配使用,您的实例必须使用 Looker 25.18 或更高版本。

启用代码解释器

本部分介绍了如何在以下平台中启用代码解释器:

在 Looker(原始版本)中启用代码解释器

在 Looker(原始版本)实例中,Looker 管理员必须按照以下步骤操作,才能启用代码解释器并使其可供对话分析用户使用:

  1. 管理面板中,前往平台部分,然后选择 Gemini in Looker 页面。
  2. Gemini in Looker 启用下,开启启用 Gemini in Looker 设置。
  3. 选择启用可信测试员功能。启用此设置后,用户可以使用 Gemini in Looker 中的可信测试员功能。必须启用此设置,用户才能通过对话分析功能访问代码解释器。
  4. (可选)选择启用可信测试员数据使用。启用此设置后,即表示您同意 Google 按照《Gemini for Google Cloud 可信测试员计划条款》中所述的方式使用您的数据。只有在启用了启用可信测试员功能设置后,才能启用此设置。启用启用可信测试员功能设置后,系统会自动启用此设置。
  5. 选择启用代码解释器。启用此设置后,用户可以在对话分析数据代理中访问代码解释器。只有在同时启用启用可信测试员功能设置时,才能启用此设置。

对于满足以下条件的 Looker(原始版本)实例,启用代码解释器设置默认处于启用状态:

  • 在您将 Looker(原始版本)实例更新到 Looker 25.8 之前,Looker 管理员已在您的 Looker(原始版本)实例中启用启用 Gemini in Looker启用可信测试员功能 设置。
  • Looker 管理员在发布部署的第一天将您的实例更新到了 Looker 25.8。

在 Looker (Google Cloud Core) 中启用代码解释器

在 Looker (Google Cloud Core) 实例中,Looker 管理员必须按以下步骤操作,才能启用代码解释器并向对话式分析用户提供该功能:

  1. 依次前往管理面板 > 平台部分 > Gemini in Looker 页面。
  2. 启用代码解释器

即使在 Google Cloud 控制台中的 Looker (Google Cloud Core) 实例设置中启用了 Gemini in Looker,代码解释器也会默认处于停用状态。

Looker 管理员必须先向用户授予 gemini_in_looker 权限,然后用户才能使用代码解释器。

将代码解释器与对话式分析数据代理搭配使用

为特定数据代理启用代码解释器后,与该代理进行的所有对话都将具备增强的分析功能。

您可以在创建或修改数据代理时为其启用代码解释器。开启启用高级分析选项,以启用代码解释器。

已知限制

  • 代码解释器使用 Python 来解决问题。由于 Python 比结构化查询语言更灵活,因此代码解释器的回答可能比核心对话式分析体验的回答更具多样性。
  • 对于 Looker 数据,Conversational Analytics 每次查询最多可返回 5,000 行。
  • 代码解释器支持这些 Python 库。如需请求支持其他 Python 库,请发送电子邮件至 conversational-analytics-feedback@google.com
  • 代码解释器回答不支持以下可视化图表类型:
    • 地图

如需了解其他限制,请参阅有关 Conversational Analytics 中的已知限制的文档。

受支持的 Python 库

显示受支持的 Python 库

代码解释器支持以下 Python 库:

  • altair
  • attrs
  • chess
  • contourpy
  • cycler
  • entrypoints
  • fonttools
  • fpdf
  • geopandas
  • imageio
  • jinja2
  • joblib
  • jsonschema
  • jsonschema-specifications
  • kiwisolver
  • lxml
  • markupsafe
  • matplotlib
  • mpmath
  • numexpr
  • numpy
  • opencv-python
  • openpyxl
  • packaging
  • pandas
  • patsy
  • pdfminer-six
  • pillow
  • plotly
  • protobuf
  • pylatex
  • pyparsing
  • PyPDF2
  • python-dateutil
  • python-docx
  • python-pptx
  • pytz
  • referencing
  • reportlab
  • rpds-py
  • scikit-image
  • scikit-learn
  • scipy
  • seaborn
  • six
  • statsmodels
  • striprtf
  • sympy
  • tabulate
  • tensorflow
  • threadpoolctl
  • toolz
  • torch
  • tzdata
  • xlrd

建议的问题

启用代码解释器后,Python 的高级分析功能可让对话式分析数据代理回答更多问题,而不仅仅是标准支持的问题类型。例如:

  • 您能根据我的数据说明销售额的关键驱动因素吗?
  • 每个客户细分的生命周期价值是多少?其中已将平均购买频率和平均订单价值考虑在内。
  • 今年的销售额与去年的销售额相比如何?
  • 识别销售数据中的离群值,以帮助确定表现特别好或特别差的产品或区域。
  • 执行同类群组分析,了解客户留存情况。
  • 利润最高的产品是否也是最受欢迎的产品?使用此答案提供有关如何优化我的产品组合的建议。
  • 过去 3 年内,各产品类别的销售额复合年增长率 (CAGR) 是多少?
  • 以条形图显示复合年增长率,其中 x 轴为产品类别,y 轴为复合年增长率。