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。代码解释器适用于 Looker(原始版本)和 Looker (Google Cloud Core) 实例中的对话式分析数据代理。

与标准 SQL 支持的 BI 体验相比,代码解释器支持各种数据分析,从基本计算和图表到更高级的任务(如时序预测)。代码解释器通过让用户执行这些类型的高级分析来增强对话式分析,否则通常需要具备高级编码或统计方法的专业知识。

本页面介绍了如何启用代码解释器以用于 Looker 实例,以及如何代码解释器与对话式分析数据代理搭配使用。

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

准备工作

如需使用代码解释器,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代理的权限:

  • 如需在 Looker(原始版本)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启用代码解释器,并使其可供对话式分析用户使用:

  1. 管理员 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 的可信测试员功能。必须启用此设置,才能允许用户将代码解释器与对话式分析搭配使用。
  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,此设置会自动启用。
  5. 选择启用代码解释器 。启用此设置后,用户可以在对话式分析数据代理中使用代码解释器。只有在同时启用启用可信测试员功能 设置后,才能启用此设置。

对于符合以下条件的 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)实例中开启启用 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 管理员必须按照以下步骤启用代码解释器,并使其可供对话式分析用户使用:

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

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

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

为给定数据代理启用代码解释器后,与该代理的所有对话都将提供增强的分析功能。

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

已知限制

  • 代码解释器使用 Python 解决问题。由于 Python 比结构化查询语言更灵活,因此代码解释器的响应可能比核心对话式分析体验的响应具有更多变性。
  • 对于 Looker 数据,对话式分析每次查询最多可返回 5,000 行。
  • 代码解释器仅支持以下 Python 库
  • 代码解释器响应不支持以下可视化图表类型:
    • 地图

此功能处于正式发布前阶段。如需获得有关错误、意外结果、反馈的支持,或请求支持其他 Python 库,请发送电子邮件至 conversational-analytics-feedback@google.com

如需了解其他限制,请参阅对话式分析中的已知限制文档

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 标准类型的受支持问题。例如:

  • 您能否根据我的数据说明销售额的关键驱动因素?
  • 考虑到平均购买频率和平均订单价值,每个客户细分群体的生命周期价值是多少?
  • 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,以帮助识别表现特别好或特别差的产品或区域。
  • 执行同类群组分析,了解客户留存率。
  • 利润最高的产品也是最受欢迎的产品吗?使用此答案提供有关如何优化产品组合的建议。
  • 过去 3 年,按商品类别划分的销售额的复合年增长率 (CAGR) 是多少?
  • 以条形图的形式显示 CAGR,其中 x 轴为商品类别,y 轴为 CAGR。