律师网站建设哪家好软文范文

目录

1、前言

2、环境准备

3、本地部署

3.1、安装ollama

3.2、部署deepseek-r1模型

4、Python接入本地模型

4.1、示例代码

4.2、附加一些功能

4.3、其他的数据库

4.3.1、PostgreSQL 示例

4.3.2、SQLite 示例

5、总结

---

1、前言

在当今数据驱动的时代，数据分析已成为企业决策和业务优化的关键。DeepSeek 作为一款强大的数据分析工具，能够帮助我们快速从海量数据中提取有价值的信息。本文将详细介绍如何将 ollama+Python+DeepSeek 与数据库结合，进行高效的数据分析。

2、环境准备

这里我自己使用的是Windows11操作系统，因此接下来全部以Windows11操作系统为例。

• windows11，配置8vCPU，16GB内存，512G磁盘
• Mysql数据库，这里使用了MySQL5.7版本
• Python环境，这里使用的是Python 3.11执行器

3、本地部署

3.1、安装ollama

首先，到ollama官网下载对应版本，windows操作系统需要windows10及以上的版本。下载完成后，直接点击安装即可。

安装完成后，在终端窗口输入以下命令：

ollama -v

可以看到对应的ollama版本，即表示安装成功。

3.2、部署deepseek-r1模型

在ollama官网，搜索我们要部署的模型，这里选择deepseek-r1模型，可以看到列出所有蒸馏版本，我们这里由于配置原因，选择1.5b版本。

接着输入以下命令，进行拉取模型：

ollama pull deepseek-r1:1.5b# 当然也可以一部到位直接启动
ollama run deepseek-r1:1.5b

显示success，即表示拉取成功。

拉取成功后，启动该模型：

ollama run deepseek-r1:1.5b

到此，已经启动成功：

可以进行对话了：

4、Python接入本地模型

这里先给出Python这次所需要的一些依赖库，requirements.txt：

mysql-connector-python==8.1.0
ollama==0.1.6
python-dotenv==1.0.0

通过命令安装依赖库：

pip install -r requirements.txt

4.1、示例代码

假设我们有一张表sale_orders的DDL如下：

CREATE TABLE `wxmapp`.`Untitled`  (`id` int NOT NULL,`name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL COMMENT '销售人员名称',`order_name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL COMMENT '订单车型',`sale_time` datetime NULL DEFAULT NULL COMMENT '销售日期',`sale_count` int NULL DEFAULT NULL COMMENT '销售数量',PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

预生成的数据：

接着，我们尝试让DeepSeek分析出销量最高的订单车型。以下是完整代码：

import mysql.connector
import ollama# 数据库连接配置（使用mysql.py中的配置）
config = {'user': 'xxx','password': 'xxx','host': 'xxx','database': 'xxx','raise_on_warnings': True,'charset': 'utf8mb4'
}# 连接数据库
try:conn = mysql.connector.connect(**config)cursor = conn.cursor()cursor.execute("SELECT order_name, sale_count FROM sale_orders")rows = cursor.fetchall()# 使用 DeepSeek 处理数据result = ollama.generate(model='deepseek-r1:1.5b',prompt=f'有一张销售订单数据：{rows}。其中order_name表示订单车型名称，sale_count表示销售数量。现在请分析销量前三的订单车型。直接给出结果，不需要给出推理过程').get('response', '')print(f"DeepSeek Analysis: {result}")except mysql.connector.Error as err:print(f"Error: {err}")finally:# 关闭连接if conn.is_connected():cursor.close()conn.close()

运行后得到结果：

这里只是简单做了个demo示例，虽然看上去还不如自己写sql来的简单。

4.2、附加一些功能

上面是简单的DeepSeek进行数据分析的功能，对于数据量小的来说可能还行，但是对于数据量大的来说还是够呛。但是我们可以用他来进行一些数据结构的完整性检查、有效性检查以及给出一些合理的建议。

这里我添加了一些额外的功能，用于扫描库表是否包含了主键，是否字段长度过长没有约束，是否时间类型用了字符串等。

# 连接数据库
try:conn = mysql.connector.connect(**config)cursor = conn.cursor()# 执行查询# 获取索引信息cursor.execute("SHOW INDEX FROM sale_orders")indexes = cursor.fetchall()print("\n索引信息：")for index in indexes:print(f"索引名称: {index[2]}, 类型: {'唯一索引' if index[1] == 0 else '普通索引'}, 字段: {index[4]}")# 增强主键检测cursor.execute("""SELECT GROUP_CONCAT(DISTINCT COLUMN_NAME) FROM INFORMATION_SCHEMA.KEY_COLUMN_USAGE WHERE TABLE_NAME = 'sale_orders' AND CONSTRAINT_NAME = 'PRIMARY'""")pk_info = cursor.fetchall()# 多层空值检查和类型验证if pk_info and len(pk_info) > 0 and pk_info[0] and len(pk_info[0]) > 0:primary_key = pk_info[0][0]if isinstance(primary_key, str):columns = primary_key.split(',')columns_count = len(columns)columns_str = primary_keyelse:columns_count = 0columns_str = ''else:columns_count = 0columns_str = ''status_desc = (f'复合主键({columns_count}个字段)' if columns_count > 1 else'单字段主键' if columns_count == 1 else'无主键')print(f"\n主键有效性检查：{status_desc} ({columns_str})")# 字段类型效率检查（扩展白名单机制）cursor.execute("""SELECT COLUMN_NAME, COLUMN_TYPE, DATA_TYPE FROM INFORMATION_SCHEMA.COLUMNS WHERE TABLE_NAME = 'sale_orders' AND (DATA_TYPE IN ('text','blob') OR COLUMN_TYPE LIKE '%varchar(255)%' OR NUMERIC_SCALE IS NULL AND DATA_TYPE = 'decimal'OR (COLUMN_NAME LIKE '%time%' AND DATA_TYPE NOT IN ('date','datetime','timestamp')))""")inefficient_columns = cursor.fetchall()print("\n低效字段检测：")for col in inefficient_columns:reason = 'TEXT/BLOB类型' if col[2] in ('text','blob') else \'过度分配的VARCHAR' if 'varchar(255)' in col[1] else \'不精确的DECIMAL类型' if col[2] == 'decimal' and NUMERIC_SCALE is None else \'时间字段使用字符串类型' if 'time' in col[0].lower() and col[2] in ('varchar','text') else '未知类型'print(f"字段 {col[0]}: {col[1]} ({reason})")# 索引有效性评估cursor.execute("SHOW INDEXES FROM sale_orders")indexes = {}for idx in cursor.fetchall():if idx[2] not in indexes:indexes[idx[2]] = {'columns': [], 'unique': idx[1]}indexes[idx[2]]['columns'].append(idx[4])print("\n索引有效性评估：")for idx_name, meta in indexes.items():coverage = '复合索引' if len(meta['columns'])>1 else '单字段索引'score = '★'*(3 if meta['unique'] else 2 if len(meta['columns'])>1 else 1)print(f"{idx_name}: {coverage}({','.join(meta['columns'])}) {score}星评级")# 数据量统计cursor.execute("SELECT COUNT(*) FROM sale_orders")record_count = cursor.fetchone()[0]print(f"\n数据量统计：{record_count}条记录{' (超过500万建议分表)' if record_count > 5000000 else ''}")print("\n" + "="*40 + "\n")except mysql.connector.Error as err:print(f"Error: {err}")finally:# 关闭连接if conn.is_connected():cursor.close()conn.close()

这里只是对单张表的检查：

如果重新封装一下，可以对我们整个库进行扫描，以及对我们数据进行基本的分析：

甚至给出了数据中访问量最高的分析，预测了主题趋势和兴趣点。

4.3、其他的数据库

不仅支持MySQL数据库，同样支持主流的PostgreSQL和SQLite等。

4.3.1、PostgreSQL 示例

import psycopg2# 数据库连接配置
conn = psycopg2.connect(dbname="your_database",user="your_username",password="your_password",host="your_host",port="your_port"
)cursor = conn.cursor()
cursor.execute("SELECT * FROM your_table")
rows = cursor.fetchall()for row in rows:print(row)cursor.close()
conn.close()

4.3.2、SQLite 示例

import sqlite3# 连接 SQLite 数据库
conn = sqlite3.connect('your_database.db')
cursor = conn.cursor()cursor.execute("SELECT * FROM your_table")
rows = cursor.fetchall()for row in rows:print(row)cursor.close()
conn.close()

5、总结

如今AI火热的年代，大模型+数据分析必然是个趋势。构建从数据提取，到智能分析，再到可视化呈现的全流程自动化，以及风险预测和识别也将成为另一个业务价值呈现点。