Files
vibe_data_ana/src/data_access.py

251 lines
8.8 KiB
Python
Raw Normal View History

"""数据访问层 - 提供隐私保护的数据访问接口。"""
import pandas as pd
import logging
from typing import Dict, Any, List, Optional
from pathlib import Path
from src.models import DataProfile, ColumnInfo
logger = logging.getLogger(__name__)
class DataLoadError(Exception):
"""数据加载错误。"""
pass
class DataAccessLayer:
"""
数据访问层提供隐私保护的数据访问
核心原则
- AI 不能直接访问原始数据
- 只能通过工具获取聚合结果
- 数据画像只包含元数据和统计摘要
"""
def __init__(self, data: pd.DataFrame, file_path: str = ""):
"""
初始化数据访问层
参数
data: 原始数据私有不暴露给 AI
file_path: 数据文件路径
"""
self._data = data # 私有数据AI 不可访问
self._file_path = file_path
@classmethod
def load_from_file(cls, file_path: str, max_retries: int = 3, optimize_memory: bool = True) -> 'DataAccessLayer':
"""
从文件加载数据支持多种编码和性能优化
参数
file_path: CSV 文件路径
max_retries: 最大重试次数
optimize_memory: 是否优化内存使用
返回
DataAccessLayer 实例
异常
DataLoadError: 数据加载失败
"""
encodings = ['utf-8', 'gbk', 'gb2312', 'latin1', 'iso-8859-1']
for encoding in encodings:
try:
logger.info(f"尝试使用编码 {encoding} 加载文件: {file_path}")
# 使用低内存模式加载大文件
data = pd.read_csv(file_path, encoding=encoding, low_memory=False)
# 检查数据是否为空
if data.empty:
raise DataLoadError(f"文件 {file_path} 为空")
# 检查数据大小并采样
if len(data) > 1_000_000:
logger.warning(f"数据过大({len(data)}采样到100万行")
data = data.sample(n=1_000_000, random_state=42)
# 优化内存使用
if optimize_memory:
from src.performance_optimization import DataLoadOptimizer
initial_memory = data.memory_usage(deep=True).sum() / 1024 / 1024
data = DataLoadOptimizer.optimize_dtypes(data)
final_memory = data.memory_usage(deep=True).sum() / 1024 / 1024
logger.info(f"内存优化: {initial_memory:.2f}MB -> {final_memory:.2f}MB (节省 {initial_memory - final_memory:.2f}MB)")
logger.info(f"成功加载数据: {len(data)}行, {len(data.columns)}")
return cls(data, file_path)
except UnicodeDecodeError:
logger.debug(f"编码 {encoding} 失败,尝试下一个")
continue
except Exception as e:
logger.error(f"加载文件失败 ({encoding}): {e}")
if encoding == encodings[-1]:
raise DataLoadError(f"无法加载文件 {file_path}: {e}")
continue
raise DataLoadError(f"无法加载文件 {file_path},尝试了所有编码")
def get_profile(self) -> DataProfile:
"""
生成数据画像安全不包含原始数据
返回
DataProfile: 数据画像包含元数据和统计摘要
"""
columns_info = []
for col_name in self._data.columns:
col_data = self._data[col_name]
# 推断数据类型
dtype = self._infer_column_type(col_data)
# 计算缺失率
missing_rate = col_data.isna().sum() / len(col_data)
# 计算唯一值数量
unique_count = col_data.nunique()
# 获取示例值最多5个去重
sample_values = col_data.dropna().unique()[:5].tolist()
# 计算统计信息
statistics = {}
if dtype == 'numeric':
statistics = {
'min': float(col_data.min()) if not col_data.isna().all() else None,
'max': float(col_data.max()) if not col_data.isna().all() else None,
'mean': float(col_data.mean()) if not col_data.isna().all() else None,
'std': float(col_data.std()) if not col_data.isna().all() else None,
'median': float(col_data.median()) if not col_data.isna().all() else None,
}
elif dtype == 'categorical':
value_counts = col_data.value_counts().head(10)
statistics = {
'top_values': value_counts.to_dict(),
'num_categories': unique_count,
}
columns_info.append(ColumnInfo(
name=col_name,
dtype=dtype,
missing_rate=float(missing_rate),
unique_count=int(unique_count),
sample_values=sample_values,
statistics=statistics
))
return DataProfile(
file_path=self._file_path,
row_count=len(self._data),
column_count=len(self._data.columns),
columns=columns_info,
inferred_type='unknown', # 将由 AI 推断
key_fields={},
quality_score=0.0,
summary=""
)
def _infer_column_type(self, col_data: pd.Series) -> str:
"""
推断列的数据类型
参数
col_data: 列数据
返回
数据类型: 'numeric', 'categorical', 'datetime', 'text'
"""
# 检查是否为日期时间类型
if pd.api.types.is_datetime64_any_dtype(col_data):
return 'datetime'
# 尝试转换为日期时间
if col_data.dtype == 'object':
try:
pd.to_datetime(col_data.dropna().head(100))
return 'datetime'
except:
pass
# 检查是否为数值类型
if pd.api.types.is_numeric_dtype(col_data):
return 'numeric'
# 检查是否为分类类型(唯一值较少)
unique_ratio = col_data.nunique() / len(col_data)
if unique_ratio < 0.05 or col_data.nunique() < 20:
return 'categorical'
# 默认为文本类型
return 'text'
def execute_tool(self, tool: Any, **kwargs) -> Dict[str, Any]:
"""
执行工具并返回聚合结果安全
参数
tool: 分析工具实例
**kwargs: 工具参数
返回
工具执行结果聚合数据
"""
try:
result = tool.execute(self._data, **kwargs)
return self._sanitize_result(result)
except Exception as e:
logger.error(f"工具 {tool.name} 执行失败: {e}")
return {
'success': False,
'error': str(e),
'tool': tool.name
}
def _sanitize_result(self, result: Dict[str, Any]) -> Dict[str, Any]:
"""
确保结果不包含原始数据只返回聚合数据
参数
result: 工具执行结果
返回
过滤后的结果
"""
# 检查结果中是否有 DataFrame
sanitized = {}
for key, value in result.items():
if isinstance(value, pd.DataFrame):
# 限制返回的行数
if len(value) > 100:
logger.warning(f"结果包含 {len(value)} 行数据截断到100行")
value = value.head(100)
sanitized[key] = value.to_dict('records')
elif isinstance(value, pd.Series):
# 限制返回的行数
if len(value) > 100:
logger.warning(f"结果包含 {len(value)} 行数据截断到100行")
value = value.head(100)
sanitized[key] = value.to_dict()
else:
sanitized[key] = value
return sanitized
@property
def shape(self) -> tuple:
"""返回数据形状(行数,列数)。"""
return self._data.shape
@property
def columns(self) -> List[str]:
"""返回列名列表。"""
return self._data.columns.tolist()