DataFrameIt

Enriqueça DataFrames com LLMs de forma simples e estruturada.

DataFrameIt processa textos em DataFrames usando Modelos de Linguagem (LLMs) e extrai informações estruturadas definidas por modelos Pydantic.

Documentação Completa | Referência para LLMs

Instalação

pip install dataframeit[google]  # Google Gemini (recomendado)
pip install dataframeit[openai]  # OpenAI
pip install dataframeit[anthropic]  # Anthropic Claude

Configure sua API key:

export GOOGLE_API_KEY="sua-chave"  # ou OPENAI_API_KEY, ANTHROPIC_API_KEY

Exemplo Rápido

from pydantic import BaseModel
from typing import Literal
import pandas as pd
from dataframeit import dataframeit

# 1. Defina o que extrair
class Sentimento(BaseModel):
    sentimento: Literal['positivo', 'negativo', 'neutro']
    confianca: Literal['alta', 'media', 'baixa']

# 2. Seus dados
df = pd.DataFrame({
    'texto': [
        'Produto excelente! Superou expectativas.',
        'Péssimo atendimento, nunca mais compro.',
        'Entrega ok, produto mediano.'
    ]
})

# 3. Processe!
resultado = dataframeit(df, Sentimento, "Analise o sentimento do texto.")
print(resultado)

Saída:

texto	sentimento	confianca
Produto excelente! ...	positivo	alta
Péssimo atendimento...	negativo	alta
Entrega ok...	neutro	media

Funcionalidades

• Múltiplos providers: Google Gemini, OpenAI, Anthropic, Cohere, Mistral via LangChain
• Múltiplos tipos de entrada: DataFrame, Series, list, dict
• Saída estruturada: Validação automática com Pydantic
• Resiliência: Retry automático com backoff exponencial
• Performance: Processamento paralelo, rate limiting configurável
• Busca web: Integração com Tavily para enriquecer dados
• Tracking: Monitoramento de tokens e métricas de throughput

Documentação

• Início Rápido
• Guias
• Referência da API
• Referência para LLMs - Página compacta otimizada para assistentes de código

Exemplos

Veja a pasta example/ para notebooks Jupyter com casos de uso completos.

Licença

MIT