Запитайте LLM про CSV: надсилайте схему, а не таблицю

У вас є sales.csv з 5 000 рядків і одне питання: який продукт продавався найбільше в жовтні? Не вставляйте файл у чат. Надішліть моделі назви стовпців, їхні типи та три приклади рядків, попросіть один рядок pandas і виконайте цей рядок на повному файлі самостійно. Модель ніколи не читає ваші 5 000 рядків, запит залишається крихітним, а число, яке ви отримуєте, походить із коду, який ви можете запустити повторно.

Ось чому це працює краще, як виглядає запит, скрипт, який можна скопіювати, і скільки це коштує порівняно зі способом «вставити все».

Чому вставляння всієї таблиці йде не так#

Ось історія, яку ви можете впізнати. Хтось вставляє 200 рядків витрат у чат і просить підсумок. Відповідь приходить упевнена, з копійками й усім іншим. Вона також неправильна, і ніщо на екрані вам про це не каже.

Модель передбачає текст частина за частиною (ці частини — токени). Сума 200 чисел — це 200 маленьких кроків без калькулятора всередині, і одна зсунута цифра виглядає точно як правильна відповідь. Код поводиться інакше: df['amount'].sum() додає всі рядки, щоразу, і дає той самий результат при повторному запуску.

Є друга проблема, і вона стосується розміру. Таблиця швидко з'їдає контекстне вікно, і ви платите за кожен рядок у кожному питанні. Десять питань про той самий файл означають десять копій усієї таблиці, надісланих як вхідні дані.

Надсилайте структуру таблиці, а не таблицю#

Моделі не потрібні ваші дані, щоб написати код. Їй потрібно знати, як виглядає таблиця: які стовпці існують, які значення вони містять і як записано рядок. Це схема плюс кілька рядків.

Припустімо, ваш sales.csv має чотири стовпці. Ось увесь запит:

A pandas DataFrame named df has these columns and types:
date        object
product     object
units        int64
price      float64

First 3 rows (CSV):
date,product,units,price
2026-10-01,Oat latte mix,12,4.50
2026-10-01,Cocoa,7,3.20
2026-10-02,Oat latte mix,9,4.50

Question: Which product sold the most units in October 2026?

Reply with ONE line of pandas code that computes the answer from df.
No explanation, no markdown, no imports.

Очікуйте відповідь у формі df[df['date'].str.startswith('2026-10')].groupby('product')['units'].sum().idxmax(). Точне формулювання відрізняється від запуску до запуску, тому прочитайте рядок перед тим, як його виконувати.

Чому три рядки, а не лише назви стовпців? Через дату. Стовпець типу каже object, що означає лише текст. Приклади рядків показують, що дата записана як 2026-10-01, тож модель знає, що треба зіставляти з текстом 2026-10, а не з 10/2026 чи назвою місяця. Більшість неправильних рядків pandas походять із вгадування формату, якого таблиця ніколи не мала.

Скрипт: запитати, прочитати рядок, виконати його#

Скрипт нижче будує цей запит із вашого файлу, тож вам не потрібно вводити схему вручну. Він викликає API CheapTokens через OpenAI Python SDK: базова URL-адреса https://api.cheaptokens.dev/v1, ідентифікатор моделі deepseek-ai/DeepSeek-V4-Flash-0731. Тримайте ключ у змінній середовища, а не у файлі.

import os
import pandas as pd
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

df = pd.read_csv("sales.csv")      # for .xlsx: pd.read_excel("sales.xlsx")

schema = df.dtypes.to_string()
sample = df.head(3).to_csv(index=False)
question = "Which product sold the most units in October 2026?"

prompt = f"""A pandas DataFrame named df has these columns and types:
{schema}

First 3 rows (CSV):
{sample}
Question: {question}

Reply with ONE line of pandas code that computes the answer from df.
No explanation, no markdown, no imports."""

resp = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=500,
)

text = resp.choices[0].message.content.strip()
code = text.removeprefix("```python").removeprefix("```").removesuffix("```").strip()
print("Model's line:", code)
print("Tokens in/out:", resp.usage.prompt_tokens, resp.usage.completion_tokens)

if resp.choices[0].finish_reason != "stop" or "import" in code or "__" in code:
    raise SystemExit("Not running this one. Read the line above and decide.")

print("Answer:", eval(code, {"df": df, "pd": pd}))

Останній блок — це те, що початківці пропускають. eval виконує будь-який текст, який написала модель, на вашій машині, тому скрипт відхиляє рядки з import або __ та відповіді, які було обрізано (finish_reason інший, ніж stop; дивіться чому відповідь зупиняється посеред речення). І ви все одно спершу читаєте надрукований рядок. Якщо він торкається файлів, мережі чи чогось, про що ви не просили, не запускайте його.

Перший запуск друкує три речі: рядок моделі, кількість токенів для цього одного запиту та відповідь. Кількість токенів — це ваш вимірювач для наступного розділу.

Скільки це коштує: вставити все проти схеми + 3 рядки#

Щоб порівняти, нам потрібен розмір рядка. Скажімо, рядок як 2026-10-01,Oat latte mix,12,4.50 займає близько 20 токенів. Це припущення: воно залежить від токенізатора моделі та ваших стовпців, і підрахунок токенів перед надсиланням показує ваше реальне число. З 20 токенами на рядок 5 000 рядків — це 5 000 × 20 = 100 000 вхідних токенів. Запит зі схемою та трьома рядками — близько 300 токенів, включно з інструкціями. Відповідь коротка в обох випадках, скажімо 60 токенів, тож різниця повністю на боці вхідних даних, тому, що зростає разом із вашою таблицею (докладніше про це в вхідні проти вихідних токенів).

Обидва числа малі в доларах, і це чесно: дешева модель робить навіть марнотратний спосіб доступним. Розрив — це те, що зростає. Ставте 20 питань на день, і запит «вставити все» надсилається 20 разів. Подвойте таблицю, і її вартість подвоїться, тоді як запит зі схемою не зміниться. І є тверда стіна: з контекстним вікном на 380K токенів 380 000 ÷ 20 = 19 000 рядків — це максимум, який ви взагалі могли б вставити, перш ніж залишити хоч якесь місце для відповіді. Експорт на 50 000 рядків просто не вміщується. Запит зі схемою вміщується, який би не був розмір таблиці.

Підставте свою таблицю і подивіться денну вартість:

Змініть in на 300, щоб побачити спосіб зі схемою. DeepSeek-V4-Flash на CheapTokens має одну ціну в будь-яку годину, без націнки в піковий час, і один баланс покриває кожну модель, тож ви можете замінити ідентифікатор моделі на zai-org/GLM-5.3-Flash (контекст 390K) без другого акаунта. Актуальні ціни на сторінці цін.

Перевірте число, перш ніж довіряти йому#

Цикл завжди той самий. Робіть це щоразу, і неправильна відповідь буде спіймана на четвертому кроці, а не в звіті.

Четвертий крок дешевий. Відфільтруйте файл до кількох рядків (df[df['product'] == 'Cocoa'].head(10)), додайте їх подумки або в електронній таблиці та порівняйте. Якщо рядок моделі неправильний, він зазвичай неправильний очевидним чином: вона порахувала рядки замість підсумовування units або вибрала не той місяць.

Більше таких звичок дивіться в чому AI вигадує і 4 звички в запитах, які це зменшують.

Якщо не працює#

• KeyError: 'Date'. Модель написала назву стовпця з іншими великими літерами. Вставте справжній рядок заголовка в запит, що вже роблять три приклади рядків, і додайте «використовуй назви стовпців точно як показано».
• У відповіді є речення перед кодом. Ваш eval завершується помилкою SyntaxError. Повторіть «ОДИН рядок коду pandas, без пояснень» у кінці запиту, остання інструкція важить найбільше.
• Відповідь — це таблиця, а не число. Скажіть, яку форму ви хочете: «поверни одне число» або «поверни Series, відсортований за спаданням».
• Дати виходять неправильні. Приклади рядків показують реальний формат. Якщо ваші дати мають вигляд 14/10/2026, модель має це бачити; додайте pd.to_datetime(df['date'], dayfirst=True) до запиту як бажаний спосіб читання дат.
• finish_reason — це length. Відповідь було обрізано через max_tokens. Один рядок вміщується в 500 токенів, тож перевірте запит: можливо, модель довго пояснює.

Повне налаштування для вашого першого запиту, від ключа до відповіді, є в документації CheapTokens.