Bild vom Autor

# Einführung

Für den lokalen Betrieb eines leistungsstarken KI-Modells ist keine Excessive-Finish-Workstation oder teure Cloud-Einrichtung mehr erforderlich. Mit leichtgewichtigen Instruments und kleineren Open-Supply-Modellen können Sie jetzt sogar einen älteren Laptop computer in eine praktische lokale KI-Umgebung für Codierung, Experimente und Workflows im Agentenstil verwandeln.

In diesem Tutorial lernen Sie, wie man läuft Qwen3.5 lokal verwenden Ollama und verbinde es mit OpenCode um ein einfaches lokales Agenten-Setup zu erstellen. Das Ziel besteht darin, alles unkompliziert, zugänglich und anfängerfreundlich zu halten, sodass Sie einen funktionierenden lokalen KI-Assistenten erhalten, ohne sich mit einem komplizierten Stack herumschlagen zu müssen.

# Ollama installieren

Der erste Schritt besteht darin, Ollama zu installieren, wodurch es einfach ist, große Sprachmodelle lokal auf Ihrem Laptop auszuführen.

Wenn Sie verwenden Home windowskönnen Sie Ollama entweder direkt vom offiziellen herunterladen Laden Sie Ollama für Home windows herunter Seite und installieren Sie sie wie jede andere Anwendung, oder führen Sie den folgenden Befehl aus PowerShell:

irm https://ollama.com/set up.ps1 | iex

Die Ollama-Downloadseite enthält auch Installationsanweisungen für Linux Und macOSdamit Sie die dortigen Schritte befolgen können, wenn Sie ein anderes Betriebssystem verwenden.

Sobald die Set up abgeschlossen ist, können Sie Ollama starten und Ihr erstes lokales Modell abrufen.

# Ollama starten

In den meisten Fällen startet Ollama automatisch nach der Set up, insbesondere wenn Sie es zum ersten Mal starten. Das bedeutet, dass Sie möglicherweise nichts weiter tun müssen, bevor Sie ein Modell lokal ausführen.

Wenn der Ollama-Server noch nicht läuft, können Sie ihn mit dem folgenden Befehl manuell starten:

# Qwen3.5 lokal ausführen

Sobald Ollama ausgeführt wird, besteht der nächste Schritt darin, Qwen3.5 herunterzuladen und auf Ihrem Laptop zu starten.

Wenn Sie die Qwen3.5-Modellseite in Ollama besuchen, sehen Sie mehrere Modellgrößen, von größeren Varianten bis hin zu kleineren, leichteren Optionen.

Für dieses Tutorial verwenden wir die 4B-Model, da sie ein gutes Gleichgewicht zwischen Leistung und Hardwareanforderungen bietet. Es ist eine praktische Wahl für ältere Laptops und erfordert normalerweise etwa 3,5 GB Arbeitsspeicher (RAM).

Um das Modell von Ihrem Terminal herunterzuladen und auszuführen, verwenden Sie den folgenden Befehl:

Wenn Sie diesen Befehl zum ersten Mal ausführen, lädt Ollama die Modelldateien auf Ihren Laptop herunter. Abhängig von Ihrer Internetgeschwindigkeit kann dies einige Minuten dauern.

Nach Abschluss des Downloads kann es einen Second dauern, bis Ollama das Modell lädt und alles vorbereitet, was für die lokale Ausführung erforderlich ist. Sobald Sie fertig sind, wird eine interaktive Terminal-Chat-Oberfläche angezeigt, über die Sie das Modell direkt auffordern können.

Zu diesem Zeitpunkt können Sie Qwen3.5 bereits im Terminal für einfache lokale Gespräche, schnelle Exams und einfache Codierungshilfe verwenden, bevor Sie es für einen effizienteren Workflow mit OpenCode verbinden.

# OpenCode installieren

Nach der Einrichtung von Ollama und Qwen3.5 besteht der nächste Schritt in der Set up von OpenCode, einem lokalen Codierungsagenten, der mit Modellen arbeiten kann, die auf Ihrem eigenen Laptop ausgeführt werden.

Sie können die OpenCode-Web site besuchen, um die verfügbaren Installationsoptionen zu erkunden und mehr über die Funktionsweise zu erfahren. Für dieses Tutorial verwenden wir die Schnellinstallationsmethode, da dies der einfachste Einstieg ist.

Führen Sie den folgenden Befehl in Ihrem Terminal aus:

curl -fsSL https://opencode.ai/set up | bash

Dieses Installationsprogramm übernimmt den Einrichtungsprozess für Sie und installiert die erforderlichen Abhängigkeiten, einschließlich Node.js bei Bedarf, sodass Sie nicht alles manuell konfigurieren müssen.

# Starten von OpenCode mit Qwen3.5

Nachdem sowohl Ollama als auch OpenCode installiert sind, können Sie OpenCode mit Ihrem lokalen Qwen3.5-Modell verbinden und es als einfachen Codierungsagenten verwenden.

Wenn Sie sich die Qwen3.5-Seite in Ollama ansehen, werden Sie feststellen, dass Ollama jetzt einfache Integrationen mit externen KI-Instruments und Codierungsagenten unterstützt. Dies macht es viel einfacher, lokale Modelle in einem praktischeren Arbeitsablauf zu nutzen, anstatt nur im Terminal mit ihnen zu chatten.

Führen Sie den folgenden Befehl aus, um OpenCode mit dem Qwen3.5 4B-Modell zu starten:

ollama launch opencode --model qwen3.5:4b

Dieser Befehl weist Ollama an, OpenCode mit Ihrem lokal verfügbaren Qwen3.5-Modell zu starten. Nach der Ausführung werden Sie zur OpenCode-Schnittstelle weitergeleitet, wobei Qwen3.5 4B bereits verbunden und einsatzbereit ist.

# Erstellen eines einfachen Python-Projekts mit Qwen3.5

Sobald OpenCode mit Qwen3.5 läuft, können Sie damit beginnen, ihm einfache Eingabeaufforderungen zu geben, um Software program direkt von Ihrem Terminal aus zu erstellen.

Für dieses Tutorial haben wir es gebeten, ein kleines zu erstellen Python Erstellen Sie ein Spielprojekt von Grund auf mit der folgenden Eingabeaufforderung:

Erstellen Sie ein neues Python-Projekt und erstellen Sie ein modernes Guess the Phrase-Spiel mit sauberem Code, einfachem Gameplay, Punkteverfolgung und einer benutzerfreundlichen Terminalschnittstelle.

Nach ein paar Minuten generierte OpenCode die Projektstruktur, schrieb den Code und kümmerte sich um die Einrichtung, die erforderlich warfare, um das Spiel zum Laufen zu bringen.

Wir haben es auch gebeten, alle erforderlichen Abhängigkeiten zu installieren und das Projekt zu testen, wodurch sich der Workflow viel näher an die Arbeit mit einem einfachen lokalen Codierungsagenten als an einem einfachen Chatbot anfühlen ließ.

Das Endergebnis warfare ein voll funktionsfähiges Python-Spiel, das im Terminal reibungslos lief. Das Gameplay warfare einfach, die Codestruktur warfare sauber und die Punkteverfolgung funktionierte wie erwartet.

Wenn Sie beispielsweise ein korrektes Zeichen eingeben, zeigt das Spiel sofort den passenden Buchstaben im versteckten Wort an und zeigt so, dass die Logik sofort funktioniert.

# Letzte Gedanken

Ich warfare wirklich beeindruckt, wie einfach es ist, mit Ollama, Qwen3.5 und OpenCode ein lokales Agenten-Setup auf einem älteren Laptop computer zum Laufen zu bringen. Für ein leichtes, kostengünstiges Setup funktioniert es überraschend intestine und sorgt dafür, dass sich die lokale KI viel praktischer anfühlt, als viele Leute erwarten.

Allerdings läuft nicht alles reibungslos.

Da dieser Aufbau auf einem kleineren und quantisierten Modell basiert, sind die Ergebnisse für komplexere Codierungsaufgaben nicht immer aussagekräftig genug. Meiner Erfahrung nach kann es einfache Projekte, grundlegende Skripterstellung, Recherchehilfe und allgemeine Aufgaben recht intestine bewältigen, aber es fängt an, Probleme zu bekommen, wenn die Software program-Engineering-Arbeit anspruchsvoller oder mehrstufiger wird.

Ein Drawback, auf das ich immer wieder stieß, warfare, dass das Modell manchmal mitten in einer Aufgabe anhielt. Als das passierte, musste ich manuell tippen weitermachen damit es weitergeht und die Arbeit zu Ende geht. Das ist zum Experimentieren zwar machbar, aber es macht den Workflow weniger zuverlässig, wenn Sie eine konsistente Ausgabe für größere Codierungsaufgaben wünschen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

OpenClaw hat sich schnell zu einem der am meisten diskutierten Open-Supply-Projekte für autonome KI-Agenten entwickelt, insbesondere unter Entwicklern, die Agenten erstellen, die sich mit Messaging-Apps verbinden, Arbeitsabläufe automatisieren und über Instruments und Plugins echte Aktionen ausführen. OpenClaw ist jedoch nicht die einzige Possibility im Jahr 2026.

Es entsteht eine neue Welle leichter, sicherheitsorientierter und modularer Agent-Frameworks. Viele dieser Alternativen sind so konzipiert, dass sie einfacher bereitzustellen, sicherer lokal auszuführen und besser für bestimmte Agenten-Anwendungsfälle optimiert sind.

In diesem Artikel stellen wir fünf der besten Open-Supply- und kommerziellen Alternativen zu OpenClaw vor, die schneller und kleiner sind und auf lokale Leistung und Sicherheit ausgelegt sind.

# 1. NanoClaw

NanoClaw ist eine leichte Various, die auf Sicherheit ausgelegt ist. Anstatt direkt mit breitem Systemzugriff zu laufen, ist NanoClaw für den Betrieb in Containern konzipiert, was dazu beiträgt, die Agentenumgebung zu isolieren und die Gefährdung zu reduzieren.

Es unterstützt Messaging-Integrationen wie WhatsApp, enthält Speicherfunktionen und kann geplante Hintergrundjobs ausführen. NanoClaw lässt sich auch direkt in das Brokers SDK von Anthropic integrieren, was es für Entwickler attraktiv macht, die auf Claude-basierten Workflows aufbauen.

Am besten für Groups geeignet, die eine Agentenautomatisierung mit stärkerer Eindämmung und sichererer Ausführung wünschen.

# 2. PicoClaw

PicoClaw Der Schwerpunkt liegt auf Geschwindigkeit, Einfachheit und Portabilität. Es ist so konzipiert, dass es extrem klein ist und sich einfach in verschiedenen Umgebungen bereitstellen lässt, einschließlich lokaler Setups, Container oder leichtgewichtiger Edge-Systeme.

Anstatt ein riesiges Ökosystem anzubieten, legt PicoClaw Wert darauf, die Grundlagen intestine zu machen: sich wiederholende Aufgaben zu automatisieren, Agenten-Workflows zu ermöglichen und minimal zu bleiben.

Am besten für Entwickler geeignet, die eine schnelle Agentenlaufzeit ohne große Infrastruktur wünschen.

# 3. TrustClaw

TrustClaw ist eine eher plattformorientierte Various und bietet ein Agentenerlebnis, bei dem Benutzerfreundlichkeit und Vertrauen im Vordergrund stehen. Im Gegensatz zu rein lokalen Open-Supply-Frameworks positioniert sich TrustClaw als verwaltete Umgebung für die sichere Ausführung von KI-Agenten.

Dies ist nützlich für Benutzer, die Agentenfunktionen wünschen, ohne die volle betriebliche Komplexität eines selbst gehosteten Techniques aufrechtzuerhalten.

Am besten für Benutzer geeignet, die eine gehostete und strukturierte Agentenplattform gegenüber DIY-Setups bevorzugen.

# 4. NanoBot

NanoBot ist eine der leichtesten verfügbaren Alternativen im OpenClaw-Stil. Es ist in Python geschrieben und kompakt, verständlich und leicht erweiterbar gestaltet.

NanoBot bietet zentrale Agentenbausteine ​​wie Werkzeugnutzung, Speicher und Messaging-Automatisierung, allerdings mit einer viel kleineren Codebasis im Vergleich zu großen Agenten-Ökosystemen.

Seine Einfachheit erleichtert die Prüfung und Anpassung, insbesondere für Forscher oder Entwickler, die mit dem Agentendesign experimentieren.

Am besten für Entwickler geeignet, die ein sauberes und minimales Agenten-Framework in Python wünschen.

# 5. IronClaw

IronClaw verfolgt einen modularen Ansatz zur Agentenentwicklung. Es richtet sich an Entwickler, die strukturierte Autonomie, versatile Werkzeugausführung und wiederverwendbare Komponenten für den Aufbau fortschrittlicherer Systeme wünschen.

Obwohl es vielleicht nicht so klein ist wie NanoBot oder PicoClaw, bietet IronClaw eine stärkere Grundlage für Groups, die produktionstaugliche Arbeitsabläufe und Multi-Device-Automatisierungspipelines erstellen.

Am besten für Entwickler geeignet, die ein skalierbares und modulares Agenten-Framework wünschen, das über einfache Prototypen hinausgeht.

# Letzte Gedanken

Hier ein kurzer Überblick darüber, welche Agenten für welche Szenarien am besten geeignet sind:

Agent	Idealer Anwendungsfall
NanoClaw		Am besten für Groups geeignet, die eine Agentenautomatisierung mit stärkerer Eindämmung und sichererer Ausführung wünschen.
PicoClaw		Am besten für Entwickler geeignet, die eine schnelle Agentenlaufzeit ohne große Infrastruktur wünschen.
TrustClaw		Am besten für Benutzer geeignet, die eine gehostete und strukturierte Agentenplattform gegenüber DIY-Setups bevorzugen.
NanoBot		Am besten für Entwickler geeignet, die ein sauberes und minimales Agenten-Framework in Python wünschen.
IronClaw		Perfect für Entwickler, die ein skalierbares und modulares Agenten-Framework wünschen, das über einfache Prototypen hinausgeht.

OpenClaw hat dazu beigetragen, die Idee der ersten lokalen autonomen KI-Agenten bekannt zu machen, aber das Ökosystem wächst im Jahr 2026 schnell.

Diese Alternativen zeigen, in welche Richtung sich Agent Tooling bewegt:

• Sicherere Ausführung durch Container
• Kleinere und besser überprüfbare Frameworks
• Einfachere Bereitstellung und Portabilität
• Modulare Systeme für ernsthafte Automatisierungsanwendungsfälle

Wenn Sie in diesem Jahr Immobilienmakler sind, ist die Erkundung dieser Projekte ein guter erster Schritt.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Entwickler verwenden Pandas für die Datenmanipulation, kann jedoch langsam sein, insbesondere bei großen Datensätzen. Aus diesem Grund suchen viele nach schnelleren und leichteren Alternativen. Bei diesen Optionen bleiben die für die Analyse erforderlichen Kernfunktionen erhalten, wobei der Schwerpunkt auf Geschwindigkeit, geringerem Speicherbedarf und Einfachheit liegt. In diesem Artikel betrachten wir fünf leichte Alternativen zu Pandas, die Sie ausprobieren können.

# 1. DuckDB

DuckDB ist wie SQLite für Analytik. Sie können SQL-Abfragen direkt für CSV-Dateien (Comma-Separated Values) ausführen. Dies ist nützlich, wenn Sie SQL kennen oder mit Pipelines für maschinelles Lernen arbeiten. Installieren Sie es mit:

Wir werden den Titanic-Datensatz verwenden und eine einfache SQL-Abfrage wie folgt ausführen:

import duckdb

url = "https://uncooked.githubusercontent.com/mwaskom/seaborn-data/grasp/titanic.csv"

# Run SQL question on the CSV
end result = duckdb.question(f"""
    SELECT intercourse, age, survived
    FROM read_csv_auto('{url}')
    WHERE age > 18
""").to_df()

print(end result.head())

Ausgabe:

      intercourse     age   survived
0     male    22.0          0
1   feminine    38.0          1
2   feminine    26.0          1
3   feminine    35.0          1
4     male    35.0          0

DuckDB führt die SQL-Abfrage direkt in der CSV-Datei aus und konvertiert die Ausgabe dann in einen DataFrame. Sie erhalten SQL-Geschwindigkeit mit Python-Flexibilität.

# 2. Polaren

Polaren ist heute eine der beliebtesten Datenbibliotheken. Es ist in der implementiert Rost Sprache und ist außergewöhnlich schnell bei minimalem Speicherbedarf. Auch die Syntax ist sehr sauber. Installieren wir es mit pip:

Lassen Sie uns nun den Titanic-Datensatz verwenden, um ein einfaches Beispiel zu behandeln:

import polars as pl

# Load dataset 
url = "https://uncooked.githubusercontent.com/mwaskom/seaborn-data/grasp/titanic.csv"
df = pl.read_csv(url)

end result = df.filter(pl.col("age") > 40).choose(("intercourse", "age", "survived"))
print(end result)

Ausgabe:

form: (150, 3)
┌────────┬──────┬──────────┐
│ intercourse    ┆ age  ┆ survived │
│ ---    ┆ ---  ┆ ---      │
│ str    ┆ f64  ┆ i64      │
╞════════╪══════╪══════════╡
│ male   ┆ 54.0 ┆ 0        │
│ feminine ┆ 58.0 ┆ 1        │
│ feminine ┆ 55.0 ┆ 1        │
│ male   ┆ 66.0 ┆ 0        │
│ male   ┆ 42.0 ┆ 0        │
│ …      ┆ …    ┆ …        │
│ feminine ┆ 48.0 ┆ 1        │
│ feminine ┆ 42.0 ┆ 1        │
│ feminine ┆ 47.0 ┆ 1        │
│ male   ┆ 47.0 ┆ 0        │
│ feminine ┆ 56.0 ┆ 1        │
└────────┴──────┴──────────┘

Polars liest die CSV-Datei, filtert Zeilen basierend auf einer Altersbedingung und wählt eine Teilmenge der Spalten aus.

# 3. PyArrow

PyArrow ist eine leichtgewichtige Bibliothek für spaltenorientierte Daten. Instruments wie Polars verwenden Apache-Pfeil für Geschwindigkeit und Speichereffizienz. Es ist kein vollständiger Ersatz für Pandas, eignet sich jedoch hervorragend zum Lesen von Dateien und zur Vorverarbeitung. Installieren Sie es mit:

Für unser Beispiel verwenden wir den Iris-Datensatz im CSV-Format wie folgt:

import pyarrow.csv as csv
import pyarrow.compute as laptop
import urllib.request

# Obtain the Iris CSV 
url = "https://uncooked.githubusercontent.com/mwaskom/seaborn-data/grasp/iris.csv"
local_file = "iris.csv"
urllib.request.urlretrieve(url, local_file)

# Learn with PyArrow
desk = csv.read_csv(local_file)

# Filter rows
filtered = desk.filter(laptop.larger(desk('sepal_length'), 5.0))

print(filtered.slice(0, 5))

Ausgabe:

pyarrow.Desk
sepal_length: double
sepal_width: double
petal_length: double
petal_width: double
species: string
----
sepal_length: ((5.1,5.4,5.4,5.8,5.7))
sepal_width: ((3.5,3.9,3.7,4,4.4))
petal_length: ((1.4,1.7,1.5,1.2,1.5))
petal_width: ((0.2,0.4,0.2,0.2,0.4))
species: (("setosa","setosa","setosa","setosa","setosa"))

PyArrow liest die CSV-Datei und konvertiert sie in ein Spaltenformat. Identify und Typ jeder Spalte werden in einem übersichtlichen Schema aufgeführt. Dieses Setup ermöglicht eine schnelle Überprüfung und Filterung großer Datensätze.

# 4. Modin

Modin ist für alle gedacht, die eine schnellere Leistung wünschen, ohne eine neue Bibliothek zu erlernen. Es verwendet dieselbe Pandas-API, führt jedoch Vorgänge parallel aus. Sie müssen Ihren vorhandenen Code nicht ändern; Aktualisieren Sie einfach den Import. Alles andere funktioniert wie normale Pandas. Installieren Sie es mit pip:

Zum besseren Verständnis versuchen wir ein kleines Beispiel mit demselben Titanic-Datensatz wie folgt:

import modin.pandas as pd
url = "https://uncooked.githubusercontent.com/mwaskom/seaborn-data/grasp/titanic.csv"

# Load the dataset
df = pd.read_csv(url)

# Filter the dataset 
adults = df(df("age") > 18)

# Choose just a few columns to show
adults_small = adults(("survived", "intercourse", "age", "class"))

# Show end result
adults_small.head()

Ausgabe:

   survived     intercourse   age   class
0         0    male  22.0   Third
1         1  feminine  38.0   First
2         1  feminine  26.0   Third
3         1  feminine  35.0   First
4         0    male  35.0   Third

Modin verteilt die Arbeit auf die CPU-Kerne, was bedeutet, dass Sie eine bessere Leistung erzielen, ohne zusätzliche Maßnahmen ergreifen zu müssen.

# 5. Dask

Wie gehen Sie mit großen Datenmengen um, ohne den Arbeitsspeicher zu erhöhen? Dask ist eine gute Wahl, wenn Sie Dateien haben, die größer sind als der Arbeitsspeicher (RAM) Ihres Computer systems. Es verwendet eine verzögerte Auswertung, sodass nicht der gesamte Datensatz in den Speicher geladen wird. Dies hilft Ihnen, Millionen von Zeilen reibungslos zu verarbeiten. Installieren Sie es mit:

pip set up dask(full)

Um es auszuprobieren, können wir den Chicago Crime-Datensatz wie folgt verwenden:

import dask.dataframe as dd
import urllib.request

url = "https://knowledge.cityofchicago.org/api/views/ijzp-q8t2/rows.csv?accessType=DOWNLOAD"
local_file = "chicago_crime.csv"
urllib.request.urlretrieve(url, local_file)

# Learn CSV with Dask (lazy analysis)
df = dd.read_csv(local_file, dtype=str)  # all columns as string

# Filter crimes categorized as 'THEFT'
thefts = df(df('Major Kind') == 'THEFT')

# Choose a number of related columns
thefts_small = thefts(("ID", "Date", "Major Kind", "Description", "District"))

print(thefts_small.head())

Ausgabe:

          ID                   Date Major Kind       Description District            
5   13204489 09/06/2023 11:00:00 AM        THEFT         OVER $500      001
50  13179181 08/17/2023 03:15:00 PM        THEFT      RETAIL THEFT      014
51  13179344 08/17/2023 07:25:00 PM        THEFT      RETAIL THEFT      014
53  13181885 08/20/2023 06:00:00 AM        THEFT    $500 AND UNDER      025
56  13184491 08/22/2023 11:44:00 AM        THEFT      RETAIL THEFT      014

Filtern (Major Kind == 'THEFT') und das Auswählen von Spalten sind Lazy-Operationen. Die Filterung erfolgt sofort, da Dask Daten in Blöcken verarbeitet, anstatt alles auf einmal zu laden.

# Abschluss

Wir haben fünf Alternativen zu Pandas und deren Verwendung behandelt. Der Artikel hält die Dinge einfach und fokussiert. Ausführliche Informationen finden Sie in der offiziellen Dokumentation jeder Bibliothek:

Wenn Sie auf Probleme stoßen, hinterlassen Sie einen Kommentar und ich helfe Ihnen.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild von Editor | Chatgpt

# Einführung

Lufttable Es bietet nicht nur eine versatile, breitblattähnliche Schnittstelle für die Datenspeicherung und -analyse, sondern bietet auch eine API für die programmatische Interaktion. Mit anderen Worten, Sie können es mit externen Werkzeugen und Technologien verbinden – zum Beispiel, Python – Um Datenpipelines zu erstellen oder Workflows zu verarbeiten, wodurch Ihre Ergebnisse in Ihre Airtable -Datenbank (oder einfach „Foundation“ in Airtable Jargon zurückgeführt werden.

Dieser Artikel zeigt, wie eine einfache ETL-ähnliche Pipeline mit der Airtable Python API erstellt wird. Wir halten uns an die kostenlose Stufe und stellen sicher, dass der Ansatz ohne bezahlte Funktionen funktioniert.

# Airtable Dataset Setup

Während die in diesem Artikel eingebaute Pipeline problemlos an eine Vielzahl von Datensätzen angepasst werden kann, für diejenigen, die neu zu Airtable sind und ein Airtable -Projekt und einen gespeicherten Datensatz als Ausgangspunkt benötigen, empfehlen wir Ihnen, dies zu folgen Jüngste Einführungs -Tutorial für Airtable und erstellen Sie einen tabellarischen Datensatz namens „Kunden“ mit 200 Zeilen und folgenden Spalten (siehe Bild):

Kunden Datensatz/Tabelle in Airtable | Bild des Autors

# Airtable-Python-Datenpipeline

Gehen Sie in Airtable zu Ihrem Benutzer Avatar-zum Zeitpunkt des Schreibens ist es der eingekreiste Avatar an der unteren linken Ecke der App-Schnittstelle-und wählen Sie „Builder Hub“. Klicken Sie im neuen Bildschirm (siehe Screenshot unten) auf „Private Entry Tokens“ und dann unter „Token erstellen“. Geben Sie ihm einen Namen und stellen Sie sicher, dass Sie mindestens diese beiden Bereiche hinzufügen: knowledge.information:learn Und knowledge.information:write. Wählen Sie ebenfalls die Foundation aus, in der sich die Tabelle Ihrer Kunden im Abschnitt „Zugriff“ befindet, damit Ihr Token den Zugriff auf diese Foundation konfiguriert hat.

Erstellen eines Airtable -API -Tokens | Bild des Autors

Sobald das Token erstellt wurde, kopieren und speichern Sie es sorgfältig an einem sicheren Ort, da es nur einmal angezeigt wird. Wir brauchen es später. Der Token beginnt mit pat gefolgt von einem langen alphanumerischen Code.

Ein weiterer wichtiger Informationen, das wir benötigen, um unsere Python-basierte Pipeline zu erstellen, die mit Airtable interagiert, ist die ID unserer Foundation. Gehen Sie zurück zu Ihrer Foundation in der Airtable -Webschnittstelle, und sobald Sie dort sehen, dass die URL im Browser eine Syntax hat: https://airtable.com/app(xxxxxx)/xxxx/xxxx. Der Teil, an dem wir kopieren möchten, ist die app(xxxx) ID enthalten zwischen zwei aufeinanderfolgenden Schrägstrichen (/): Das ist die Foundation -ID, die wir brauchen werden.

In der Hand und unter der Annahme, dass Sie bereits eine besiedelte Tabelle namens „Kunden“ in Ihrer Foundation haben, sind wir bereit, unser Python -Programm zu starten. Ich werde ein Notizbuch zum Codieren verwenden. Wenn Sie eine IDE verwenden, müssen Sie möglicherweise den Teil, in dem die drei Lufttable -Umgebungsvariablen definiert sind, geringfügig ändern, damit sie von einem lesen können .env Datei stattdessen. In dieser Model werden wir sie zur Einfachheit und Leichtigkeit der Illustration direkt in unserem Pocket book definieren. Beginnen wir mit der Set up der erforderlichen Abhängigkeiten:

!pip set up pyairtable python-dotenv

Als nächstes definieren wir die Lufttable -Umgebungsvariablen. Beachten Sie, dass Sie für die ersten beiden den Wert durch Ihren tatsächlichen Zugriffs -Token bzw. der Foundation -ID ersetzen müssen:

import os
from dotenv import load_dotenv # Mandatory provided that studying variables from a .env file
from pyairtable import Api, Desk
import pandas as pd

PAT = "pat-xxx" # Your PAT (Private Entry Token) is pasted right here
BASE_ID = "app-xxx" # Your Airtable Base ID is pasted right here
TABLE_NAME = "Clients"

api = Api(PAT)
desk = Desk(PAT, BASE_ID, TABLE_NAME)

Wir haben gerade eine Instanz der Python Airtable -API eingerichtet und einen Verbindungspunkt zur Kundentabelle in unserer Foundation instanziiert. So lesen wir den gesamten Datensatz, der in unserer Lufttabelle enthalten ist, und laden sie in a Pandas DataFrame. Sie müssen nur darauf achten, die genauen Spaltennamen aus der Quellentabelle für die String -Argumente innerhalb der Spalten zu verwenden get() Methodenaufrufe:

rows = ()
for rec in desk.all():  # honors 5 rps; auto-retries on 429s
    fields = rec.get("fields", {})
    rows.append({
        "id": rec("id"),
        "CustomerID": fields.get("CustomerID"),
        "Gender": fields.get("Gender"),
        "Age": fields.get("Age"),
        "Annual Earnings (okay$)": fields.get("Annual Earnings (okay$)"),
        "Spending Rating (1-100)": fields.get("Spending Rating (1-100)"),
        "Earnings class": fields.get("Earnings Class"),
    })

df = pd.DataFrame(rows)

Sobald die Daten geladen wurden, ist es Zeit, eine einfache Transformation anzuwenden. Der Einfachheit halber werden wir nur eine Transformation anwenden, aber wir könnten so viele wie nötig anwenden, wie wir es normalerweise tun würden, wenn wir Datensätze mit Pandas vorverarbeiten oder reinigen. Wir werden ein neues binäres Attribut erstellen, das genannt wird Is Excessive Worthum hochwertige Kunden zu bezeichnen, dh diejenigen, deren Einkommen und Ausgabenbewertungen beide hoch sind:

def high_value(row):
    strive:
        return (row("Spending Rating (1-100)") >= 70) and (row("Annual Earnings (okay$)") >= 70)
    besides TypeError:
        return False

df("Is Excessive Worth") = df.apply(high_value, axis=1)
df.head()

Resultierender Datensatz:

Airtable Knowledge Transformation mit Python und Pandas | Bild des Autors

Schließlich ist es an der Zeit, die Änderungen wieder auf Airtable zu schreiben, indem die mit der neuen Spalte verknüpften neuen Daten einbezogen werden. Es gibt eine kleine Einschränkung: Wir müssen zunächst manuell eine neue Spalte mit dem Namen „Excessive Worth“ in unserer Tabelle für Airtable -Kunden erstellen, wobei der Typ auf „Kontrollkästchen“ eingestellt ist (das Äquivalent zu binären kategorialen Attributen). Wenn diese leere Spalte erstellt wurde, führen Sie den folgenden Code in Ihrem Python -Programm aus, und die neuen Daten werden automatisch zu Airtable hinzugefügt!

updates = ()
for _, r in df.iterrows():
    if pd.isna(r("id")):
        proceed
    updates.append({
        "id": r("id"),
        "fields": {
            "Excessive Worth": bool(r("Is Excessive Worth"))
        }
    })

if updates:
    desk.batch_update(updates)

Zeit, wieder zu Airtable zu gehen und zu sehen, was sich in unserer Quellkunden -Tabelle geändert hat! Wenn Sie auf den ersten Blick keine Änderungen sehen und die neue Spalte immer noch leer erscheint, in Panik geraten Sie noch nicht. Nicht viele Kunden werden als „hoher Wert“ bezeichnet, und Sie müssen möglicherweise ein wenig nach unten scrollen, um einige mit einem grünen Zeckenschild zu sehen:

Aktualisierte Kundentabelle | Bild des Autors

Das struggle’s! Sie haben gerade Ihre eigene leichte ETL-ähnliche Datenpipeline auf der Grundlage einer bidirektionalen Wechselwirkung zwischen Airtable und Python erstellt. Intestine gemacht!

# Einpacken

Dieser Artikel konzentrierte sich auf die Präsentation von Datenfunktionen mit Airtable, einer vielseitigen und benutzerfreundlichen Cloud-basierten Plattform für Datenverwaltung und -analyse, die Funktionen von Tabellenkalkulationen und relationalen Datenbanken mit KI-betriebenen Funktionen kombiniert. Insbesondere haben wir gezeigt, wie man eine leichte Datentransformationspipeline mit der Airtable Python -API ausführt, die Daten von Airtable liest, sie umwandelt und sie wieder in Airtable lädt – alles innerhalb der Funktionen und Einschränkungen der freien Model von Airtable.

Iván Palomares Carrascosa ist ein Führer, Schriftsteller, Sprecher und Berater in KI, maschinellem Lernen, Deep Studying & LLMs. Er trainiert und führt andere darin, KI in der realen Welt zu nutzen.