有一個50列的表格，里面都是英文，要翻譯成中文：

在ChatGPT中輸入提示詞：

你是一個開發(fā)AI大模型應(yīng)用的Python編程專家，要完成以下任務(wù)的Python腳本：

打開Excel文件："F:\AI自媒體內(nèi)容\AI行業(yè)數(shù)據(jù)分析\poetop50bots.xlsx"

讀取A2到B51這個區(qū)域中的每一個單元格內(nèi)容，

調(diào)用deepseek-chat模型（上下文長度32K，最大輸出長度4K）來將單元格的內(nèi)容翻譯成中文；

模型的base_url為：https://api.deepseek.com

模型的api_key為：XXX

temperature 參數(shù)設(shè)置認(rèn)為 1.1

提示詞為：把英文內(nèi)容翻譯為中文

調(diào)用deepseek-chat模型API的示例參照【】里面的內(nèi)容：

【# Please install OpenAI SDK first：`pip3 install openai`

from openai import OpenAI

client = OpenAI(api_key="<deepseek api key>", base_url="https://api.deepseek.com")

response = client.chat.completions.create(

model="deepseek-chat",

messages=[

{"role": "system", "content": "You are a helpful assistant"},

{"role": "user", "content": "Hello"},

],

stream=False

)

print(response.choices[0].message.content)

模型返回的json數(shù)據(jù)示例：

{

"id": "65c327b06948c8d635c8316c6885d95e",

"choices": [

{

"index": 0,

"message": {

"content": "Hello! How can I assist you with your programming or computer science questions today?",

"role": "assistant"

},

"finish_reason": "stop",

"logprobs": null

}

],

"created": 1717069572,

"model": "deepseek-coder",

"system_fingerprint": "fp_ded2115e5a",

"object": "chat.completion",

"usage": {

"prompt_tokens": 18,

"completion_tokens": 16,

"total_tokens": 34

}

}

】

解析返回的JSON數(shù)據(jù)，獲取翻譯后的文本，將翻譯后的文本內(nèi)容寫入一個新的表格文件中；

注意：

每一步都要輸出相關(guān)信息到屏幕上

如果單元格的文本長度或者翻譯返回的文本長度超過模型限制，那就進(jìn)行拆分，然后組合在一起；

Chatpgt生成的代碼：

import pandas as pd

import requests

import json

# 讀取Excel文件

file_path = "F:\\AI自媒體內(nèi)容\\AI行業(yè)數(shù)據(jù)分析\\poetop50bots.xlsx"

df = pd.read_excel(file_path, header=None, usecols="A:B", skiprows=1, nrows=50)

# DeepSeek API配置信息

base_url = "https://api.deepseek.com"

api_key = "XXX"

model = "deepseek-chat"

def translate_text(text):

headers = {

'Authorization': f'Bearer {api_key}',

'Content-Type': 'application/json'

}

data = {

"model": model,

"messages": [

{"role": "system", "content": "You are a helpful assistant"},

{"role": "user", "content": f"把英文內(nèi)容翻譯為中文：{text}"}

],

"stream": False

}

response = requests.post(f"{base_url}/v1/chat/completions", headers=headers, json=data)

response.raise_for_status() # 檢查請求是否成功

translated_text = response.json()['choices'][0]['message']['content']

return translated_text

def split_text(text, max_length):

return [text[i:i + max_length] for i in range(0, len(text), max_length)]

# 輸出每一步的信息到屏幕上

print(f"讀取文件: {file_path}")

for index, row in df.iterrows():

for col in [0, 1]: # 遍歷A和B列

text = row[col]

if pd.isna(text):

continue

text = str(text)

print(f"正在翻譯單元格({index+2}, {chr(col+65)}): {text}")

max_input_length = 32000

max_output_length = 4000

if len(text) > max_input_length:

parts = split_text(text, max_input_length)

translated_parts = [translate_text(part) for part in parts]

translated_text = ''.join(translated_parts)

else:

translated_text = translate_text(text)

print(f"翻譯結(jié)果: {translated_text}")

# 將翻譯后的文本寫入DataFrame中

df.iat[index, col] = translated_text

# 將結(jié)果寫回到新的Excel文件中

new_file_path = "F:\\AI自媒體內(nèi)容\\AI行業(yè)數(shù)據(jù)分析\\translated_poetop50bots.xlsx"

df.to_excel(new_file_path, index=False, header=False, startrow=1)

print(f"翻譯完成，結(jié)果已寫入文件: {new_file_path}")