Varn1t/EDAgent: 개인 탐색적 데이터 분석가 + AI 에이전트

CSV 또는 Excel 데이터셋을 드롭하세요. 완전한 EDA(탐색적 데이터 분석)를 자동으로 얻으세요.

LangGraph와 Ollama로 구축된 에이전트 기반의 LLM 구동 탐색적 데이터 분석 파이프라인입니다.

10개의 전문 AI 에이전트가 데이터셋을 분석하고, 정리하며, 세련된 HTML 보고서를 생성합니다. 이 모든 과정은 100% 로컬에서 실행됩니다.

CSV 또는 Excel 데이터셋을 제공하면, 10단계 LangGraph 파이프라인이 구동됩니다. 각 노드는 AI 에이전트이며, 데이터의 다른 측면을 분석하고, 요약문을 작성하며, 그 결과를 다음 단계로 전달합니다. 최종적으로 다음과 같은 결과물을 얻게 됩니다:

• 탭별 결과와 실시간 에이전트 진행률 표시줄이 있는 대화형 Streamlit 대시보드 - CLI를 통해 실행했을 경우 풍부하고 색상 코딩된 터미널 출력(rich, color-coded terminal output) - 히트맵이 인라인으로 임베드된, 자체 포함적이고 다크 테마의 브라우저용 report.html

• correlation_heatmap.png로 저장된 상관관계 히트맵

output/ 디렉토리에 다음과 같은 결과물이 생성됩니다:

• 클리닝 에이전트에 의해 자동으로 수정되어 CSV로 다운로드할 준비가 된 정제된 데이터셋

schema → quality → stats → outliers → cleaning → correlation → importance → synthesis → model_rec → feature_eng

각 노드는 먼저 Python 분석 도구를 실행한 다음, 원시 결과를 LLM에 전달하여 추론하고 일반 영어로 요약합니다.

아키텍처 참고 사항: 모든 Python 계산(상관관계 행렬, 이상치 IQR 경계, 기술 통계)은 전체 데이터셋에서 실행되어 통계적 정확성을 보장합니다. LLM에 전달되는 데이터는 컨텍스트 창 과부하와 환각을 방지하기 위해 의도적으로 제한됩니다 (예: 가장 강력한 상관관계 상위 20개, 이상치 특징 상위 15개).

정제 에이전트는 **2단계 전략(two-pass strategy)**을 사용하여 LLM 품질에 관계없이 일반적인 데이터 문제를 안정적으로 수정합니다:

결측치와 유사한 문자열 정규화(Null-like string normalisation) — `

Streamlit 대시보드는 **이전 및 이후 (Before & After)**의 나란히 배치된 표와 색상 코드가 지정된 차이점 카드(행 / 누락 값 / 중복)를 보여줍니다.

Ollama를 설치하고 모델을 가져오세요:

ollama pull llama3.2

pip install -r requirements.txt

streamlit run app.py

브라우저에서 EDAgent 웹 대시보드가 열립니다. CSV 또는 Excel 데이터셋을 업로드 영역으로 드래그 앤 드롭하고 **EDA 파이프라인 실행 (Run EDA Pipeline)**을 클릭하세요.

# 자체 데이터셋의 경우
python pipeline.py your_dataset.csv
python pipeline.py your_dataset.xlsx
...

┌──────────────────────────────────────────────────────────────────┐
│ EDAgent 파이프라인 │
│ 데이터셋: Teen_Mental_Health_Dataset.csv 행: 1200 열: 13 │
...

EDAgent/
├── app.py # Streamlit 웹 대시보드
├── pipeline.py # 전체 LangGraph 파이프라인 (10개 에이전트 모두)
...

API 키가 필요하지 않습니다. 데이터가 클라우드로 전송되지 않습니다. 모든 것이 Ollama를 통해 사용자의 기기에서 실행됩니다. pipeline.py의 한 줄을 변경하여 llama3.2를 다른 Ollama 호환 모델로 교체하세요:

`:

llm = ChatOllama(model="your-model-here")

Varnit 제작 :)