你上传一份 5 万行的 CSV，问”所有行的平均营收”，ChatGPT 基于前 1000 行作答——总数明显是错的。最快的修法： 先确认它真的跑了 Python，再把 prompt 写成聚合请求、而不是汇总请求。上传后第一条消息直接贴这句：用 pandas 加载文件，打印 df.shape，然后计算我要的总数——把代码跑起来，不要采样。 只要 df.shape 对得上你真实的行数，后面每个数字就都可信。
同一个错误的总数背后有两种失败模式。普通对话（没跑 Python）里，ChatGPT 只把文件文本的一部分塞进 context，然后基于那一片做外推。**Code Interpreter / Advanced Data Analysis（ADA）**里文件完整落盘，但含糊的 prompt 会让模型只 print df.head() 再口述，根本没跑聚合。修法是：强制 pandas 在完整 DataFrame 上执行；文件接近沙箱内存上限时用 chunksize 分块；或者本地预聚合后只上传 rollup。
先判断你属于哪一类
| 对话记录里的现象 | 大概率原因 | 跳到 |
|---|---|---|
| 没有 Python / 分析工具跑过；行数特别整（1000、2000） | 普通对话采样了文件 | Step 1 + Step 2 |
代码 cell 里只有 df.head() / df.dtypes，从没 df.shape 或聚合 | ”汇总”类含糊 prompt | Step 2 |
MemoryError、“kernel restarted”，或悄悄加 nrows=1000 重试 | 撞沙箱内存上限（约 1 GB） | Step 3 / Step 4 |
跑完 chunksize 循环后，最终数字只反映一部分数据 | chunk 没累加 | Step 3 |
| 模型断言某些列”不存在” | 宽表显示被截断 | Step 1（打印 df.columns） |
常见原因
1. 普通对话只采样，不加载
没开 Code Interpreter 时，ChatGPT 读表格就是把文件文本的一部分塞进模型 context，再基于那一片推理。采样之外的所谓”分析”都是外推、不是计算。表格虽然不受 2M-token 文本上限约束，但这不代表每一行都进了 context——只要没跑 Python，模型用的还是预览片段。
如何判断：作答时没有 Python 工具图标，也没有 “Analyzing” 的代码 cell；报告的行数特别整（1000、2000）。
2. Code Interpreter 加载了，但只 print 了 df.head()
在 ADA 里 pandas 能整份读。但 prompt 含糊（“汇总这个文件”），模型默认就 print 前 5 行 + 列信息，再口述结论，从不跑 df.shape 或 df.describe()。
如何判断：代码 cell 里只有 df.head() 和 df.dtypes，没有 df.shape、没有任何聚合。文字里写 “based on the sample…“
3. 较大文件撞沙箱内存上限
Code Interpreter 沙箱内存大约 1 GB（截至 2026 年 6 月；在 ChatGPT app 内固定，无法调高）。单文件上传上限是 512 MB，而 CSV / Excel 实际只能到 约 50 MB，取决于行的宽度。即便文件本身能上传成功，pandas 一旦把它解析成 DataFrame 也可能超过 1 GB——字符串列在内存里会膨胀。这时 pd.read_csv 抛 MemoryError 或者 kernel restart，模型为了”让它能跑”经常自动加 nrows=1000 重试，然后把这个子集当答案。
如何判断：代码 trace 里出现 MemoryError、kernel restart，或失败后悄悄改用 nrows= 重读。
4. chunksize 累加遗漏
用 chunksize= 读但忘了跨 chunk 累加，最终答案只来自最后一块。自定义聚合 prompt 经常踩这个。
5. 列方向被显示截断
pd.set_option("display.max_columns") 默认很低。50 列的文件 print 中间是 ...，模型有时会断言那些被隐藏的列”不存在”。
最短修复路径
Step 1：先确认整份文件被加载了
每次都用一段 shape 检查开头，免得你在切片上推理：
import pandas as pd
df = pd.read_csv("/mnt/data/big.csv")
print("rows:", df.shape[0])
print("cols:", df.shape[1])
print("columns:", list(df.columns))
print("memory MB:", round(df.memory_usage(deep=True).sum() / 1e6, 1))rows 对得上你预期，文件就完整加载了，后续聚合可信。打印 columns 顺手干掉原因 5——即便显示会隐藏，你也能看到全部列名。
Step 2：把 prompt 写成聚合请求，不是汇总请求
明确要求模型把代码跑起来：
用 pandas 加载 /mnt/data/big.csv，先打印 df.shape。
然后计算并打印实际数字，不要采样：
- df["revenue"].sum()
- df.groupby("region")["revenue"].sum()
- df["date"].min(), df["date"].max()
把 Python 跑起来；不要从 df.head() 口述结论。ADA 会逐行执行，答案就是真值。“不要从 df.head() 口述”这句，是稳定堵住原因 2 的关键。
Step 3：较大文件用 chunksize 流式处理并累加
文件接近内存上限时，分块处理再累加——这能同时修原因 3 和原因 4：
import pandas as pd
total = 0
n = 0
for chunk in pd.read_csv("/mnt/data/huge.csv", chunksize=200_000):
total += chunk["revenue"].sum()
n += len(chunk)
print("rows processed:", n)
print("total revenue:", total)对求和、计数、大多数 groupby 聚合都管用。要精确的百分位或中位数，得跨 chunk 保留 partial state（或者用下面的 DuckDB 方案）。打印出来的 rows processed 应该等于你的完整行数——不相等就说明丢了一块。
沙箱里更省内存的替代方案是 DuckDB，它从磁盘流式读取，从不把整份文件塞进 RAM：
import duckdb
duckdb.sql("""
SELECT region, sum(revenue) AS rev, count(*) AS rows
FROM '/mnt/data/huge.csv'
GROUP BY region
""").show()Step 4：本地预聚合后再上传
内存吃紧、或只要 rollup 的，在你机器上先聚合，再上传那个小结果：
# 本地
import pandas as pd
df = pd.read_csv("huge.csv")
rollup = df.groupby(["region","quarter"]).agg(
rev_sum=("revenue","sum"),
rev_avg=("revenue","mean"),
rows=("revenue","count"),
).reset_index()
rollup.to_csv("rollup.csv", index=False)上传 rollup.csv（几百行）。ChatGPT 立刻能分析，原始数据也不离开你机器。
Step 5：拆成 N 份分别分析
确实需要行级访问、但又装不下时，先拆：
split -l 100000 huge.csv part_每次一份 + 一个问题；或者全放 Project 里让 ChatGPT 逐份迭代。文件数控制在 10 个以内，检索质量才稳——也别忘了配额：截至 2026 年 6 月，Plus 是每 3 小时滚动窗口 80 个文件，Free 大约每天 3 个，Team / Enterprise 是每 3 小时 160 个。
怎么确认已经修好了
- 对话里出现了 Python / 分析代码 cell（不只是文字）。
df.shape[0]（或rows processed）等于你真实的行数。- 关键数字来自聚合行（
.sum()、.groupby()、DuckDB 的SELECT），不是来自df.head()。 - 把同一个总数再问一遍——正确的计算结果在重跑之间稳定不变；采样估计通常会漂。
预防
- 重复分析大数据，先在本地用 pandas 或 DuckDB 建管线，只把聚合结果上传。
- 上传时第一条 prompt 永远包含
df.shape+df.columns，亲眼验证整份文件加载成功。 - 文件 > 100 MB 优先用 Parquet 而不是 CSV——通常体积小 5-10 倍、读取更快、还保留 dtype（加载时字符串列不会撑内存）。
- 临时探索可以采样：
df.sample(10_000, random_state=42)——可复现的子集、任何 prompt 都装得下。 - 大屏 / 周期性报表用 Code Interpreter + 整份文件，但 prompt 永远写成明确的聚合，绝不写”汇总”。
常见问题
我文件有 5 万行，为什么 ChatGPT 说正好 1000 行？
因为根本没跑 Python。普通对话把文件的一片塞进 context，报的是那一片的大小。重问一句”跑 pandas 并打印 df.shape”，让行数来自真实的读取。
CSV 上传的实际文件大小上限是多少？ 硬上限是单文件 512 MB，但 CSV / Excel 实际只能到约 50 MB（取决于行宽），而且解析后的 DataFrame 还得装进约 1 GB 的沙箱（截至 2026 年 6 月）。比这大就流式处理（Step 3）或本地预聚合（Step 4）。
能调高 Code Interpreter 的内存上限吗？ 在 ChatGPT app 里不能——容器内存是固定的（约 1 GB）。更高的内存只能通过 OpenAI API 的 Code Interpreter 工具配置，消费端 app 不行。在 app 里，分块读取或 DuckDB 就是变通办法。
一个问题对了，下一个答案又错了，为什么？ 每个新的分析轮次可能起一份全新的代码状态，含糊的追问（“现在按月拆”）又会触发采样。每次都把聚合明确重述一遍，或者把所有计算放进同一条 prompt。
分块文件上怎么拿到精确的中位数或 95 分位？
逐 chunk 的百分位没法合并成正确的全局值。要么只读你需要的那一列（pd.read_csv(path, usecols=["revenue"])），让内存里只住这一列；要么用 DuckDB 的 quantile_cont(revenue, 0.95)，它能对整份文件算、又不用全部加载进 RAM。