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——总数明显错。两种不同的失败模式都会导致这个：普通对话里 ChatGPT 是把文件部分内容塞进 context，剩下的丢掉；Code Interpreter（Advanced Data Analysis）里文件完整落盘，但模型只对 df.head() 做汇总，没真的跑聚合。修法：强制 pandas 在完整 DataFrame 上执行；超大文件用 chunksize 分块；或者本地预聚合后再上传 rollup。
常见原因
1. 普通对话只采样，不加载
没开 Code Interpreter 时，ChatGPT 读文件就是把部分文本塞进 context。token 预算把这个上限定在大约前 1000-3000 行。后面的所谓”分析”都是外推、不是计算。
如何判断：分析过程没有 Python 工具图标；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. 真正巨大的文件撞沙箱内存上限
2GB CSV、2000 万行会把沙箱内存撑爆，pd.read_csv 抛 MemoryError 或者直接 kill kernel。模型为了”让它能跑”会自动加 nrows=1000 重试，然后把这个子集当答案。
如何判断：Code Interpreter 输出里有 kernel restart 或 memory error。
4. chunksize 累加遗漏
用 chunksize= 读但忘了累加，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 列文件 print 中间是 ...，模型有时会断言那些列”不存在”。
最短修复路径
Step 1：先确认整份文件被加载了
每次都用这段开头：
import pandas as pd
df = pd.read_csv("/mnt/data/big.csv")
print("rows:", df.shape[0])
print("cols:", df.shape[1])
print("memory MB:", df.memory_usage(deep=True).sum() / 1e6)rows 对得上你预期，文件就完整加载了，后续聚合可信。
Step 2：把 prompt 写成聚合请求，不是汇总请求
用 pandas 加载 /mnt/data/big.csv，打印 df.shape。
然后计算：
- df["revenue"].sum()
- df.groupby("region")["revenue"].sum()
- df["date"].min(), df["date"].max()
给我实际数字，不要采样。ADA 会逐行执行，答案就是真值。
Step 3：超大文件用 chunksize 流式处理
文件大到放不下：
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。百分位需要跨 chunk 保留 partial state。
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：
# 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。
预防
- 重复分析大数据，先在本地用 pandas / DuckDB 建管线，只把聚合结果上传给 ChatGPT。
- 上传时第一条 prompt 永远包含
df.shape+df.head()，亲眼验证整份文件加载成功。 - 文件 > 100MB 优先用 Parquet 而不是 CSV——体积小 5-10 倍、读取快、保留 dtype。
- 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”。