前言：为什么是 DeepSeek？

在 ChatGPT 之后，国产大模型 DeepSeek 凭借其极高的性价比（甚至免费额度）和强大的逻辑推理能力，成为了开发者的新宠。作为一名合格的 Python 开发者，如果还在复制粘贴代码，那就太落伍了。

今天，我将带大家从零开始，用 Python 接入 DeepSeek API，并实现一个自动化处理 Excel 数据的实战案例。

一、 准备工作（避坑指南）

1. 获取 API Key：前往 DeepSeek 开放平台申请。现在的申请速度很快，新用户通常有赠送额度。(我说白了老铁，现在都在用openai的格式,直接下载它的客户端)

2. 环境配置：

   确保你的 Python 版本 > 3.8。我们需要安装官方推荐的 openai 库（因为 DeepSeek 兼容 OpenAI 格式）。

   pip install openai pandas openpyxl
   

二、 核心代码实现

接入 DeepSeek 其实非常简单，只需要不到 20 行代码。

1. 基础调用封装

from openai import OpenAI

# 初始化客户端
client = OpenAI(
    api_key="你的API_KEY", 
    base_url="https://api.deepseek.com"
)

def ask_deepseek(prompt):
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": "你是一个精通 Python 的自动化专家"},
            {"role": "user", "content": prompt},
        ],
        stream=False
    )
    return response.choices[0].message.content

print(ask_deepseek("帮我写一个快速排序算法"))

三、 实战案例：AI 自动化分析 Excel

假设你有一个繁琐的任务：每天需要对几百行用户评论进行情感分类。手动处理要一天，AI 只要一分钟。

逻辑如下：

1. 使用 pandas 读取 Excel。

2. 将每一行内容发送给 DeepSeek 识别。

3. 将结果回写到新的 Excel 中。

核心代码展示：

import pandas as pd

df = pd.read_excel("comments.xlsx")

def analyze_sentiment(text):
    prompt = f"请判断以下评论的情感，仅返回‘好评’或‘差评’：{text}"
    return ask_deepseek(prompt)

# 批量处理
df['情感分类'] = df['评论内容'].apply(analyze_sentiment)

# 保存结果
df.to_excel("result.xlsx", index=False)
print("自动化任务完成！")

四、 避坑与优化技巧（深度干货）

• 流式输出（Stream）：如果对话很长，记得开启 stream=True，这样可以像 ChatGPT 那样逐字显示，提升用户体验。

• Token 节省：在 Prompt 中明确要求“仅返回结果，无需解释”，可以大幅节省 Token 消耗。

• 错误处理：API 调用偶尔会超时，建议加入 try-except 和指数退避重试机制。

五、 总结

AI 不会取代程序员，但先用上 AI 的程序员会取代其他人。DeepSeek 的出现降低了我们开发智能应用的门槛。如果你觉得这篇文章有用，记得点赞、收藏、关注三连！