Salut les passionnés d’astronomie et les codeurs curieux ! Aujourd’hui, je vous propose un voyage interstellaire à travers un script Python qui utilise l’API locale d’Ollama pour générer des définitions et des notes explicatives sur des objets astronomiques. 🌌✨
Pourquoi ce script est-il génial ?
Imaginez que vous avez un fichier Excel rempli de données sur des objets célestes, mais vous avez besoin de descriptions détaillées et de notes explicatives pour chaque type et sous-type d’objet. C’est là que notre script entre en jeu ! Il parcourt chaque ligne de votre fichier Excel, envoie des requêtes à l’API d’Ollama pour obtenir des définitions en français, et sauvegarde les résultats dans un nouveau fichier Excel. Et le meilleur dans tout ça ? Si un type ou un sous-type d’objet a déjà été traité, le script réutilise la définition précédemment générée pour éviter des appels redondants à l’API. 🚀
Origine du Fichier Excel
Le fichier Excel utilisé dans ce script provient du Catalogue Exotica de Breakthrough Listen, un projet de recherche de l’Université de Californie à Berkeley. Le Catalogue Exotica est une collection de plus de 700 objets célestes distincts, visant à inclure « un de chaque » type d’objet astronomique connu. Il comprend des exemples de chaque type dans l’échantillon Prototype, des objets extrêmes avec des propriétés record dans l’échantillon Superlative, et des cibles énigmatiques dans l’échantillon Anomaly. 🌠
Le fichier Excel a été extrait du code source de l’article scientifique « One of Everything: The Breakthrough Listen Exotica Catalog » disponible sur arXiv. La conversion du tableau LaTeX en fichier Excel a été réalisée à l’aide du convertisseur en ligne disponible sur TableConvert.
Prérequis
Avant de plonger dans le code, assurez-vous d’avoir les éléments suivants :
- Python 3.x
- Bibliothèque
pandas - Bibliothèque
requests - API locale d’Ollama accessible à l’adresse
http://localhost:11434/api/generate - Fichier Excel
updated_table.xlsxavec les colonnesType,Sous-Type, etExemple
Installation des Prérequis
- Installer Python 3.x : Vous pouvez télécharger et installer Python à partir du site officiel python.org.
- Installer les bibliothèques nécessaires :
pip install pandas requests openpyxl - Configurer l’API locale d’Ollama : Assurez-vous que l’API locale d’Ollama est accessible à l’adresse
http://localhost:11434/api/generate.
Le Script Magique 🪄
Voici le script complet avec des commentaires détaillés en français et en anglais :
# -*- coding: utf-8 -*-
# This program is free software: you can redistribute it and/or modify
# it under the terms of the GNU General Public License as published by
# the Free Software Foundation, either version 3 of the License, or
# (at your option) any later version.
#
# This program is distributed in the hope that it will be useful,
# but WITHOUT ANY WARRANTY; without even the implied warranty of
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
# GNU General Public License for more details.
#
# You should have received a copy of the GNU General Public License
# along with this program. If not, see <https://www.gnu.org/licenses/>.
# Description:
# This script uses the local Ollama API to generate definitions and explanatory notes
# on astronomical objects from an Excel file. The script iterates over each row of the
# Excel file, sends requests to the API to obtain definitions in French, and saves the
# results in a new Excel file. If a type or subtype of object has already been processed,
# the script reuses the previously generated definition to avoid redundant API calls.
#
# Description :
# Ce script utilise l'API locale d'Ollama pour générer des définitions et des notes explicatives
# sur des objets astronomiques à partir d'un fichier Excel. Le script parcourt chaque ligne du
# fichier Excel, envoie des requêtes à l'API pour obtenir des définitions en français, et sauvegarde
# les résultats dans un nouveau fichier Excel. Si un type ou un sous-type d'objet a déjà été traité,
# le script réutilise la définition précédemment générée pour éviter des appels redondants à l'API.
# Origin of the Excel file:
# The Excel file used in this script comes from the Breakthrough Listen Exotica Catalog,
# a research project at the University of California, Berkeley. The Exotica Catalog is a
# collection of over 700 distinct celestial objects, aiming to include "one of everything"
# type of astronomical object known. It includes examples of each type in the Prototype sample,
# extreme objects with record properties in the Superlative sample, and enigmatic targets in the Anomaly sample.
#
# The Excel file was extracted from the source code of the scientific article "One of Everything:
# The Breakthrough Listen Exotica Catalog" available on arXiv. The conversion of the LaTeX table
# to an Excel file was done using the online converter available on TableConvert.
#
# Origine du fichier Excel :
# Le fichier Excel utilisé dans ce script provient du Catalogue Exotica de Breakthrough Listen,
# un projet de recherche de l'Université de Californie à Berkeley. Le Catalogue Exotica est une
# collection de plus de 700 objets célestes distincts, visant à inclure "un de chaque" type d'objet
# astronomique connu. Il comprend des exemples de chaque type dans l'échantillon Prototype, des objets
# extrêmes avec des propriétés record dans l'échantillon Superlative, et des cibles énigmatiques dans
# l'échantillon Anomaly.
#
# Le fichier Excel a été extrait du code source de l'article scientifique "One of Everything:
# The Breakthrough Listen Exotica Catalog" disponible sur arXiv. La conversion du tableau LaTeX
# en fichier Excel a été réalisée à l'aide du convertisseur en ligne disponible sur TableConvert.
# Import necessary libraries
# Importer les bibliothèques nécessaires
import pandas as pd
import requests
import json
# Load the Excel file
# Charger le fichier Excel
print("Loading the Excel file...")
print("Chargement du fichier Excel...")
df = pd.read_excel('updated_table.xlsx', engine='openpyxl')
print("Excel file loaded successfully.")
print("Fichier Excel chargé avec succès.")
# Dictionaries to store already generated definitions
# Dictionnaires pour stocker les définitions déjà générées
definitions_type = {}
definitions_subtype = {}
definitions_example = {}
# Function to generate text using the local Ollama API
# Fonction pour générer du texte avec l'API locale d'Ollama
def generate_text(prompt):
print(f"Sending request to the API for the prompt: {prompt}")
print(f"Envoi de la requête à l'API pour le prompt : {prompt}")
response = requests.post(
"http://localhost:11434/api/generate", # Ensure the local API is accessible at this address
# Assurez-vous que l'API locale est accessible à cette adresse
json={"model": "llama3.3:70b-instruct-q2_K", "prompt": prompt}
)
# Debugging: Print the raw API response
# Débogage : Afficher la réponse brute de l'API
print("Raw API response:", response.text)
print("Réponse brute de l'API:", response.text)
# Assemble fragmented responses
# Assembler les réponses fragmentées
full_response = ""
for line in response.text.splitlines():
try:
json_line = json.loads(line)
full_response += json_line["response"]
if json_line.get("done", False):
break
except json.JSONDecodeError as e:
print("JSON decoding error:", e)
print("Erreur de décodage JSON:", e)
return "Text generation error"
return "Erreur de génération de texte"
print(f"Complete API response: {full_response}")
print(f"Réponse complète de l'API : {full_response}")
return full_response
# Iterate over the DataFrame rows and fill the columns
# Parcourir les lignes du DataFrame et remplir les colonnes
print("Starting to process DataFrame rows...")
print("Début du traitement des lignes du DataFrame...")
for index, row in df.iterrows():
print(f"Processing row {index + 1}/{len(df)}")
print(f"Traitement de la ligne {index + 1}/{len(df)}")
type_query = row['Type']
subtype_query = row['Sous-Type']
example_query = row['Exemple']
# Check if the type definition has already been generated
# Vérifier si la définition du type a déjà été générée
if type_query in definitions_type:
df.at[index, 'Définition du type'] = definitions_type[type_query]
else:
definition_type = generate_text(f"Définition du type d'objet astronomique {type_query} en français:")
definitions_type[type_query] = definition_type
df.at[index, 'Définition du type'] = definition_type
# Save the updated Excel file after each definition
# Sauvegarder le fichier Excel mis à jour après chaque définition
df.to_excel(f'updated_table_with_definitions_{index + 1}_type.xlsx', index=False)
# Check if the subtype definition has already been generated
# Vérifier si la définition du sous-type a déjà été générée
subtype_key = (type_query, subtype_query)
if subtype_key in definitions_subtype:
df.at[index, 'Définition du sous-type'] = definitions_subtype[subtype_key]
else:
definition_subtype = generate_text(f"Définition du sous-type d'objet astronomique {subtype_query} de type {type_query} en français:")
definitions_subtype[subtype_key] = definition_subtype
df.at[index, 'Définition du sous-type'] = definition_subtype
# Save the updated Excel file after each definition
# Sauvegarder le fichier Excel mis à jour après chaque définition
df.to_excel(f'updated_table_with_definitions_{index + 1}_subtype.xlsx', index=False)
# Check if the explanatory note on the example has already been generated
# Vérifier si la note explicative sur l'exemple a déjà été générée
example_key = (type_query, subtype_query, example_query)
if example_key in definitions_example:
df.at[index, 'Note explicative sur l\'exemple'] = definitions_example[example_key]
else:
definition_example = generate_text(f"Note explicative sur l'exemple d'objet astronomique {type_query}, {subtype_query}, {example_query} en français:")
definitions_example[example_key] = definition_example
df.at[index, 'Note explicative sur l\'exemple'] = definition_example
# Save the updated Excel file after each definition
# Sauvegarder le fichier Excel mis à jour après chaque définition
df.to_excel(f'updated_table_with_definitions_{index + 1}_example.xlsx', index=False)
print("Finished processing rows. Saving the final Excel file...")
print("Traitement des lignes terminé. Sauvegarde du fichier Excel final...")
# Save the final updated Excel file
# Sauvegarder le fichier Excel final mis à jour
df.to_excel('updated_table_with_definitions_final.xlsx', index=False)
print("The Excel file has been updated with definitions generated by LLaMA in French.")
print("Le fichier Excel a été mis à jour avec des définitions générées par LLaMA en français.")Médiagraphie
- Breakthrough Listen. (n.d.). Exotic Target Catalog. Récupéré de http://seti.berkeley.edu/exotica/
- Lacki, B. C., Lebofsky, M., Isaacson, H., Siemion, A., Sheikh, S., Croft, S., … & Werthimer, D. (2020). One of Everything: The Breakthrough Listen Exotica Catalog. arXiv. Récupéré de https://arxiv.org/pdf/2006.11304.pdf
- TableConvert. (n.d.). Convert LaTeX Table to Excel Online. Récupéré de https://tableconvert.com/latex-to-excel
- Python Software Foundation. (n.d.). pandas documentation. Récupéré de https://pandas.pydata.org/pandas-docs/stable/
- Reitz, K., & Chovanec, T. (n.d.). Requests: HTTP for Humans. Récupéré de https://docs.python-requests.org/en/latest/
Conclusion
Et voilà ! Vous avez maintenant un script Python puissant et flexible pour générer des définitions et des notes explicatives sur des objets astronomiques à partir d’un fichier Excel. Ce script utilise l’API locale d’Ollama pour obtenir des définitions en français et sauvegarde les résultats dans un nouveau fichier Excel. N’hésitez pas à personnaliser ce script selon vos besoins et à explorer les merveilles de l’astronomie avec des descriptions détaillées et précises. 🚀🌌
Si vous avez des questions ou des problèmes, n’hésitez pas à demander de l’aide ! 😊
Bon codage et bon voyage interstellaire ! 🌠✨
Plus de détails sur mon site Github : https://github.com/steveprudhomme/astronomical-object-type-metadata
