Tag: Google Colab

วิธีโหลดข้อมูล Google Sheets มาวิเคราะห์ใน Python บน Google Colab ใน 3 ขั้นตอน–ตัวอย่างจาก Harry Potter transaction dataset

Google Sheets เป็นเครื่องมือเก็บข้อมูลที่ทุกคนสามารถเข้าถึงได้ฟรี และมักเป็นที่เก็บข้อมูลทั้งส่วนตัว (เช่น รายรับรายจ่าย) และธุรกิจ (เช่น ข้อมูลการขาย ข้อมูลลูกค้า)

แม้ว่า Google Sheet จะวิเคราะห์ข้อมูลได้ แต่การวิเคราะห์จะมีประสิทธิภาพมากกว่า เมื่อเราใช้ programming language อย่าง Python เข้ามาช่วย

นอกจากความรวดเร็วในการประมวลผล และรองรับข้อมูลปริมาณมาก Python ยังสามารถวิเคราะห์แบบอัตโนมัติได้ด้วย เพียงแค่เราเขียน code รอเอาไว้

ในบทความนี้ เราจะมาดูวิธีการโหลดข้อมูลจาก Google Sheet เข้ามาวิเคราะห์ใน Python บน Google Colab กัน

บทความนี้แบ่งเป็น 3 ส่วน:

Load spreadsheet
Load worksheet
Load data

สำหรับคนที่ต้องการทำตาม สามารถดูไฟล์ตัวอย่างได้ตาม link:

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

1️⃣ Step 1. Load Spreadsheet

เริ่มแรก เราจะโหลด spreadsheet ที่ต้องการ ใน 2 ขั้นตอน:

Authorise: ให้สิทธิ์การเข้าถึง Google Drive กับ Colab
Open spreadsheet: เชื่อมต่อ Google Sheet ที่ต้องการ

✅ 1.1 Authorise

เราเปิดสิทธิ์การเข้าถึง Google Drive ให้กับ Colab ได้แบบนี้:

			
# Grant Colab access to Google services
# Import package
from google.colab import auth
# Enable access to Google services
auth.authenticate_user()

		

เมื่อกด “Run”, Google จะพาเราไปที่หน้า Sign In ให้เรากด “Continue”:

จากนั้น ติ๊ก checkbox เพื่อให้สิทธิ์กับ Colab แล้วกด “Continue”

หลังเปิดสิทธิ์ ให้เราสร้าง client เพื่อเข้าถึง Google Drive:

			
# Connect to Google Drive
# Import packages
import gspread
from google.auth import default
# Get credentials and Google Cloud project ID
creds, _ = default()
# Create Google Sheet client
gc = gspread.authorize(creds)

		

Note:

default() จะคืนค่าให้ 2 อย่าง คือ credentials และ Google Cloud project ID
เราจะใช้เฉพาะ credentials
ส่วน Google Cloud project ID เราจะปล่อยทิ้งไป โดยเก็บไว้ใน _

📖 1.2 Open Spreadsheet

หลังจากสร้าง client แล้ว เราจะเชื่อมต่อกับ spreadsheet ซึ่งเราจะต้องเอา ID ของ spreadsheet มาจาก URL ตามตัวอย่างในรูป:

ให้เรา copy ID มาใช้แบบนี้:

			
# Load spreadsheet
# Define spreadsheet ID
spreadsheet_id = "12MglU8pFc_7XAylqANyqm8aLQNwvL98fXObjHEjrRvQ"
# Open spreadsheet
spreadsheet = gc.open_by_key(spreadsheet_id)
# Print spreadsheet title
print(spreadsheet.title)

		

ผลลัพธ์:

Diagon Alley Artefacts

ตอนนี้ เราก็โหลด spreadsheet สำเร็จแล้ว

ตัวอย่าง spreadsheet:

2️⃣ Step 2. Load Worksheet

หลังจากโหลด Google Sheet แล้ว เราจะเชื่อมต่อกับ worksheet ที่ต้องการ ใน 2 ขั้นตอน:

List: ดูรายชื่อ worksheet ทั้งหมดใน Google Sheet
Select: เลือก worksheet

📋 2.1 List

เราดูรายชื่อ worksheet ทั้งหมดได้แบบนี้:

			
# List worksheets
# Get all worksheet names
worksheets = spreadsheet.worksheets()
# Print them
for ws in worksheets:
    print(ws.title)

		

ผลลัพธ์:

			
transactions
Sheet2
Sheet3

🫳 2.2 Select

จากนั้น ให้เราโหลด worksheet ที่ต้องการ (เช่น transactions):

			
# Select worksheet
worksheet = spreadsheet.worksheet("transactions")

ตอนนี้ เราก็เชื่อมต่อกับ worksheet สำเร็จแล้ว

3️⃣ Step 3. Load Data

สุดท้าย เราจะโหลดข้อมูลจาก worksheet ใน 3 ขั้นตอน:

Read data: โหลดข้อมูลจาก worksheet
Convert to DataFrame: เปลี่ยนข้อมูลให้เป็น DataFrame
Analyse: วิเคราะห์ข้อมูลตามต้องการ

👓 3.1 Read Data

เราจะโหลดข้อมูลจาก worksheet แบบนี้:

			
# Get all data from worksheet
data = worksheet.get_all_values()
# Print result
data

โดยข้อมูลที่ได้จะเป็น list of lists (1 list = 1 row):

🐼 3.2 Convert to DataFrame

เพื่อช่วยให้เราวิเคราะห์ข้อมูลได้ง่าย เราจะเปลี่ยนข้อมูลให้เป็น DataFrame ด้วย pandas:

			
# Convert data to df
# Import package
import pandas as pd
# Convert
df = pd.DataFrame(
    data=data[1:],
    columns=data[0]
)
# Print result
df

		

ผลลัพธ์:

📈 3.3 Analyse

จากนั้น เราสามารถวิเคราะห์ข้อมูลได้ตามต้องการ เช่น คำนวณยอดขายทั้งหมด:

			
# Find total sales per category
# Convert column types to numeric
df["quantity"] = pd.to_numeric(df["quantity"], errors="coerce")
df["unit_price"] = pd.to_numeric(df["unit_price"], errors="coerce")
# Calculate total sales per row
df["revenue"] = df["quantity"] * df["unit_price"]
# Calculate sum sales
total_sales = df["revenue"].sum()
# Print result
print(total_sales)

		

ผลลัพธ์:

11600.0

Note:

ข้อมูลที่โหลดจะเป็น string ดังนั้น เราต้องเปลี่ยนตัวเลขให้กลายเป็น numeric หรือ float ก่อนเอาไปวิเคราะห์ต่อ
ดูวิธีวิเคราะห์ข้อมูลด้วย pandas

💪 Summary

ในบทความนี้ เราดูวิธีโหลดข้อมูล Google Sheet เข้ามาใน Python บน Google Colab ใน 3 ขั้นตอน:

Step 1. Load spreadsheet:

Code	For
`auth.authenticate_user()`	เปิดสิทธิ์เข้าถึง Google Drive
`default()`	รับ credentials
`gspread.authorize(creds)`	สร้าง client
`gc.open_by_key(spreadsheet_id)`	เชื่อมต่อ Google Sheet

Step 2. Load worksheet:

Code	For
`spreadsheet.worksheets()`	ดูรายชื่อ worksheet ทั้งหมด
`spreadsheet.worksheet("worksheet_name")`	เลือก worksheet

Step 3. Load data:

Code	For
`worksheet.get_all_values()`	โหลดข้อมูลใน worksheet
`pd.DataFrame(data=data[1:], columns=data[0])`	แปลงข้อมูลให้เป็น DataFrame

📃 References

18.06.2026

สร้าง chatbot ส่วนตัว ใน 5 ขั้นตอน ด้วย OpenAI library ใน Python — ตัวอย่างการสร้าง Gemini chatbot
ในบทความนี้ เราจะมาดูวิธีสร้าง chatbot ส่วนตัว ด้วย openai library ใน Python ใน 5 ขั้นตอนกัน:
1. Import libraries
2. Create a client
3. Create a chat history
4. Create a chat function
5. Chat
Note: เราจะรัน code ตัวอย่างบน Google Colab ซึ่งทุกคนสามารถดูได้ Gemini Chatbot in Google Colab

ถ้าพร้อมแล้ว ไปเริ่มกันเลย
🏁 Step 1. Import Libraries

ในขั้นแรก เราจะโหลด 2 libraries ที่เกี่ยวข้อง ซึ่งได้แก่:
1. openai: สำหรับเรียกใช้ API ของ AI service *
2. display และ Markdown: สำหรับแสดง markdown text (อย่างคำตอบที่ส่งมาจาก AI) ให้อ่านง่าย
```
# Import libraries

# For Gemini
from openai import OpenAI

# For text rendering
from IPython.display import display, Markdown
```
Note: * openai library ถูกออกแบบสำหรับ OpenAI API แต่สามารถใช้งานกับ AI อื่น ๆ ได้ เช่น:
- Gemini
- Claude
- Typhoon
💁‍♂️ Step 2. Create a Client

ในขั้นที่ 2 เราจะสร้าง client เพื่อเชื่อมต่อกับ AI ที่เป็น “สมอง” ของ chatbot ด้วย OpenAI() ซึ่งต้องการ 2 arguments ได้แก่:
1. api_key: รหัส API ของเรา
2. base_url: URL สำหรับเรียกใช้ API
ในตัวอย่าง เราจะเรียกใช้ Gemini ซึ่งเราสามารถกำหนด arguments ได้ดังนี้:
```
# Create client
client = OpenAI(
    api_key="YOUR_API_KEY_HERE",
    base_url="<https://generativelanguage.googleapis.com/v1beta/openai/>"
)
```
Note:
- ใส่ API key ใน "YOUR_API_KEY_HERE"
- ดูวิธีสร้าง API key ฟรีได้ที่ Using Gemini API keys
- สำหรับคนที่จะเรียกใช้ OpenAI API (ChatGPT) แทน Gemini เราสามารถข้ามการเขียน base_url ไปได้
🙊 Step 3. Create a Chat History

ในขั้นที่ 3 เราจะสร้าง chat history เพื่อเก็บ:
1. System prompt ที่กำหนดพฤติกรรมของ chatbot (ในตัวอย่าง เราจะกำหนดให้เป็นผู้ช่วยที่กระตือรือร้น)
2. ประวัติการพูดคุยระหว่างเรากับ chatbot ซึ่งจะทำให้ chatbot จำสิ่งที่คุยกันได้
```
# Set system prompt
system_prompt = """
You are a helpful, cheerful, and optimistic assistant.

Be concise, validate answers, and admit when you don’t know.

Make responses clear, easy to read, and sprinkle in playful emoji.
"""

# Instantiate chat history
chat_history = [
    {
        "role": "system",
        "content": system_prompt
    }
]
```
📨 Step 4. Create a Chat Function

ในขั้นที่ 4 เราจะสร้าง function ที่จะทำให้เราถาม-ตอบกับ chatbot แบบ real-time ได้:
```
# Create a function for chatbot
def chatbot(model="gemini-2.5-flash"):

    # Set chat history as global variable
    global chat_history

    # Print chat header
    display(Markdown("# 🟢 --- Chat Begins ---"))

    # Print chat instruction
    print("ℹ️ Type \\"end chat\\" to exit.")

    # Loop through conversation
    while True:

        # Render user prompt display
        display(Markdown("## 🧑‍💻 You:"))

        # Get user input
        user_prompt = input("")

        # Check if user wants to exit chat
        if user_prompt.lower() == "end chat":

            # Print goodbye message
            display(Markdown("## ✨ Assistant:\\n" + "👋 See you later!"))

            # End chat
            break

        # Append user input to chat history
        chat_history.append(
            {
                "role": "user",
                "content": user_prompt
            }
        )

        # Get response
        response = client.chat.completions.create(

            # Set prompt
            messages=chat_history,

            # Set model
            model=model
        )

        # Append response to history
        chat_history.append(
            {
                "role": "assistant",
                "content": response.choices[0].message.content
            }
        )

        # Render response
        display(Markdown("## ✨ Assistant:\\n" + response.choices[0].message.content + "\\n"))
```
💬 Step 5. Chat

ในขั้นสุดท้าย เราจะเรียกใช้งาน chatbot() เพื่อเริ่มคุยกับ AI เลย:
```
# Start chatting
chatbot()
```
ผลลัพธ์:

👍 Google Colab

ดูตัวอย่าง code ทั้งหมดได้ที่ Google Colab

📃 References
- Intro — Getting Started with Gemini API using Google Colab
- OpenAI compatibility
12.02.2026

Tag: Google Colab

วิธีโหลดข้อมูล Google Sheets มาวิเคราะห์ใน Python บน Google Colab ใน 3 ขั้นตอน–ตัวอย่างจาก Harry Potter transaction dataset

1️⃣ Step 1. Load Spreadsheet

✅ 1.1 Authorise

📖 1.2 Open Spreadsheet

2️⃣ Step 2. Load Worksheet

📋 2.1 List

🫳 2.2 Select

3️⃣ Step 3. Load Data

👓 3.1 Read Data

🐼 3.2 Convert to DataFrame

📈 3.3 Analyse

💪 Summary

📃 References

สร้าง chatbot ส่วนตัว ใน 5 ขั้นตอน ด้วย OpenAI library ใน Python — ตัวอย่างการสร้าง Gemini chatbot

🏁 Step 1. Import Libraries

💁‍♂️ Step 2. Create a Client

🙊 Step 3. Create a Chat History

📨 Step 4. Create a Chat Function

💬 Step 5. Chat

👍 Google Colab

📃 References