笔记 · 2025-03-03

DeepSeek入门指南:从注册到核心功能入门解析

你还不知道怎么使用deepseek,这篇文章可以给你一些初步的解答。

DeepSeek注册与API获取全攻略

官网直连

普通用户使用deepseek很简单,直接进入官网:DeepSeek – 探索未至之境,登录即可使用,不过因为种种原因,deepseek的官方服务器响应力不足,所以大家也可以使用一些deepseek平替,以下是我为大家整理的几个deepseek平替平台:

注册登录这里以官网举例,进入官网注册登录界面:DeepSeek – 探索未至之境

填写手机号后,点击发送验证码,将接收到的验证码填入验证码框,然后选择同意协议,最后点击登录即可。

有开发能力的用户,可以登录后进入开发者中心。

根据需求选择模型(如 R1 或 V3),生成 API 密钥即可。

deepseek的优势很大,在文本处理长度上,支持长文本,V3 模型支持 32k 上下文窗口,适合处理长篇文档。在价格上,R1 模型调用成本为 16 元/百万 Token,官网提供实时用量统计,且不同时段还有优惠。


另外,用户需完成实名认证,新用户首月赠送 50 万 Token,建议赠送的Token优先用于测试。

第三方平台推荐

  1. 硅基流动​(SiliconFlow):学生用户凭 .edu 邮箱可领取 15 万免费 Token,适合学术研究。
  2. 火山引擎​(火山方舟):推理速度达 68 Token/s,每日提供 500 次免费商用调用,适合企业高频需求。
  3. GitHub Models:通过 GitHub Token 授权可免费调用 DeepSeek-R1,开发者社区首选。

网页端与 APP 端操作对比

界面与操作差异

维度网页端APP 端
访问方式浏览器直接输入网址(无需安装)需下载安装(iOS/Android)
核心功能支持多标签页操作,适合多任务处理内置文件管理器,支持本地文档上传与离线缓存
交互体验适配 PC/平板分辨率,快捷键操作流畅手势交互优化(如滑动返回),支持语音输入

功能侧重点分析

在数据处理方面,网页端支持Excel/CSV 文件批量导入,自动清洗异常值;在隐私保护方面,APP端采用硬件级加密技术,生物识别(指纹/面部)解锁敏感操作。根据这种功能的不同侧重点,如果是临时需求,推荐使用网页端,即开即用,响应速度更快;如果是长期使用,如项目管理,APP端也支持数据云端同步,可以多设备无缝衔接使用。

三大核心功能简单演示

文本生成(周报/邮件/报告)

为了提高生成的准确率,我们可以采用指定风格关键词(如“商务/技术/创意”)的方式来进行提示词输入,如:

生成一份技术向的季度报告,需包含代码性能优化方案,用 Markdown 分点呈现[9](@ref)。

这就是所谓的结构化模版,该模版为:背景 + 需求 + 格式要求

数据分析与可视化

上传 Excel 文件,输入指令(如“分析销售数据”),我们这里以一份网上寻找的销售文档作为测试。

如果需要数据可视化,则需要一定的编程基础,将它和python结合起来,接下来我们就尝试使用以上表格,让它给我们一个python可视化代码,然后我们运行出一个可视化柱状图来。

代码调试与优化

打开一个deepseek,传入xlsx文件,然后输入指令:

请为我分析该图表中的销售数据,并使用python代码为生成该销售数据的柱状图,注意数据的一致性和正确性,防止python代码运行出错

第一次deepseek给出的代码,当我们使用python运行时,发现其汉字无法正常显示。

所以我们接着要求他解决这个问题:

运行你给出的代码,其中的汉字无法在图表中显示,请为我修改代码,让汉字可以正常显示

然后它给出新的代码,新增了字体配置,我们的图表就正常了:

以下是完整代码,当然,需要一定的python基础:

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

# ======================
# 数据准备与校验模块
# ======================
def validate_data(df):
    """执行数据质量检查"""
    # 检查必需字段是否存在
    required_cols = ['品牌', '销售单价', '销售数量']
    missing_cols = [col for col in required_cols if col not in df.columns]
    if missing_cols:
        raise ValueError(f"缺失关键字段: {missing_cols}")

    # 检查数值型字段有效性
    numeric_cols = ['销售单价', '销售数量']
    for col in numeric_cols:
        if not pd.api.types.is_numeric_dtype(df[col]):
            invalid_values = df[~df[col].apply(lambda x: str(x).replace('.','',1).isdigit())][col].unique()
            raise ValueError(f"无效数值字段 {col}:发现非数字值 {invalid_values}")

    # 检查品牌名称一致性
    valid_brands = ['藤缘名居', '一点家居', '丰穗家具', '名匠轩', '宜家']
    invalid_brands = df[~df['品牌'].isin(valid_brands)]['品牌'].unique()
    if len(invalid_brands) > 0:
        raise ValueError(f"无效品牌名称: {invalid_brands}")

# ======================
# 数据加载(模拟真实Excel结构)
# ======================
# 根据用户提供的Excel结构构建DataFrame
raw_data = [
    # 藤缘名居 7条记录
    {'品牌':'藤缘名居', '销售单价':159, '销售数量':50},
    {'品牌':'藤缘名居', '销售单价':299, '销售数量':25},
    {'品牌':'藤缘名居', '销售单价':530, '销售数量':35},
    {'品牌':'藤缘名居', '销售单价':288, '销售数量':10},
    {'品牌':'藤缘名居', '销售单价':540, '销售数量':14},
    {'品牌':'藤缘名居', '销售单价':159, '销售数量':120},
    {'品牌':'藤缘名居', '销售单价':299, '销售数量':60},
    
    # 一点家居 13条记录
    {'品牌':'一点家居', '销售单价':1758, '销售数量':30},
    {'品牌':'一点家居', '销售单价':690, '销售数量':16},
    {'品牌':'一点家居', '销售单价':570, '销售数量':36},
    {'品牌':'一点家居', '销售单价':1088, '销售数量':15},
    {'品牌':'一点家居', '销售单价':528, '销售数量':20},
    {'品牌':'一点家居', '销售单价':1638, '销售数量':19},
    {'品牌':'一点家居', '销售单价':1758, '销售数量':5},
    {'品牌':'一点家居', '销售单价':690, '销售数量':15},
    {'品牌':'一点家居', '销售单价':570, '销售数量':15},
    {'品牌':'一点家居', '销售单价':1088, '销售数量':50},
    {'品牌':'一点家居', '销售单价':528, '销售数量':15},
    
    # 丰穗家具 10条记录
    {'品牌':'丰穗家具', '销售单价':400, '销售数量':10},
    {'品牌':'丰穗家具', '销售单价':348, '销售数量':8},
    {'品牌':'丰穗家具', '销售单价':650, '销售数量':20},
    {'品牌':'丰穗家具', '销售单价':970, '销售数量':18},
    {'品牌':'丰穗家具', '销售单价':960, '销售数量':5},
    {'品牌':'丰穗家具', '销售单价':400, '销售数量':8},
    {'品牌':'丰穗家具', '销售单价':348, '销售数量':20},
    {'品牌':'丰穗家具', '销售单价':650, '销售数量':16},
    {'品牌':'丰穗家具', '销售单价':970, '销售数量':14},
    {'品牌':'丰穗家具', '销售单价':650, '销售数量':16},
    
    # 名匠轩 18条记录
    {'品牌':'名匠轩', '销售单价':996, '销售数量':35},
    {'品牌':'名匠轩', '销售单价':3698, '销售数量':25},
    {'品牌':'名匠轩', '销售单价':695, '销售数量':30},
    {'品牌':'名匠轩', '销售单价':480, '销售数量':42},
    {'品牌':'名匠轩', '销售单价':690, '销售数量':32},
    {'品牌':'名匠轩', '销售单价':2498, '销售数量':27},
    {'品牌':'名匠轩', '销售单价':1098, '销售数量':10},
    {'品牌':'名匠轩', '销售单价':818, '销售数量':8},
    {'品牌':'名匠轩', '销售单价':996, '销售数量':8},
    {'品牌':'名匠轩', '销售单价':3698, '销售数量':7},
    {'品牌':'名匠轩', '销售单价':695, '销售数量':10},
    {'品牌':'名匠轩', '销售单价':480, '销售数量':24},
    {'品牌':'名匠轩', '销售单价':690, '销售数量':50},
    {'品牌':'名匠轩', '销售单价':2498, '销售数量':28},
    {'品牌':'名匠轩', '销售单价':1098, '销售数量':80},
    {'品牌':'名匠轩', '销售单价':818, '销售数量':28},
    {'品牌':'名匠轩', '销售单价':996, '销售数量':28},
    {'品牌':'名匠轩', '销售单价':2498, '销售数量':28},
    
    # 宜家 8条记录
    {'品牌':'宜家', '销售单价':100, '销售数量':28},
    {'品牌':'宜家', '销售单价':180, '销售数量':50},
    {'品牌':'宜家', '销售单价':688, '销售数量':35},
    {'品牌':'宜家', '销售单价':480, '销售数量':28},
    {'品牌':'宜家', '销售单价':100, '销售数量':28},
    {'品牌':'宜家', '销售单价':180, '销售数量':50},
    {'品牌':'宜家', '销售单价':688, '销售数量':12},
    {'品牌':'宜家', '销售单价':480, '销售数量':12},
]

df = pd.DataFrame(raw_data)

# 执行数据校验
try:
    validate_data(df)
    print("数据校验通过")
except ValueError as e:
    print(f"数据校验失败: {str(e)}")
    exit()

# ======================
# 数据计算模块
# ======================
# 计算销售金额
df['销售金额'] = df['销售单价'] * df['销售数量']

# 按品牌汇总(保留原始精度)
brand_sales = df.groupby('品牌', observed=True)['销售金额'].sum().sort_values(ascending=False)

# ======================
# 可视化模块
# ======================
plt.figure(figsize=(12, 7))
ax = brand_sales.plot(kind='bar', 
                     color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd'],
                     edgecolor='black')

# 设置科学计数法格式
ax.yaxis.set_major_formatter(
    ticker.FuncFormatter(lambda x, pos: f'¥{x/10000:.1f}万')
)

# 添加数据标签
for p in ax.patches:
    ax.annotate(f'¥{p.get_height():,.0f}', 
                (p.get_x() + p.get_width() / 2., p.get_height()),
                ha='center', va='center', 
                xytext=(0, 9), 
                textcoords='offset points')


# 新增字体配置
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用字体
# plt.rcParams['font.sans-serif'] = ['Hiragino Sans GB']  # Mac系统常用字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# ======================
# 可视化模块
# ======================
plt.figure(figsize=(12, 7))
ax = brand_sales.plot(kind='bar', 
                     color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd'],
                     edgecolor='black')
# 图表样式设置
plt.title('2022年6月品牌销售收入分析', pad=20, fontsize=14, fontweight='bold')
plt.xlabel('品牌', labelpad=15)
plt.ylabel('销售收入', labelpad=15)
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()

# 显示图表
plt.show()

# ======================
# 数据验证输出
# ======================
print("\n品牌销售数据验证:")
print(brand_sales.apply(lambda x: f"¥{x:,.2f}").to_string())

安全与合规指南

  1. 频率限制:免费版 API 调用上限为 5 次/秒,超频将触发熔断机制。
  2. 商业认证:企业用户需提交营业执照和用途说明,审核通过后方可商用。
  3. 数据合规:欧盟用户需启用 GDPR 兼容模式(设置 → 隐私选项)

至于通过调用deepseek的api接口,然后配置自己的专属程序用来做各种工作,我之前尝试过调用deepseek的示例接口,结果没法接通,还是官网算力太紧凑或者之前被攻击的缘故吧。

APIStatusError: Error code: 402 - {'error': {'message': 'Insufficient Balance', 'type': 'unknown_error', 'param': None, 'code': 'invalid_request_error'}}

如果你有兴趣,可以访问其api文档进行部署:首次调用 API | DeepSeek API Docs

目录