![import os import glob import pandas as pd from ollama import Client # 1. CONFIGURA LA TUA CARTELLA SORGENTE CARTELLA_DATI = r"C:\I_Miei_Dati_Excel" if not os.path.exists(CARTELLA_DATI): os.makedirs(CARTELLA_DATI) print(f"[AVVISO] Ho creato la cartella vuota '{CARTELLA_DATI}'. Metti lì i tuoi file Excel!") client = Client() print("\n" + "="*60) print(" AI DATA AGENT - FLUSSO GUIDATO ULTRA-MIRATO") print("="*60) while True: print("\n[FASE 1] Quali colonne vuoi cercare nel file? (es. cliente, città)") campi_input = input("Inserisci i nomi delle colonne (separati da virgola) o 'esci': ") if campi_input.lower() == 'esci': break if not campi_input.strip(): continue # Teniamo traccia delle colonne esatte inserite dall'utente campi_cercati = [c.strip().lower() for c in campi_input.split(',')] file_excel = glob.glob(os.path.join(CARTELLA_DATI, "*.xlsx")) + glob.glob(os.path.join(CARTELLA_DATI, "*.xls")) if not file_excel: print("AI: Nessun file Excel trovato nella cartella.") continue file_idonei = {} for percorso_completo in file_excel: file_nome = os.path.basename(percorso_completo) try: df_headers = pd.read_excel(percorso_completo, nrows=1) colonne_reali = [str(c).strip().lower() for c in df_headers.columns] match_campi = True for campo in campi_cercati: if not any(campo in col for col in colonne_reali): match_campi = False break if match_campi: file_idonei[file_nome] = percorso_completo except Exception: continue if not file_idonei: print("\nAI: Nessun file contiene contemporaneamente le colonne richieste.") continue lista_file_idonei = list(file_idonei.keys()) file_selezionato_nome = lista_file_idonei[0] percorso_file_scelto = file_idonei[file_selezionato_nome] if len(lista_file_idonei) == 1: print(f"\n[Auto-Selezione] Trovato un unico file idoneo: {file_selezionato_nome}") else: print("\n--- FILE IDONEI TROVATI ---") for i, nome_f in enumerate(lista_file_idonei, 1): print(f"{i}. {nome_f}") print("---------------------------") scelta_file = input("Seleziona il numero del file da analizzare: ") try: file_selezionato_nome = lista_file_idonei[int(scelta_file) - 1] percorso_file_scelto = file_idonei[file_selezionato_nome] except: print("[ERRORE] Selezione non valida.") continue print(f"Caricamento in corso di: {file_selezionato_nome}...") try: if percorso_file_scelto.lower().endswith('.xls'): df = pd.read_excel(percorso_file_scelto, engine='xlrd') else: df = pd.read_excel(percorso_file_scelto) df.dropna(how='all', inplace=True) # Normalizzazione letterale rigida delle colonne originali df.columns = df.columns.str.strip().str.lower() # Pulizia e conversione in stringhe/numeri sicuri for col in df.columns: if any(x in col for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo']): df[col] = df[col].astype(str).map(lambda x: x.replace('€', '').replace('.', '').replace(',', '.').strip() if pd.notnull(x) else '0') df[col] = pd.to_numeric(df[col], errors='coerce').fillna(0) else: df[col] = df[col].astype(str).map(lambda x: str(x).strip().replace("'", "").replace('"', '').lower() if pd.notnull(x) else '') except Exception as e: print(f"[ERRORE] Impossibile aprire il file: {e}") continue # --- FASE 2: INTERROGAZIONE GUIDATA FILTRATA SOLO SULLE COLONNE DATE --- print(f"\n[FASE 2] Configurazione filtri per il file '{file_selezionato_nome}'") df_filtrato = df.copy() # Ciclo mappato SOLO sulle colonne reali che corrispondono a quelle inserite nella Fase 1 colonne_da_chiedere = [col for col in df.columns if any(campo in col for campo in campi_cercati)] for colonna in colonne_da_chiedere: # Escludiamo a priori colonne numeriche di calcolo per evitare errori di digitazione if any(x in colonna for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo', 'codice']): continue filtro_valore = input(f"Inserisci il valore da cercare per la colonna '{colonna}': ").strip().lower() if filtro_valore: df_filtrato = df_filtrato[df_filtrato[colonna].astype(str).map(lambda x: filtro_valore in x)] # Chiediamo quale colonna numerica sommare alla fine colonne_numeriche = [c for c in df.columns if any(x in c for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo'])] print(f"\nColonne numeriche disponibili per il totale: {colonne_numeriche}") colonna_totale = input("Quale colonna vuoi sommare? (es. quantità): ").strip().lower() if colonna_totale in df_filtrato.columns: risultato_reale = df_filtrato[colonna_totale].sum() if hasattr(risultato_reale, 'item'): risultato_reale = risultato_reale.item() if isinstance(risultato_reale, float) and risultato_reale.is_integer(): risultato_reale = int(risultato_reale) print(f"\n[Elaborazione RAM] Numero di righe trovate dal filtro: {len(df_filtrato)}") # Generazione risposta finale basata solo sulla matematica vera di Python prompt_finale = f"""Rispondi in lingua italiana. Hai eseguito un calcolo su un file Excel. Colonna sommata: '{colonna_totale}' Risultato matematico esatto ottenuto: {risultato_reale} File analizzato: {file_selezionato_nome} Scrivi una breve frase in italiano che confermi il totale calcolato.""" print(f"\nAI: {client.generate(model='llama3:8b', prompt=prompt_finale)['response']}") e](https://agenovskincare.com/wp-content/uploads/2025/11/Nadah-Longevity-Crema-viso.png)
Descrizione
La Crema Viso NADH Longevity è un’esperienza unica per la pelle, un trattamento altamente tecnologico dovuto ad una formula esclusiva studiata con i principi della epigenetica che mira a rallentare i processi di invecchiamento.
Agisce riducendo l’accorciamento dei telomeri, contrastando i danni generati dalla divisione cellulare e dallo stress ossidativo, favorendo la riparazione del DNA e riducendo le rotture o le disfunzioni che possono generare un danno duraturo alla pelle.
Il Nadh, considerato scintilla vitale delle cellule permette di ‘ricaricare’ i telomeri cellulari, impedendone l’accorciamento.
I telomeri possono essere definiti il cappuccio protettivo posto all’estremità del nostro DNA, alla stregua di piccoli ‘scudi’ che preservano l’integrità e la vitalità della cellula.
Ed esattamente sulla loro protezione si fonda la nuova frontiera della cosmetologia d’avanguardia, mirata a mantenere intatti questi preziosi guardiani del DNA che contrastano la senescenza cellulare favorendo la naturale capacità di rigenerazione della pelle.
IL PRODOTTO NON CONTIENE FRAGRANZE
BENEFICI DELLA CREMA VISO NADH LONGEVITY
LONGEVITY è la crema viso gioiello della cosmetologia avanzata, nata dall’incontro tra la biotecnologia d’avanguardia e i tesori più preziosi della foresta amazzonica. La sua formula esclusiva racchiude:
- NADH, l’innovativo attivatore cellulare che risveglia la vitalità cutanea, essenziale per la produzione di ATP, la principale fonte di energia delle nostre cellule.
- Un complesso di 5 peptidi con fattori di crescita epidermici che stimola i naturali processi di rigenerazione della pelle, migliorandone tono ed elasticità.
- Aminoacidi e vitamine biotech, per nutrire in profondità e rinforzare le difese cutanee.
- Neurogard, l’ingrediente di origine marina, per riattivare la comunicazione tra nervi e fibroblasti, efficace scudo biomimetico contro lo stress ossidativo e ambientale.
- Una sinfonia di oli e burri amazzonici, che avvolge l’incarnato in un comfort sensoriale straordinario, donandogli morbidezza e luminosità.
La sua texture, sontuosamente setosa, si fonde con la pelle conferendole una giovinezza radiosa.
Questo trattamento d’élite non è semplice skincare, ma un rituale di bellezza senza tempo.
Il risultato? Una pelle che conserva più a lungo la sua giovinezza, elasticità e luminosità, come se il tempo rallentasse il passo.
AGENOV RAPRESENTA UN NUOVO STILE PER LA TUA SKINCARE
E’ il nuovo brand di skincare, ideato da Carmen Silveira, che propone una “età nuova” un ritorno alla giovinezza ed integrità della nostra pelle e della natura che ci circonda.
![import os import glob import pandas as pd from ollama import Client # 1. CONFIGURA LA TUA CARTELLA SORGENTE CARTELLA_DATI = r"C:\I_Miei_Dati_Excel" if not os.path.exists(CARTELLA_DATI): os.makedirs(CARTELLA_DATI) print(f"[AVVISO] Ho creato la cartella vuota '{CARTELLA_DATI}'. Metti lì i tuoi file Excel!") client = Client() print("\n" + "="*60) print(" AI DATA AGENT - FLUSSO GUIDATO ULTRA-MIRATO") print("="*60) while True: print("\n[FASE 1] Quali colonne vuoi cercare nel file? (es. cliente, città)") campi_input = input("Inserisci i nomi delle colonne (separati da virgola) o 'esci': ") if campi_input.lower() == 'esci': break if not campi_input.strip(): continue # Teniamo traccia delle colonne esatte inserite dall'utente campi_cercati = [c.strip().lower() for c in campi_input.split(',')] file_excel = glob.glob(os.path.join(CARTELLA_DATI, "*.xlsx")) + glob.glob(os.path.join(CARTELLA_DATI, "*.xls")) if not file_excel: print("AI: Nessun file Excel trovato nella cartella.") continue file_idonei = {} for percorso_completo in file_excel: file_nome = os.path.basename(percorso_completo) try: df_headers = pd.read_excel(percorso_completo, nrows=1) colonne_reali = [str(c).strip().lower() for c in df_headers.columns] match_campi = True for campo in campi_cercati: if not any(campo in col for col in colonne_reali): match_campi = False break if match_campi: file_idonei[file_nome] = percorso_completo except Exception: continue if not file_idonei: print("\nAI: Nessun file contiene contemporaneamente le colonne richieste.") continue lista_file_idonei = list(file_idonei.keys()) file_selezionato_nome = lista_file_idonei[0] percorso_file_scelto = file_idonei[file_selezionato_nome] if len(lista_file_idonei) == 1: print(f"\n[Auto-Selezione] Trovato un unico file idoneo: {file_selezionato_nome}") else: print("\n--- FILE IDONEI TROVATI ---") for i, nome_f in enumerate(lista_file_idonei, 1): print(f"{i}. {nome_f}") print("---------------------------") scelta_file = input("Seleziona il numero del file da analizzare: ") try: file_selezionato_nome = lista_file_idonei[int(scelta_file) - 1] percorso_file_scelto = file_idonei[file_selezionato_nome] except: print("[ERRORE] Selezione non valida.") continue print(f"Caricamento in corso di: {file_selezionato_nome}...") try: if percorso_file_scelto.lower().endswith('.xls'): df = pd.read_excel(percorso_file_scelto, engine='xlrd') else: df = pd.read_excel(percorso_file_scelto) df.dropna(how='all', inplace=True) # Normalizzazione letterale rigida delle colonne originali df.columns = df.columns.str.strip().str.lower() # Pulizia e conversione in stringhe/numeri sicuri for col in df.columns: if any(x in col for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo']): df[col] = df[col].astype(str).map(lambda x: x.replace('€', '').replace('.', '').replace(',', '.').strip() if pd.notnull(x) else '0') df[col] = pd.to_numeric(df[col], errors='coerce').fillna(0) else: df[col] = df[col].astype(str).map(lambda x: str(x).strip().replace("'", "").replace('"', '').lower() if pd.notnull(x) else '') except Exception as e: print(f"[ERRORE] Impossibile aprire il file: {e}") continue # --- FASE 2: INTERROGAZIONE GUIDATA FILTRATA SOLO SULLE COLONNE DATE --- print(f"\n[FASE 2] Configurazione filtri per il file '{file_selezionato_nome}'") df_filtrato = df.copy() # Ciclo mappato SOLO sulle colonne reali che corrispondono a quelle inserite nella Fase 1 colonne_da_chiedere = [col for col in df.columns if any(campo in col for campo in campi_cercati)] for colonna in colonne_da_chiedere: # Escludiamo a priori colonne numeriche di calcolo per evitare errori di digitazione if any(x in colonna for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo', 'codice']): continue filtro_valore = input(f"Inserisci il valore da cercare per la colonna '{colonna}': ").strip().lower() if filtro_valore: df_filtrato = df_filtrato[df_filtrato[colonna].astype(str).map(lambda x: filtro_valore in x)] # Chiediamo quale colonna numerica sommare alla fine colonne_numeriche = [c for c in df.columns if any(x in c for x in ['quantità', 'quantita', 'vendite', 'prezzo', 'costo'])] print(f"\nColonne numeriche disponibili per il totale: {colonne_numeriche}") colonna_totale = input("Quale colonna vuoi sommare? (es. quantità): ").strip().lower() if colonna_totale in df_filtrato.columns: risultato_reale = df_filtrato[colonna_totale].sum() if hasattr(risultato_reale, 'item'): risultato_reale = risultato_reale.item() if isinstance(risultato_reale, float) and risultato_reale.is_integer(): risultato_reale = int(risultato_reale) print(f"\n[Elaborazione RAM] Numero di righe trovate dal filtro: {len(df_filtrato)}") # Generazione risposta finale basata solo sulla matematica vera di Python prompt_finale = f"""Rispondi in lingua italiana. Hai eseguito un calcolo su un file Excel. Colonna sommata: '{colonna_totale}' Risultato matematico esatto ottenuto: {risultato_reale} File analizzato: {file_selezionato_nome} Scrivi una breve frase in italiano che confermi il totale calcolato.""" print(f"\nAI: {client.generate(model='llama3:8b', prompt=prompt_finale)['response']}") e](https://sp-ao.shortpixel.ai/client/to_webp,q_glossy,ret_img,w_500,h_500/https://agenovskincare.com/wp-content/uploads/2025/11/Nadah-Longevity-Crema-viso-500x500.png)
