Python 数据分析工具：基于Tkinter的GUI界面实现

Python 数据分析工具：基于Tkinter的GUI界面实现

本项目使用Python Tkinter库构建一个数据分析工具的GUI界面，旨在提供一个用户友好且功能强大的工具，帮助用户完成数据导入、缺失值处理、特征编码、模型训练、结果可视化等常见的数据分析任务。

1. 界面设计

使用Tkinter库创建主窗口，并添加以下功能按钮：

• 导入csv数据集：选择并导入csv格式的数据集。
• 缺失值检测：检测数据集中的缺失值，并显示结果。
• 缺失值填充：使用均值填充或其他方法填充缺失值。
• 标准化：对数据集进行标准化处理，使不同特征的量纲一致。
• 特征编码：对分类特征进行编码，例如One-Hot编码。
• 模型菜单：选择不同的模型进行训练，包括逻辑回归、K近邻、高斯模型等。
• 绘制图像：根据需要绘制直方图、饼图、箱线图等。

2. 代码实现

import tkinter as tk
from tkinter import messagebox
from PIL import Image, ImageTk
import pandas as pd
import numpy as np
from tkinter import *
from tkinter import filedialog
from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
import matplotlib.pyplot as plt
from pyecharts.charts import Pie
from pyecharts.charts import Bar
from sklearn.ensemble import RandomForestClassifier
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg as FigureCanvas
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg, NavigationToolbar2Tk


#导入数据集并划分训练集测试集，进行图形的绘制
class DataPreprocessor:
    def __init__(self, root):
        self.root = root
        self.data = None
        self.X_train = None
        self.X_test = None
        self.y_train = None
        self.y_test = None
        self.clf = None

        # 窗口布局
        self.load_data_button = tk.Button(root, text='导入数据', command=self.load_data)
        self.load_data_button.place(relx=0.6, rely=0.1, relwidth=0.3, relheight=0.1)

        self.train_button = tk.Button(root, text='训练模型', command=self.train_model)
        self.train_button.place(relx=0.6, rely=0.2, relwidth=0.3, relheight=0.1)


        self.plot_type = tk.StringVar()  # 创建一个变量，用于存储当前选中的图像类型
        self.plot_type.set('请选择图像类型')  # 设置默认值
        self.plot_menu = tk.OptionMenu(root, self.plot_type, '直方图', '饼图', '箱线图')
        self.plot_menu.configure(width=20)
        self.plot_menu.place(relx=0.6, rely=0.3, relwidth=0.3, relheight=0.1)

        self.plot_button = tk.Button(root, text='绘制图像', command=self.plot)
        self.plot_button.place(relx=0.6, rely=0.4, relwidth=0.3, relheight=0.1)

    def plot(self):
        plot_type = self.plot_type.get()
        if plot_type == '请选择图像类型':
            tk.messagebox.showwarning(title='Warning', message='请选择图像类型！')
            return
        elif plot_type == '直方图':
            self.histogram()
        elif plot_type == '饼图':
            self.pie_chart()
        elif plot_type == '箱线图':
            self.box_plot()
    
    def load_data(self):
        # 加载数据集，这里使用 Pandas 库中的 read_csv() 方法
        filename = filedialog.askopenfilename(initialdir='./data', title='Select file', filetypes=(('CSV files', '*.csv'),))
        if not filename:
            return
        self.data = pd.read_csv(filename)
        tk.messagebox.showinfo(title='Info', message=f'成功导入 {self.data.shape[0]} 条数据！')

        # 划分训练集和测试集
        self.X_train, self.X_test, self.y_train, self.y_test = train_test_split(self.data.iloc[:, :-1], self.data.iloc[:, -1], test_size=0.3)
        tk.messagebox.showinfo(title='Info', message=f'成功划分训练集和测试集！')


    def histogram(self):
        # 检查是否已经完成数据导入、划分训练集和测试集、训练模型等操作
        if not hasattr(self, 'X_train') or not hasattr(self, 'X_test') or not hasattr(self, 'y_train') or not hasattr(self, 'y_test') or not self.clf:
            tk.messagebox.showwarning(title='Warning', message='请先导入数据集并划分训练集和测试集，再训练模型！')
            return

        # 绘制直方图
        fig, ax = plt.subplots()
        ax.hist(self.X_train.iloc[:, 0], bins=20)
        ax.set_xlabel('Feature 1')
        ax.set_ylabel('Count')
        ax.set_title('Histogram')
        histogram_window = tk.Toplevel(self.root)
        canvas = FigureCanvasTkAgg(fig, master=histogram_window)
        canvas.draw()
        canvas.get_tk_widget().pack()
        toolbar = NavigationToolbar2Tk(canvas, histogram_window)
        toolbar.update()
        canvas.get_tk_widget().pack()
    def pie_chart(self):
        if not hasattr(self, 'X_train') or not hasattr(self, 'X_test') or not hasattr(self, 'y_train') or not hasattr(self, 'y_test') or not self.clf:
            tk.messagebox.showwarning(title='Warning', message='请先导入数据集并划分训练集和测试集，再训练模型！')
            return
        counts = self.data['species'].value_counts()

            # 创建饼状图
        self.fig = Figure(figsize=(5, 4), dpi=100)
        self.fig.add_subplot(111).pie(counts, labels=counts.index, autopct='%1.1f%%')

            # 在窗口中显示饼状图
        self.canvas = FigureCanvasTkAgg(self.fig, master=self.root)
        self.canvas.draw()
        self.canvas.get_tk_widget().pack(side=tk.TOP, fill=tk.BOTH, expand=1)


    def box_plot(self):
        # 检查是否已经完成数据导入、划分训练集和测试集、训练模型等操作
        if not hasattr(self, 'X_train') or not hasattr(self, 'X_test') or not hasattr(self, 'y_train') or not hasattr(self, 'y_test') or not self.clf:
            tk.messagebox.showwarning(title='Warning', message='请先导入数据集并划分训练集和测试集，再训练模型！')
            return

        # 绘制箱线图，用于展示特征的分布情况
        fig, ax = plt.subplots()
        box_data = pd.concat([self.X_train, self.X_test], axis=1)
        box_data.columns = [f'Feature {i}' for i in range(1, box_data.shape[1]+1)]
        box_data.plot(kind='box', ax=ax)
        ax.set_title('Box plot')
        box_window = tk.Toplevel(self.root)
        canvas = FigureCanvasTkAgg(fig, master=box_window)
        canvas.draw()
        canvas.get_tk_widget().pack()
        toolbar = NavigationToolbar2Tk(canvas, box_window)
        toolbar.update()
        canvas.get_tk_widget().pack()

    def train_model(self):
        # 检查是否已经完成数据导入、划分训练集和测试集等操作
        if not hasattr(self, 'X_train') or not hasattr(self, 'X_test') or not hasattr(self, 'y_train') or not hasattr(self, 'y_test'):
            tk.messagebox.showwarning(title='Warning', message='请先导入数据集并划分训练集和测试集！')
            return

        # 训练模型，这里使用 scikit-learn 库中的 RandomForestClassifier() 方法
        self.clf = RandomForestClassifier(n_estimators=10, max_depth=5)
        self.clf.fit(self.X_train, self.y_train)
        tk.messagebox.showinfo(title='Info', message='成功训练模型！')
if __name__ == '__main__':
    root = tk.Tk()
    root.geometry('3000x2000')
    app = DataPreprocessor(root)
    
    
lb1 =Label(root, text='数据分析界面')#root是主体，text是内容
lb1.place(relx=0.1, rely=0.0, relwidth=0.8, relheight=0.1)#设置位置
#数据集的导入
def openfile():#打开文件并显示
    filepath = filedialog.askopenfilename() #获得选择好的文件,单个文件
    imgtype=['.csv']#规定读取的文件类型
    return filepath
def duru(txt):
    txt=pd.read_csv(txt)
    txt=txt.describe()
    text = Text(root)
    text.place(rely=0.6, relheight=0.4)
    text.insert(END, txt)
btn1 =Button(root,text='导入csv数据集',command=lambda:duru(openfile()))
btn1.place(relx=0.1, rely=0.1, relwidth=0.3, relheight=0.1)
btn2 = Button(root, text='关闭窗口', command=root.destroy)
btn2.place(relx=0.1, rely=0.2, relwidth=0.3, relheight=0.1)

data= pd.read_csv('新冠1.csv')


c=True
def jiance():
    t=data.isnull().any()
    global c
    global yu1
    if c==True:
        c=False
        yu1=Label(root,text=t)
        yu1.pack(side='bottom',expand=True)
    else:
        yu1.pack_forget()
        c=True

def tianchong():
    global a
    global yu2
    a1=data.fillna(data.mean())
    a=a1.fillna(method='bfill')  
    global c
    if c==True:
        c=False
        yu2=Label(root,text=a)
        yu2.pack(side='bottom',expand=True)
    else:
        yu2.pack_forget()
        c=True
def biaozhun():
    my_zscore=preprocessing.StandardScaler()
    a[['LoanAmount']]=my_zscore.fit_transform(a[['LoanAmount']])
    global c
    global yu3
    if c==True:
        c=False
        yu3=Label(root,text=a)
        yu3.pack(side='bottom',expand=True)
    else:
        yu3.pack_forget()
        c=True
        
def bianma():
    #特征编码
    onehot=pd.get_dummies((a[['Gender']]),prefix='Gender')
    global c
    global yu4
    if c==True:
        c=False
        yu4=Label(root,text=onehot)
        yu4.pack(side='bottom',expand=True)
    else:
        yu4.pack_forget()
        c=True
        
data=pd.read_csv('新冠1.csv')

def func1():
    my_model=LogisticRegression()
    my_model.fit(X_train,y_train)
    y_pred=my_model.predict(X_test)
    score=metrics.accuracy_score(y_test,y_pred)
    a1=Label(root,text=('逻辑回归模型的准确率为：',score),font=('微软雅黑 -20'))    #font指定字体和字体大小的参数
    a1.place(x=280,y=250)    #place确定窗体布局的方法
def func2():
    my_model=KNeighborsClassifier()
    my_model.fit(X_train,y_train)
    y_pred=my_model.predict(X_test)
    score=metrics.accuracy_score(y_test,y_pred)
    a2=Label(root,text=('K近邻模型的准确率为：',score),font=('微软雅黑 -20'))
    a2.place(x=280,y=300)
def func3():
    my_model=GaussianNB()
    my_model.fit(X_train,y_train)
    y_pred=my_model.predict(X_test)
    score=metrics.accuracy_score(y_test,y_pred)
    a3=Label(root,text=('高斯模型的准确率为：',score),font=('微软雅黑 -20'))
    a3.place(x=280,y=350)
    
# 创建菜单栏（顶层菜单）
menu = tk.Menu(root)

# 创建下拉菜单
submenu = tk.Menu(menu, tearoff=1)  #tearoff默认值为1
submenu.add_command(label='LogisticRegression', command=func1,font=('微软雅黑 -30'))
#add_command添加命令菜单项
submenu.add_command(label='KNeighborsClassifier', command=func2,font=('微软雅黑 -30'))
submenu.add_command(label='GaussianNB', command=func3,font=('微软雅黑 -30'))

#在下拉菜单中创建子菜单
fenmenu=tk.Menu(submenu)   #指定下级菜单
fenmenu.add_command(label='线性回归模型',font=('微软雅黑 -30'))
#add_cascade添加下级菜单
submenu.add_cascade(label='分类',menu=fenmenu,font=('微软雅黑 -30'))
juecemenu=tk.Menu(submenu,tearoff=0)
juecemenu.add_command(label='决策树模型',font=('微软雅黑 -30'))
submenu.add_cascade(label='决策树',menu=juecemenu,font=('微软雅黑 -30'))

# 添加下拉菜单到菜单栏
menu.add_cascade(label='模型菜单', menu=submenu)   

# 显示菜单栏
root.config(menu=menu) #将菜单与窗口关联起来


      
        
        
        
        
        
#按钮布局
btn3 = Button(root, text='缺失值检测', command=lambda:jiance()) 
btn3.place(relx=0.1, rely=0.3, relwidth=0.3, relheight=0.1)
btn4 = Button(root, text='缺失值填充', command=lambda:tianchong()) 
btn4.place(relx=0.1, rely=0.4, relwidth=0.3, relheight=0.1)
btn5 = Button(root, text='标准化', command=lambda:biaozhun()) 
btn5.place(relx=0.1, rely=0.5, relwidth=0.3, relheight=0.1)
btn6 = Button(root, text='特征编码', command=lambda:bianma()) 
btn6.place(relx=0.6, rely=0.5, relwidth=0.3, relheight=0.1)

root.mainloop()

3. 界面美化

1. 更改窗口标题和图标

root.title('数据分析工具')
root.iconbitmap('icon.ico')  # 替换'icon.ico'为你的图标文件路径

2. 添加背景色

root.configure(bg='#f0f0f0')  # 设置背景色为浅灰色

3. 增加按钮图标

img = PhotoImage(file='button.png')  # 替换'button.png'为你的按钮图标文件路径
btn1 = Button(root, image=img, command=lambda:duru(openfile()))
btn1.place(relx=0.1, rely=0.1, relwidth=0.3, relheight=0.1)

4. 设置字体和颜色

lb1 = Label(root, text='数据分析界面', font=('微软雅黑', 20), fg='blue')

5. 增加背景图片

img = PhotoImage(file='background.png')  # 替换'background.png'为你的背景图片文件路径
label = Label(root, image=img)
label.place(x=0, y=0)

通过以上方法，可以对该代码生成的界面进行美化，使其更加美观。

4. 总结

本文介绍了使用Python Tkinter库构建数据分析工具GUI界面的方法，并提供了界面美化的建议。通过本项目，用户可以便捷地完成数据导入、缺失值处理、特征编码、模型训练、结果可视化等数据分析任务，提升工作效率。