使用Python制作一个数据预处理小工具(多种操作一键完成)

在我们平常使用Python进行数据处理与分析时，在import完一大堆库之后，就是对数据进行预览，查看数据是否出现了缺失值、重复值等异常情况，并进行处理。

本文将结合GUI工具PySimpleGUI，来讲解如何制作一款属于自己的数据预处理小工具，让这个过程也能够自动化!最终效果如下

本文将分为三部分讲解：

• 制作GUI界面

• 数据处理讲解

• 打包与测试

主要涉及将涉及以下模块：

• PySimpleGUI

• pandas

• matplotlib

一、GUI界面制作

思路

老规矩，先讲思路再上代码，首先还是说一下，使用PySimpleGUI还是那四个流程

引入模块==>创建元素并填充layout==> 创建窗体 ==>创建事件循环

从元素看，从图中可以知道我们需要的元素有使用说明这个菜单栏、看上去是凹下去的数据预处理框、框内的3个单选项值、读取文件路径的3个元素(固定文本、输入文本、浏览按钮)、"查看、处理、关闭"三个按钮。

从总体看，整个窗体中我们需要所有的元素呈现正中间的分布状态。其中菜单栏在窗体边缘靠左分布。采用行衔接式的总分布。

从事件上看，我们需要在使用说明菜单中加上使用者需要的注意事项。而文件读取位置我们设置我们常用的2种数据存储格式(“.xlsx”，“.xls”)的Excel格式。

读取后，我们在数据预处理框架选择一种处理。接着，我们可以对每一种错误进行弹出框查看，查看完之后对数据做最终处理。

处理的过程需要将处理好的数据覆盖原来的数据文件。整个过程必须是持续不间断的。这里说个tips：每次数据分析之前最好做一个备份，防止分析过程中失败但是又找不到原来数据文件的尴尬。

代码

看望思路后是不是有种蠢蠢欲动的感觉?!我们来实现一波，先看完整代码，后面详细拆解

import PySimpleGUI as sg
import pandas as pd
import matplotlib
matplotlib.use("TkAgg")
sg.ChangeLookAndFeel('GreenTan')
menu_def = [['&使用说明', ['&注意']]]
layout = [
 [sg.Menu(menu_def, tearoff=True)],
 [sg.Frame(layout=[
 [sg.Radio('重复值处理', "RADIO1",size=(15,1),key="dup"), sg.Radio('缺失值处理', "RADIO1",size=(15,1),key="mis"), sg.Radio('异常值处理', "RADIO1",default=True,key="war")]], title='数据预处理',title_color='green',title_location='n',relief=sg.RELIEF_SUNKEN, tooltip='选择其中一种处理方式' )],
 [sg.Text('文件位置', size=(8, 1), auto_size_text=False, justification='right'),
  sg.InputText(enable_events=True,key="lujing"), sg.Button('浏览',key = 'getf')],
 [sg.Button('查看',key = 'look'),sg.Submit('处理',key = 'handle'), sg.Cancel('关闭')]]

window = sg.Window('特征工程', layout, default_element_size=(40, 1), grab_anywhere=False)
while True:
 event, values = window.read()
 if event == 'getf':
   text = sg.popup_get_file('请点击浏览键或自行填入文件绝对路径',title = '获取件',file_types = (("Excel Files", "*.xlsx"),("Excel Files", "*.xls"),))
   sg.popup('提示', '是否确认选择文件---', text)
   window['lujing'].update(text)  
 if event == "look":
'''
用户点击查看按钮促发的事件
'''
 if event == "handle":
'''
用户点击处理按钮促发的事件
'''    
 if event == "Cancel" or event == sg.WIN_CLOSED:
   break  
 if event == "注意":
'''
注意事项编写
'''

代码解释

其实有了思路后，你就会发现似乎一切都变得简单了。接下来讲解相关参数的作用。

首先是matplotlib.use("TkAgg")：使用matplotlib模块并且调用这个函数的目的是在我们进行查看异常值处理(箱型图展示)所用到，是改变图像显示的方式：TkAgg(一个交互式后台)。

所谓交互式后台就是你可以对图像进行任意操作，区域放大缩小、值查看等功能。

之所以调用这个函数首先是因为我们使用的是GUI是要有那种交互的感觉的，其次是如果数据量较大时，箱型图会很小，这样子可以利于查看。

其次sg.ChangeLookAndFeel('GreenTan')：改变窗体颜色。

那么menu_def就是菜单栏，使用【“”,【“”】】这种格式来定义主菜单栏和子菜单栏。tearoff这个函数是加一条可爱的虚线间隔每个字段。

sg.Frame()：这个和sg.columns()元素的用法是一样的，主要是用来多个子元素的，我们这里设置了relief参数来让整个框架在观感上显得凹形。tooltip参数是你鼠标移动框架的位置出现的小提示框。

title_location参数的用法非常有趣，是标题字符串的位置设置，有(n，s，e，w，se等)，你很快会发现这个位置和其他元素布局位置设置不一样，他是以地理位置坐标做子参数的。

sg.Radio：单选选项框，要将所有的单选选项框的子参数group_id都设成一样的，这样你才能三个选项中选一个，这里我们以"RADIO1"为group_id。

sg.Button()：整个GUI中我们使用了4个按钮，其中有一个专有的按钮Cancel。

sg.popup()：比较初级的弹出框，显示提示类的关键信息所用到。

sg.popup_get_file()：这是一个高级的弹出框元素，是从带有文本输入字段和浏览按钮的弹出窗口，以便用户选择文件。效果如下

二、数据预处理

GUI部分搞定后，接着我们讲解数据处理部分，主要是针对重复值、缺失值和异常值。

数据准备

我们这里用到的是2020年10月28日A股的行情。数据部分展示：

我们可以看到这里面有重复的行、有缺失值的地方。

重复值处理

对于二维列表DataFrame来讲使用Pandas模块是最方便最象征办公简洁化的模块

import pandas as pd
df = df.read_excel('文件绝对路径')
imfor = df[df.duplicated()]
imfor = str(imfor)

首先调用Pandas模块并读取文件路径，这里我们采取绝对路径而不采取相对路径的原因是我们之后打包的GUI是不依靠文件的靠Python自带的环境，所以相对路径读取是无法识别的。

df[df.duplicated()]这个Pandas内的函数是以二维列表形式来打印重复值对应的行。这里把df变量变为str字符串形式是因为我们在后来GUI中使用弹出窗口的元素时要以字符串形式加载。

最终处理重复值的方法如下：

df = df.drop_duplicates(inplace = True)

代码只有一行，却能做到将整个数据表中的重复值都删除，说明Pandas函数的强大。

至于为什么用inplace = True，是因为删除函数不并不能改变原表格结构，所以需要将新表覆盖原来的表格。

缺失值处理

先看代码，其实在之前有关缺失值处理我在一年前就写过相关文章点击查看

import pandas as pd
df = df.read_excel('文件绝对路径')
#df.isnull()
imfor1 = df.isnull().sum()
#df.isnull().any()
imfor1 = str(imfor1)

对于有缺失值的的数据表来说，df.isnull()或者df.isna()来查看空值。这个函数的作用时判断是否为空值，若是为空值则赋予True，否则赋予False。

这里我们使用df.isnull().sum()来统计每一列字段的缺失值数量。如果数据量大的话，还可以使用df.isnull().any()来查看只有缺失值的行。

解决方法，处理缺失值的方法有很多种，取均值、取中位数、删除、取下方的值等。我们这里用取上方值的方法来填补。

df = df.fillna(method='pad')

异常值处理

所谓异常值，就是在一个数字字段里出现一个或多个不合群得数字。举个例子，在一列都为个位数得数字列中出现了一个百位数的数字，这个百位数就是异常值。

用Python检测异常值有两种：箱线图图观察和标准差观察。这里我们选则箱体图观察。

箱线图是用于显示所选数据分散情况的统计图，通过设定标准，将大于或小于箱体图上下线的数值表示为异常点。

如图，下四分分位数指的是样本中有百分之25的数据小于这个数，记为。上四分分位数指的是样本中有百分之25大于这个数，记为。上四分位数和下四分位数的差值的1.5倍加上上四分位数就是上边缘，反之为下边缘。

import pandas as pd
df.boxplot()

打包与效果展示

在写完全部代码之后，我们可以使用pyinstaller进行打包。

假定你的程序命名为yuchuli.py，在cmd窗口输入即可完成打包。

pyinstaller -F yuchuli.py

打包后，exe在Python文件所在文件夹的dist文件夹中。我们启动来看下效果

可以看到，我们需要的数据预处理的三个功能：重复值、缺失值、异常值都能按照指定方式进行处理!

当然你可以在本文提供的方法上，自己进行修改，来定制一款属于你自己平时习惯的数据预处理小软件!

来源：http://developer.51cto.com/art/202102/644999.htm