用Python制作一个数据预处理小工具，多种操作，非常实用！

约定不等于承诺〃 2022-11-16 01:51 288阅读 0赞

![cc64e24b2a94073ae279d2bb99efc2ce.gif][]

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![8f2d2c3851ff9dbe92da7adf81c0dede.png][]，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

![40e3e9a6b613f27cc86b0d257d4203b9.png][]

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

![2e43606b971b55e6d58cfb171b3ced74.png][]

# 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：

![9a36e5a403d18d1a6d0930ef5e4b6237.png][]

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][Link 1]

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。

![dc914fe350b79cd8b1dc746dad082be9.png][]

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。

“

上边缘

下边缘

”

在Pandas中可以调用`.boxplot()`函数来画箱型图

import pandas as pd
    df.boxplot()

![6a6fa4d19813bf08bb77fcba5d1a75ca.png][]

# 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

![1bf7cfa36e4b019386682c3d580a8f27.png][]

![b320352dc84683f7e964ca4213a00243.png][]![1cbb138df845963c0f4086c3306fe7bd.png][]

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！**

***好课推荐***

![693111888461d495b0b06548bc5cde60.png][]

***推荐阅读***

[![b5ec2480762cc6c7731120d40839f7b6.png][]][b5ec2480762cc6c7731120d40839f7b6.png 1]

点分享点收藏点点赞点在看

[cc64e24b2a94073ae279d2bb99efc2ce.gif]: /images/20221022/e89b1cfdba4f471389ca0ed4ad7906e0.png
[8f2d2c3851ff9dbe92da7adf81c0dede.png]: /images/20221022/30da5218fa164f3da54b1a7a07b68663.png
[40e3e9a6b613f27cc86b0d257d4203b9.png]: /images/20221022/3d3139ff5c3d47e282c1cc85537bbaa6.png
[2e43606b971b55e6d58cfb171b3ced74.png]: /images/20221022/1edeabc43eed4c42bae78f50d1cd2295.png
[9a36e5a403d18d1a6d0930ef5e4b6237.png]: /images/20221022/254b5b5813ff49a5a8d6acc166494213.png
[Link 1]: https://mp.weixin.qq.com/s?__biz=MzI1MTUyMjc1Mg%3D%3D&chksm=e9f0f8a5de8771b3d1973fa01fde5a129e123283e9424f6b7608bbb5a99fb3e705bb2713228f&idx=1&lang=zh_CN&mid=2247484170&scene=21&sn=af5873bc9494535544ae224ddce93851&token=1760510653#wechat_redirect
[dc914fe350b79cd8b1dc746dad082be9.png]: /images/20221022/7b812fe6b89540ed9f01d645d7ce58b0.png
[6a6fa4d19813bf08bb77fcba5d1a75ca.png]: /images/20221022/8fffb0c859a349fc92eb586900fe6bcd.png
[1bf7cfa36e4b019386682c3d580a8f27.png]: /images/20221022/667a0cbaf3c84042a04110f12d09a7a0.png
[b320352dc84683f7e964ca4213a00243.png]: https://img-blog.csdnimg.cn/img_convert/b320352dc84683f7e964ca4213a00243.png
[1cbb138df845963c0f4086c3306fe7bd.png]: /images/20221022/517d0bcc5b8541a2b80f644781b62072.png
[693111888461d495b0b06548bc5cde60.png]: /images/20221022/9713d161726d4b50af68a3808ba9f020.png
[b5ec2480762cc6c7731120d40839f7b6.png]: /images/20221022/b49eab3e30d14edab819e698e683f03a.png
[b5ec2480762cc6c7731120d40839f7b6.png 1]: http://mp.weixin.qq.com/s?__biz=Mzg5MjEyOTg0Mw%3D%3D&chksm=cfc3901ff8b41909d7c3835405b3a4775e88da4235e41578c70f447366d7adc2da2e647eb2f6&idx=1&mid=2247489347&scene=21&sn=3ecc27e78e9d64e926e97caa6ef1efa4#wechat_redirect