pandas+PyQt5轻松制作数据处理工具

作者：才哥

由于在工作中需要处理很多日志文件数据，这些数据并不存在于数据库，而是以每日1个单文件的形式存在，为了让我们在日常数据处理中更方便的进行一些基础的数据合并、清洗筛选以及简单的分组或数据透视处理，结合PyQt5与pandas库，制作了一个简单的数据处理可视化工具。

执行效果

我们运行脚本打包后的 exe 可执行文件，设定相关参数后点击“数据处理并导出”即可等待处理~

以下是29文件共1400余万行数据的处理结果，差不多用了10分钟合并并处理导出所需结果~

1.窗体可视化设计

采用PyQt5进行可视化界面设计，具体设计过程可以直接在QT designer中进行操作，然后转化为可视化界面的py文件。

界面效果如下图：

对于我们的操作界面，支持以下功能：

选择原始数据所在的文件夹
选择需要vlookup的文件所在的文件夹
选择处理后结果导出的文件夹
输入结果导出的文件名
在原始数据中用于过滤筛选的字段
在原始数据中用于过滤筛选的条件
如果做数据透视的行（index）
数据透视的列（column）
用于计算的字段
用于计算的方法

2.多文件合并

由于我们拿到的原始数据是以日期为文件名的csv文件，如果需要处理多天的数据，需要进行简单的数据合并后再做相关数据处理操作。

这一步其实有4个操作：①获取文件夹下的文件列表 ②根据文件类型进行文件读取 ③对读取的文件进行简单的数据清洗 ④合并清洗后的数据

2.1.获取文件夹下的文件列表

获取文件夹下文件列表可以使用os.walk方法，产生3-元组 (dirpath, dirnames, filenames)【文件夹路径, 文件夹名字, 文件名】。

根据文件夹路径+文件名即可组成改文件的绝对路径，用于后续文件读取。

In  [1]: import os
    ...: 
    ...: location = r'F:数据处理工具测试数据'
    ...: filenames = os.walk(location)
    ...: 
    ...: #获取文件夹下全部文件的绝对路径
    ...: for fileName in os.walk(location):
    ...:     for table in fileName[2]:
    ...:         path = fileName[0] + '\' + table
    ...:         print(path)
F:数据处理工具测试数据1.csv
F:数据处理工具测试数据2.csv
F:数据处理工具测试数据3.csv
F:数据处理工具测试数据4.csv
F:数据处理工具测试数据5.csv
F:数据处理工具测试数据6.csv
F:数据处理工具测试数据7.csv
F:数据处理工具测试数据8.csv
F:数据处理工具测试数据9.csv

2.2.根据文件类型进行文件读取

由于在实际操作过程中，可能存在原始文件是csv压缩包zip格式，或者xlsx格式。我们需要根据文件名后缀进行判断，然后选择对应的读取文件数据方法。

采用os.path.splitext(“文件路径”) 分离文件名与扩展名，默认返回(fname,fextension)元组。

这里我们只考虑两种情况：csv(含zip)以及xlsx(含xls)：

if filetype == '.csv'or filetype == '.zip':
    Li = pd.read_csv(path, header=0)                        
elif filetype == '.xlsx' or filetype == '.xls':
    Li = pd.read_excel(path, header=0)
else:
    log = '<font color="#FF0000">不是支持的文件类型,该工具暂时只支持csv、xlsx和xls文件类型</font>'
    print(log)

2.3.对读取的文件夹下简单的数据清洗

对于读取的文件数据，并不是所有的数据都是我们需要用到的，或者说我们需要用到的数据可能是需要满足指定条件的。

比如对于下面这个情况，读取 9.csv 文件后，我们看到 usernum 每个值出现的次数，然后我希望取满足uesrnum为10的数据。

In [2]: df = pd.read_csv(r'F:数据处理工具测试数据9.csv')
In [3]: df.groupby('usernum').count()
Out[3]: 
         @timestamp   appid  ...  truedmgtohero  victory
usernum                      ...                        
1            516999  516999  ...         516999   516999
2             33970   33970  ...          33970    33970
3             36819   36819  ...          36819    36819
4              6917    6917  ...           6917     6917
5              7855    7855  ...           7855     7855
6             15416   15416  ...          15416    15416
8              1220    1220  ...           1220     1220
10            75420   75420  ...          75420    75420

[8 rows x 71 columns]

我们用到布尔索引即可df[df['usernum']==10]

In [4]: df_10 = df[df['usernum']==10]
In [5]: df_10.groupby('usernum').count()
Out[5]: 
         @timestamp  appid  ...  truedmgtohero  victory
usernum                     ...                        
10            75420  75420  ...          75420    75420

[1 rows x 71 columns]

但是，因为我们的筛选字段及条件都是通过可视化操作界面进行输入的，输入的数据类型在程序中是字符串，所以我们需要将其处理成为可以用于条件筛选的形式。而且，我们在进行清洗的时候字段及条件可能是多个的。

比如我输入的字段为：usernum/victory；输入的条件为：>=6/==1。

那我们实际上需要进行的清洗过程是df = df[df['usernum']>=6] 和 df = df[df['victory']==1]，为实现这个效果，可以用最简单的字符拼接的形式 s = f"Li['{checkli[0]}']{conditionli[0]}"，然后进行eval(s)转化。

#获取输入的筛选字段（用‘/’分割），我们用'/'拆分为列表
checkli = self.lineEditcheck.text().split('/')
#获取输入的条件参数（用‘/’分割），我们用'/'拆分为列表
conditionli = self.lineEditcondition.text().split('/')
for inum in range(len(checkli)):
    s = f"Li['{checkli[0]}']{conditionli[0]}"
    Li = Li[eval(s)]

关于数据清洗处理，我们会在pandas学习笔记中进行详细介绍~

2.4.合并清洗后的数据

这一步就比较简单了，直接将需要合并的数据添加的列表中，然后concat合并即可。不过，需要做个简单的判断，如果原始只有1个文件，直接就取改文件即可；超过1个文件情况下，才需要执行合并操作。

    #...读取并清洗数据...
    fileList.append(Li)

if len(fileList)>1:
    data_result = pd.concat(fileList, ignore_index=True)
else:
    data_result = fileList[0]

3.多文件拼接（merge）

这个其实也比较简单，我们事先把需要用于横向拼接的文件放到指定目录后，读取文件列表逐一和第2节中的处理过的原始数据进行merge处理。

基于第2节中介绍过的文件夹下文件列表读取，这里只介绍merge处理。

还是一样的逻辑，先判断是否有需要merge的文件，然后再执行后续操作，我们需要用到左连接方式处理。

    #...读取需要用于merge的文件组合成列表...
    fileList.append(Li)
for i in range(0,len(fileList)):
    data = pd.merge(data,fileList[i],how = 'left')

4.数据处理

数据处理中我们可以用到pivot_table方法或者数据透视分组统计groupby方法，具体根据自己的需求选择。

这一部分我们在后续 pandas学习笔记中也会详细介绍~

4.1.数据透视（pivot_table）

pandas.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False)

以下举例，简单介绍下其使用方式

In  [6]: df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo",
    ...:                          "bar", "bar", "bar", "bar"],
    ...:                    "B": ["one", "one", "one", "two", "two",
    ...:                          "one", "one", "two", "two"],
    ...:                    "C": ["small", "large", "large", "small",
    ...:                          "small", "large", "small", "small","large"],
    ...:                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7],
    ...:                    "E": [2, 4, 5, 5, 6, 6, 8, 9, 9]})
In [7]: df
Out[7]: 
     A    B      C  D  E
0  foo  one  small  1  2
1  foo  one  large  2  4
2  foo  one  large  2  5
3  foo  two  small  3  5
4  foo  two  small  3  6
5  bar  one  large  4  6
6  bar  one  small  5  8
7  bar  two  small  6  9
8  bar  two  large  7  9

# values是需要用于计算的字段，index是索引，columns是列，aggfunc是统计方式
In  [8]: table = pd.pivot_table(df, values='D', index=['A', 'B'],
    ...:                     columns=['C'], aggfunc='sum')
In [9]: table
Out[9]: 
C        large  small
A   B                
bar one    4.0    5.0
    two    7.0    6.0
foo one    4.0    1.0
    two    NaN    6.0

#如果aggfunc指定了多个统计方式，其会对计算的字段values中每个字段进行多个统计计算
In [10]: table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'],
    ...:                     aggfunc={'mean','sum'})
In [11]: table
Out[11]: 
                  D               E      
               mean   sum      mean   sum
A   C                                    
bar large  5.500000  11.0  7.500000  15.0
    small  5.500000  11.0  8.500000  17.0
foo large  2.000000   4.0  4.500000   9.0
    small  2.333333   7.0  4.333333  13.0

#我们可以通过给aggfunc传递字典的形式指定每个用于计算字段的统计方式，这也是我们本次需要用到的
In [12]: table = pd.pivot_table(df, values=['D', 'E'], index=['A', 'C'],
    ...:                     aggfunc={'D': 'mean','E': 'sum'})
In [12]: table
Out[12]: 
                  D   E
A   C                  
bar large  5.500000  15
    small  5.500000  17
foo large  2.000000   9
    small  2.333333  13

4.2.分组统计（groupby）

DataFrame.groupby([]).agg(dict)

分组统计是pandas很大的模块，这里也不做过多的介绍，大家可以关注后续 pandas学习笔记系列。

简单举个例子：

In [13]: df
Out[13]: 
     A    B      C  D  E
0  foo  one  small  1  2
1  foo  one  large  2  4
2  foo  one  large  2  5
3  foo  two  small  3  5
4  foo  two  small  3  6
5  bar  one  large  4  6
6  bar  one  small  5  8
7  bar  two  small  6  9
8  bar  two  large  7  9

In [14]: df.groupby('A')['D'].mean()
Out[14]: 
A
bar    5.5
foo    2.2
Name: D, dtype: float64

#agg传字段参数更合适，可以和pivot_table统一化
In [15]: df.groupby(['A']).agg({'D':'mean','E':'sum'})
Out[15]: 
       D   E
A           
bar  5.5  32
foo  2.2  22

4.3.数据处理函数

由于行列以及计算字段和方法都是在可视化操作界面输入，我们需要对获取参数后进行字符串有关处理，从而组合成为最终的计算方式。

#获取输入的行、列、计算字段和方法
hang = self.lineEditHang.text().split(',')
lie = self.lineEditLie.text().split(',') if len(self.lineEditLie.text())!=0 else []
ziduan = self.lineEditJisuan.text().split(',')
fangfa = self.lineEditJisF.text().split(',')

将计算字段和计算方法进行组合成为字典

dic = {}
for i in range(len(fangfa)):
    #需要注意，这里对于非重复计数，其组合形式有点特别，不能用引号
       if fangfa[i] == 'pd.Series.nunique':
        dic[ziduan[i]] = eval(fangfa[i])
       else:
           dic[ziduan[i]] = fangfa[i]

判断在可视化操作界面是否选中了数据透视操作，然后执行数据处理

if self.radioButton_toushi.isChecked():
    result = pd.pivot_table(df, values=ziduan,
                  aggfunc=dic, 
                  columns=lie,
                  index=hang,
                  ).reset_index()
else:
    result = df.groupby(hang).agg(dic).reset_index()

5.总结

以上主要三部分：

先创建好可视化操作界面，
然后编写功能槽函数和可视化操作界面功能进行关联，
最后就是打包源代码成可执行文件exe。

在进行每一步的操作时，最好都能加上边界条件处理，避免出现异常报错导致程序崩溃的情况。

每个槽函数其实都是利用到的python基础知识或者pandas基础数据处理知识，熟练掌握后便可很方便理解和实现。

下载代码

在【凹凸数据】公众号回复“0908”，可以领取源代码