一小时开发数据分析和机器学习平台（手把手，附Python代码）|python|代码|数据源|算法

老规矩，先看效果

说到数据分析平台，可能我们会想到重量级AWS和阿里云。他们提供的平台和服务可以进行数据分析和机器学习。我们今天分享的方法主要是针对无前端知识，无开发团队的业务人员，数据分析师和建模师，如何快速搭建数据分析和机器学习平台，让自己的日常工作更加方便。

人生苦短，我用python。没错，我们就是用纯python搭建！

我们初步需要实现如下功能：

设计一个网页版的用户界面，支持交互
支持从本地选取数据集
支持自动化可视化分析
支持回归分析和分类分析，机器学习算法多样
支持查看训练记录
支持查看所有训练模型的参数，结果，甚至绘图
支持预测新数据集
支持其他机器学习任务（比如异常检测，规则关联，自然语言处理）
其他细节

软件很轻量，功能很齐全。这么多功能特性，平时怎么着也得一个团队开开发。但是有了python，我们可以一个人一个小时搞定，因为本教程代码量不到100行！！！先看效果：

‍‍

核心工具

Python胜在我们不用重复造轮子。创建数据分析和机器学习平台，我们自然也要找到神兵利器。streamlit和pycaret 便是其中最核心的工具。

streamlit的官方链接在此：https://docs.streamlit.io/en/stable/

streamlit工具对于业务人员来说，有两个优点：

既有的组件方便快速设计网页：
该库已经内置很多组件，比如文本输入，侧边栏，按钮，滑块，图画显示等组件。
调用方式也很简单，就是单个函数即可。

部署和运行方便：只需要一个命令即可--> streamlit run main.py

pycaret 属于基于sklearn的更高阶的机器学习库，高阶到无需了解数据，无需了解算法，便可完成全自动机器学习建模和预测。当然，对于我们学习来说，还是需要了解算法和数据。之前的文章我们已经介绍了pycaret库，可以参考

准备环境

既然是基于Python的解决方案，就需要基本的python IDE，我一般推荐pycharm，尤其是涉及到网页开发或者项目开发。

安装以下库，通过pip安装即可。

pip install streamlitpip install streamlit_pandas_profilingpip install pycaret

项目文件夹里面包含如下（文末提供源码）：

main.py 我们的代码
data 文件夹用于放置示例数据集，可不用
mlruns 文件夹，用于管理训练的机器学习模块记录，系统会自动生成
logs.log 用于记录系统日志

辅助程序

首先导入需要的库，具体见代码。

import streamlit as st # 用于设计网页import pandas as pdfrom pandas_profiling import ProfileReport # 用于生成报表from streamlit_pandas_profiling import st_profile_report # 用于在streamlit中显示报表import osimport pycaret.classification as pc_cl # 自动机器学习分类import pycaret.regression as pc_rg # 自动机器学习回归import mlflow # 模型管理

接下来我们需要准备几个辅助函数，这些函数主要是用于处理一些用户交互的细节。

逐行读取logs.log，显示最末选定行数，用户可以设定行数。

def get_model_training_logs(n_lines = 10):file = open('logs.log', 'r')lines = file.read().splitlines()file.close()return lines[-n_lines:]

获取当前路径下特定类型的文件列表，比如data文件夹的所有csv文件

def list_files(directory, extension):
# list certain extension files in the folder
return [f for f in os.listdir(directory) if f.endswith('.' + extension)]

获取文件的完整路径，用于读取数据集

def concat_file_path(file_folder, file_selected):# handle the folder path with '/' or 'without './'# and concat folder path and file pathif str(file_folder)[-1] != '/':file_selected_path = file_folder + '/' + file_selectedelse:file_selected_path = file_folder + file_selectedreturn file_selected_path

加载数据集，注意这里为了软件的性能，会将数据集放入缓存，重复加载同一数据集不会重复占用系统资源。

@st.cache(suppress_st_warning=True)def load_csv(file_selected_path, nrows):# load certain rowstry:if nrows == -1:df = pd.read_csv(file_selected_path)else:df = pd.read_csv(file_selected_path, nrows=nrows)except Exception as ex:df = pd.DataFrame([])st.exception(ex)return df

设计主程序

主程序包含了网页相关的界面设计以及用户操作响应，主要是选取合适的streamlit组件以及触发相应的函数。

下图是网页侧边栏（功能栏）设计的组件选择，侧边栏的设计是重中之重，因为它涉及主要功能模块，需要根据用户的操作来执行相应的函数。

定义数据源与探索性分析

当“定义数据源”的checkbox被勾选后，相应的功能才被激活，用户才可以执行后续动作:

输入文件夹路径，这里支持相对路径，比如输入data，表示读取当前路径下的data文件夹
文件夹路径输入后（回车键），系统会自动读取所选文件夹的csv文件，并且将文件名列出到下拉列表。
在输入行数中可以选择需要读取的行数。

if st.sidebar.checkbox('定义数据源'):file_folder = st.sidebar.text_input('文件夹', value="data")data_file_list = list_files(file_folder, 'csv')if len(data_file_list) ==0:st.warning(f'当路径无可用数据集')else:file_selected = st.sidebar.selectbox('选择文件', data_file_list)file_selected_path = concat_file_path(file_folder, file_selected)nrows = st.sidebar.number_input('行数', value=-1)n_rows_str = '全部' if nrows == -1 else str(nrows)st.info(f'已选择文件：{file_selected_path}，读取行数为{n_rows_str}')else:file_selected_path = Nonenrows = 100st.warning(f'当前选择文件为空，请选择。')

探索性分析相对简单，只需要一个按钮即可。之后会调用pandas-profiling 来生成EDA的分析结果。pandas-profiling 的介绍可以看之前的文章：

if st.sidebar.checkbox('探索性分析'):if file_selected_path is not None:if st.sidebar.button('一键生成报告'):df = load_csv(file_selected_path, nrows)pr = ProfileReport(df, explorative=True)st_profile_report(pr)else:st.info(f'没有选择文件，无法进行分析。')

快速建模与日志

快速建模部分核心是基于pycaret库，之前我们介绍过pycaret 库，它是很强大的自动化机器学习工具，不仅支持回归分析和分类预测，而且支持自然语言处理，规则关联，聚类，异常检测等学习任务，后面这几个模块本demo中并没有实现，但是实施起来不是很难。

代码部分相对容易，没有什么技巧可言，主要是一些细节处理，比如需要从读取的数据集Dataframe中获取所有的列名，让用户选择需要的目标列。还有，回归和分类算法支持的算法列表并不相同，需要根据所选的任务来动态获取算法列表。