一、背景介绍

在数据驱动的时代，CSV作为轻量级数据交换格式被广泛使用。然而，非技术用户往往受限于Excel的复杂操作，开发者也需要快速验证数据而不愿编写重复代码。为此，我们设计了一款本地CSV数据快速分析工具，通过简单的GUI交互，即可完成数据导入、预览、统计、可视化与导出，让数据洞察变得高效便捷。

二、实现思路

工具采用模块化设计，核心分为6大功能模块：

1. 核心依赖库

• tkinter：Python内置GUI框架，快速构建交互界面；
• pandas：数据处理利器，负责CSV读写、统计计算与过滤；
• matplotlib：可视化库，生成柱状图、折线图等图表；
• numpy：辅助计算众数等统计量。

2. 模块设计

模块功能	实现方案
文件导入	tkinter.filedialog选择文件，pandas.read_csv加载数据
数据预览	tkinter.Treeview组件展示前10行数据与列名
统计分析	识别数值型列，计算均值、中位数、众数、标准差等指标
可视化	动态选择X/Y轴与图表类型，通过matplotlib生成并嵌入GUI
结果导出	统计结果写入TXT，图表保存为PNG
数据过滤	基于数值范围筛选数据，更新后续分析结果

三、完整代码实现

import tkinter as tk
from tkinter import filedialog, messagebox, ttk
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
import numpy as np

# 全局变量存储数据
global df, filtered_df, current_figure
df = None
filtered_df = None
current_figure = None


def load_csv():
    """导入CSV文件并初始化数据"""
    global df, filtered_df
    file_path = filedialog.askopenfilename(
        filetypes=[("CSV Files", "*.csv"), ("All Files", "*.*")]
    )
    if not file_path:
        return

    try:
        df = pd.read_csv(file_path)
        filtered_df = df.copy()  # 初始化过滤后的数据为原始数据
        preview_data()  # 更新预览
        update_column_dropdowns()  # 更新下拉菜单选项
        messagebox.showinfo("成功", "CSV文件导入成功！")
    except Exception as e:
        messagebox.showerror("错误", f"导入失败：{str(e)}")


def preview_data():
    """预览数据前10行"""
    preview_tree.delete(*preview_tree.get_children())  # 清空现有数据

    if filtered_df is None:
        return

    # 设置列名
    columns = filtered_df.columns.tolist()
    preview_tree["columns"] = columns
    preview_tree["show"] = "headings"

    # 配置列标题
    for col in columns:
        preview_tree.heading(col, text=col)
        preview_tree.column(col, width=100)

    # 插入前10行数据
    for _, row in filtered_df.head(10).iterrows():
        preview_tree.insert("", "end", values=list(row.values))


def calculate_stats():
    """计算数值型列的统计量"""
    stats_text.delete(1.0, tk.END)  # 清空现有统计结果

    if filtered_df is None:
        stats_text.insert(tk.END, "请先导入CSV文件！")
        return

    # 筛选数值型列
    numeric_cols = filtered_df.select_dtypes(include=['int64', 'float64']).columns.tolist()
    if not numeric_cols:
        stats_text.insert(tk.END, "无数值型列可统计！")
        return

    # 计算统计量
    stats_text.insert(tk.END, "=== 数值型列统计结果 ===\n\n")
    for col in numeric_cols:
        data = filtered_df[col]
        stats_text.insert(tk.END, f"【{col}】\n")
        stats_text.insert(tk.END, f"均值：{data.mean():.2f}\n")
        stats_text.insert(tk.END, f"中位数：{data.median():.2f}\n")
        stats_text.insert(tk.END, f"众数：{data.mode()[0]}\n")  # 取第一个众数
        stats_text.insert(tk.END, f"标准差：{data.std():.2f}\n")
        stats_text.insert(tk.END, f"最大值：{data.max():.2f}\n")
        stats_text.insert(tk.END, f"最小值：{data.min():.2f}\n")
        stats_text.insert(tk.END, f"总和：{data.sum():.2f}\n\n")


def update_column_dropdowns():
    """更新X/Y轴下拉菜单的列选项"""
    if filtered_df is None:
        return

    columns = filtered_df.columns.tolist()
    x_axis_dropdown['values'] = columns
    y_axis_dropdown['values'] = columns
    filter_col_dropdown['values'] = columns


def generate_plot():
    """生成可视化图表"""
    global current_figure

    # 获取用户选择
    x_col = x_axis_dropdown.get()
    y_col = y_axis_dropdown.get()
    plot_type = plot_type_dropdown.get()

    # 验证输入
    if filtered_df is None:
        messagebox.showwarning("警告", "请先导入CSV文件！")
        return
    if plot_type not in ['柱状图', '折线图', '散点图', '直方图']:
        messagebox.showwarning("警告", "请选择有效图表类型！")
        return
    if plot_type != '直方图' and (not x_col or not y_col):
        messagebox.showwarning("警告", "请选择X轴和Y轴列！")
        return
    if plot_type == '直方图' and not x_col:
        messagebox.showwarning("警告", "请选择直方图列！")
        return

    # 清除旧图表
    for widget in plot_frame.winfo_children():
        widget.destroy()

    # 创建新图表
    current_figure = plt.Figure(figsize=(6,4), dpi=100)
    ax = current_figure.add_subplot(111)

    # 根据类型绘制图表
    try:
        if plot_type == '柱状图':
            ax.bar(filtered_df[x_col], filtered_df[y_col])
            ax.set_xlabel(x_col)
            ax.set_ylabel(y_col)
            ax.set_title(f"{y_col} vs {x_col} (柱状图)")
        elif plot_type == '折线图':
            ax.plot(filtered_df[x_col], filtered_df[y_col], marker='o')
            ax.set_xlabel(x_col)
            ax.set_ylabel(y_col)
            ax.set_title(f"{y_col} vs {x_col} (折线图)")
            plt.xticks(rotation=45)
        elif plot_type == '散点图':
            ax.scatter(filtered_df[x_col], filtered_df[y_col], color='red')
            ax.set_xlabel(x_col)
            ax.set_ylabel(y_col)
            ax.set_title(f"{y_col} vs {x_col} (散点图)")
        elif plot_type == '直方图':
            ax.hist(filtered_df[x_col], bins=10, edgecolor='black')
            ax.set_xlabel(x_col)
            ax.set_ylabel("频数")
            ax.set_title(f"{x_col} 分布直方图")

        # 嵌入到GUI
        canvas = FigureCanvasTkAgg(current_figure, master=plot_frame)
        canvas.draw()
        canvas.get_tk_widget().pack(fill=tk.BOTH, expand=True)
    except Exception as e:
        messagebox.showerror("错误", f"图表生成失败：{str(e)}")


def export_stats():
    """导出统计结果到TXT文件"""
    if filtered_df is None:
        messagebox.showwarning("警告", "请先导入CSV文件！")
        return

    # 选择保存路径
    save_path = filedialog.asksaveasfilename(
        defaultextension=".txt",
        filetypes=[("Text Files", "*.txt"), ("All Files", "*.*")]
    )
    if not save_path:
        return

    # 写入统计结果
    try:
        with open(save_path, 'w', encoding='utf-8') as f:
            f.write(stats_text.get(1.0, tk.END))
        messagebox.showinfo("成功", "统计结果导出成功！")
    except Exception as e:
        messagebox.showerror("错误", f"导出失败：{str(e)}")


def export_plot():
    """导出图表到PNG文件"""
    if current_figure is None:
        messagebox.showwarning("警告", "请先生成图表！")
        return

    # 选择保存路径
    save_path = filedialog.asksaveasfilename(
        defaultextension=".png",
        filetypes=[("PNG Files", "*.png"), ("All Files", "*.*")]
    )
    if not save_path:
        return

    # 保存图表
    try:
        current_figure.savefig(save_path, bbox_inches='tight')
        messagebox.showinfo("成功", "图表导出成功！")
    except Exception as e:
        messagebox.showerror("错误", f"导出失败：{str(e)}")


def filter_data():
    """根据数值范围过滤数据"""
    global filtered_df

    if df is None:
        messagebox.showwarning("警告", "请先导入CSV文件！")
        return

    # 获取过滤条件
    filter_col = filter_col_dropdown.get()
    min_val_str = min_entry.get().strip()
    max_val_str = max_entry.get().strip()

    if not filter_col:
        messagebox.showwarning("警告", "请选择过滤列！")
        return
    if not min_val_str and not max_val_str:
        messagebox.showwarning("警告", "请输入最小值或最大值！")
        return

    # 转换数值类型
    try:
        min_val = float(min_val_str) if min_val_str else -np.inf
        max_val = float(max_val_str) if max_val_str else np.inf
    except ValueError:
        messagebox.showerror("错误", "请输入有效数值！")
        return

    # 执行过滤
    try:
        filtered_df = df.loc[(df[filter_col] >= min_val) & (df[filter_col] <= max_val)].copy()
        preview_data()  # 更新预览
        calculate_stats()  # 更新统计结果
        messagebox.showinfo("成功", f"过滤后数据行数：{len(filtered_df)}")
    except Exception as e:
        messagebox.showerror("错误", f"过滤失败：{str(e)}")


## 构建GUI界面
root = tk.Tk()
root.title("CSV数据快速分析工具")
root.geometry("1000x800")

# 1. 文件导入区域
import_frame = tk.Frame(root, padx=10, pady=10)
import_frame.pack(fill=tk.X)

import_btn = tk.Button(import_frame, text="导入CSV文件", command=load_csv)
import_btn.pack(side=tk.LEFT)

# 2. 数据预览区域
preview_frame = tk.Frame(root, padx=10, pady=10)
preview_frame.pack(fill=tk.BOTH, expand=True)

preview_label = tk.Label(preview_frame, text="数据预览（前10行）")
preview_label.pack(side=tk.TOP, anchor=tk.W)

# Treeview展示预览
preview_tree = ttk.Treeview(preview_frame)
preview_tree.pack(fill=tk.BOTH, expand=True)

# 3. 统计分析区域
stats_frame = tk.Frame(root, padx=10, pady=10)
stats_frame.pack(fill=tk.X)

stats_btn = tk.Button(stats_frame, text="计算统计量", command=calculate_stats)
stats_btn.pack(side=tk.LEFT)

export_stats_btn = tk.Button(stats_frame, text="导出统计结果", command=export_stats)
export_stats_btn.pack(side=tk.LEFT, padx=5)

# 统计结果文本框
stats_text = tk.Text(root, height=10, wrap=tk.WORD)
stats_text.pack(fill=tk.X, padx=10, pady=5)

# 4. 数据过滤区域
filter_frame = tk.Frame(root, padx=10, pady=10)
filter_frame.pack(fill=tk.X)

filter_label = tk.Label(filter_frame, text="数据过滤：")
filter_label.pack(side=tk.LEFT)

filter_col_dropdown = ttk.Combobox(filter_frame, width=15)
filter_col_dropdown.pack(side=tk.LEFT, padx=5)

min_label = tk.Label(filter_frame, text="最小值：")
min_label.pack(side=tk.LEFT)
min_entry = tk.Entry(filter_frame, width=10)
min_entry.pack(side=tk.LEFT, padx=5)

max_label = tk.Label(filter_frame, text="最大值：")
max_label.pack(side=tk.LEFT)
max_entry = tk.Entry(filter_frame, width=10)
max_entry.pack(side=tk.LEFT, padx=5)

filter_btn = tk.Button(filter_frame, text="执行过滤", command=filter_data)
filter_btn.pack(side=tk.LEFT, padx=5)

# 5. 可视化区域
viz_frame = tk.Frame(root, padx=10, pady=10)
viz_frame.pack(fill=tk.X)

# 可视化选项
x_label = tk.Label(viz_frame, text="X轴列：")
x_label.pack(side=tk.LEFT)
x_axis_dropdown = ttk.Combobox(viz_frame, width=15)
x_axis_dropdown.pack(side=tk.LEFT, padx=5)

y_label = tk.Label(viz_frame, text="Y轴列：")
y_label.pack(side=tk.LEFT)
y_axis_dropdown = ttk.Combobox(viz_frame, width=15)
y_axis_dropdown.pack(side=tk.LEFT, padx=5)

plot_type_label = tk.Label(viz_frame, text="图表类型：")
plot_type_label.pack(side=tk.LEFT)
plot_type_dropdown = ttk.Combobox(viz_frame, width=10, values=['柱状图', '折线图', '散点图', '直方图'])
plot_type_dropdown.pack(side=tk.LEFT, padx=5)

generate_plot_btn = tk.Button(viz_frame, text="生成图表", command=generate_plot)
generate_plot_btn.pack(side=tk.LEFT, padx=5)

export_plot_btn = tk.Button(viz_frame, text="导出图表", command=export_plot)
export_plot_btn.pack(side=tk.LEFT, padx=5)

# 图表展示区域
plot_frame = tk.Frame(root, padx=10, pady=10)
plot_frame.pack(fill=tk.BOTH, expand=True)

# 启动主循环
root.mainloop()

三、功能演示

1. 导入CSV：点击”导入CSV文件”选择本地CSV，工具自动加载数据并预览前10行；
2. 统计分析：点击”计算统计量”，工具自动识别数值型列并输出均值、中位数等指标；
3. 数据过滤：选择列、输入数值范围，点击”执行过滤”更新数据；
4. 可视化：选择X/Y轴与图表类型，点击”生成图表”展示结果；
5. 导出：点击”导出统计结果”或”导出图表”保存到本地。

四、总结

本工具通过tkinter+ pandas+ matplotlib的组合，实现了CSV数据的全流程分析。核心亮点：
– 轻量化：无外部依赖，本地运行；
– 易用性：GUI交互降低技术门槛；
– 扩展性：可轻松添加饼图、频数统计等功能。

通过这个项目，我们掌握了数据处理与GUI结合的技巧，也为日常数据快速分析提供了高效解决方案。未来可优化界面美观度、支持更多数据格式（如Excel），进一步提升工具实用性。

如果你有任何改进建议或问题，欢迎在评论区交流！

以上代码可直接运行，需先安装依赖库：  
`pip install pandas matplotlib numpy`  
（注：tkinter为Python内置库，无需额外安装）