一小时开发数据分析和机器学习平台（手把手，附Python代码）-技术圈

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Pycaret -- 理想的AUTO ML 平台

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 path    if str(file_folder)[-1] != '/':        file_selected_path = file_folder + '/' + file_selected    else:        file_selected_path = file_folder + file_selected    return 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 rows    try:        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 = None        nrows = 100        st.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：

EDA神器pandas-profiling万岁？

    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。

最后就是用户信息提醒，这里采用info，success，warning等组件提供给用户系统的状态信息。

我们通过配置pycaret，可以使过程日志保存在log中。

 为节省文章篇幅，代码见文末源码

模型管理与预测

mlflow是一款独立的，成熟的模型生命周期管理软件。其中tracking 模块可以记录每一次运行的参数，运行的结果，metrics，模型的保存，绘图的保存等（当然记录哪些内容都是需要配置的）。

pycaret中集成了mlflow 模块，所以我们只需要在调用pycaret 创建模型时，允许系统调用mlflow来管理我们的运行记录。

这里我们将mlflow的运行日志通过dataframe显示出来，当然更多的细节我们可以通过mlflow的网页来查看，比如模型信息，绘图等。

如果需要查看mlflow 服务器网页，需要在命令行中输入以下代码来启动：

mlflow ui

模型在mlflow中保存为pkl格式，我们需要调用mlflow中的load_model函数来获取模型的信息。pycaret的模型相比于一般的sklearn的模型，多了pipeline的（管道模型）信息，这个pipeline可以用于对数据集进行预处理。

加载的模型支持predict 方法，因此我们只需要输入数据集即可预测。这里为了节省布局控件，我们继续采用“定义数据源”的数据集来进行预测。

 为节省文章篇幅，代码见文末源码

整合与运行程序

我们把上面的所有涉及网页设计的代码，放置在一个函数下，比如：

def app_main():    #上面的所有涉及网页的代码

然后设置程序的入口代码：

if __name__ == '__main__':    app_main()

以上就是所有的代码。

运行程序我们只需要在当前路径下，在命令行输入：

streamlit run main.py

系统会在8501 端口下，运行app，在浏览器中输入网址即可运行。

总结

本文的代码难度属于入门级别，但是达成的效果却是很实用。因为这样的数据分析平台在日常中绝对可用，而且很顺手。如果需要扩展自动机器学习的任务，比如自然语言处理，也很简单。只需要参考回归或者分类的代码即可，相信工作量不会超过10行代码（多是复制粘贴)，有兴趣的朋友可以尝试。

上述的源代码都放在github上：bingblackbean/streamlit_pycaret

准备写本书
属实逼真，决策树可视化！
21个深度学习开源数据集汇总！
耗时一个月，做了一个纯粹的机器学习网站
用 Python 从 0 实现一个神经网络
40篇AI论文！附PDF下载，代码、视频讲解

三连在看，月入百万👇