Практикум — Pandas Data Viewer

ОБЯЗАТЕЛЬНОДЛЯ НОВИЧКОВ

Разработчику Начальный уровень

О практикуме

Pandas Data Viewer — учебное десктопное приложение: открыть таблицу из .csv или Excel, просмотреть строки, найти значение по всем столбцам и вывести описательную статистику. Всё в одном окне на Tkinter (входит в стандартную поставку Python) и pandas (библиотека для табличного анализа).

Зачем такой проект, если есть Excel и Jupyter? Потому что он связывает два навыка, которые в реальной работе идут рядом:

аналитика — загрузка, фильтрация, describe(), типы столбцов;
интерфейс — кнопки, диалоги, таблица на экране, обратная связь пользователю.

Аналог в духе «мини-Excel на Python» полезен для отчётов, проверки выгрузок из CRM или логов без запуска тяжёлого BI-стека. Теория таблиц — в Анализ данных — pandas, NumPy, SciPy; виджеты и цикл событий — в Tkinter и GUI и Первая программа на Tkinter. Скрипты без GUI — Pandas — типовые операции. Образец для сверки — F:\Projects\Python\TestPandas.

Для кого материал

Нужны Python 3.10+, базовые классы и списки, установленные pandas и openpyxl. Желательно пройти первую программу на Tkinter и хотя бы раз открыть CSV в Lab.
Маршрут раздела «Анализ данных» — о разделе, пункт 2 (Data Science).

Оценка времени — 2–3 часа при прохождении всех этапов подряд с самопроверкой после каждого шага.

Чему учит практикум

Навык	Что именно тренируем	Где в коде
Загрузка данных	`read_csv`, `read_excel`, обработка ошибок	`open_file`
EDA	`dtypes`, `describe()`, размер таблицы	`show_stats`
Фильтрация	булева маска, `str.contains`	`apply_filter`
GUI	`Treeview`, `filedialog`, `messagebox`, `StringVar`	`_build_ui`, `populate_table`
Архитектура	состояние (`self.df`) отдельно от отрисовки	класс `DataViewerApp`

Ключевые определения

DataFrame — двумерная таблица pandas: строки — записи, столбцы — атрибуты с именами и типами. Подробнее — обзор Pandas.
EDA (Exploratory Data Analysis, разведочный анализ) — первичный осмотр данных: сколько строк, какие типы, есть ли выбросы. В Excel это лист + сводные; здесь — info, dtypes, describe(). Контекст — Data Science, 428 — типовые операции.
Булева маска — столбец или Series из True/False; df[mask] оставляет только строки, где условие истинно. Тот же приём — в фильтрации Pandas.
Treeview — виджет Tkinter для табличного и древовидного вывода; мы используем режим «только заголовки» (show="headings"), без колонки-дерева.
Главный цикл (mainloop) — бесконечное ожидание кликов и ввода; без него окно сразу закроется — см. 3111.

Карта этапов

Этап	Фокус	Результат
0	Окружение	venv, зависимости, пустое окно
1	Каркас UI	Панель кнопок, строка поиска, статус
2	Загрузка файла	`read_csv` / `read_excel`, обработка ошибок
3	Таблица	`Treeview` с колонками DataFrame
4	Поиск	Маска по всем столбцам, сброс
5	Статистика	`dtypes`, `describe()` в диалоге
6	Ревизия	Итоговая самопроверка

Правило прохождения — после каждого этапа запускайте python app.py. Не переходите дальше, пока не отмечены пункты самопроверки — тот же подход, что в отладке и разработке.

Этап 0 — окружение

Цель — отдельная папка проекта, виртуальное окружение, зафиксированные зависимости и пустое окно с заголовком.

Зачем venv и requirements.txt

Виртуальное окружение изолирует пакеты проекта от системного Python: на одном компьютере могут жить разные версии pandas для разных задач. Файл requirements.txt фиксирует состав окружения — коллега или вы через месяц воспроизведёте те же версии одной командой pip install -r requirements.txt. Подробнее — Зависимости Python.

mkdir pandas-viewer && cd pandas-viewer
python -m venv .venv
.venv\Scripts\activate
pip install "pandas>=2.0.0" "openpyxl>=3.1.0"

requirements.txt:

pandas>=2.0.0
openpyxl>=3.1.0

Разбор команд.

python -m venv .venv создаёт каталог .venv с копией интерпретатора и pip.
.venv\Scripts\activate (Windows) подключает это окружение в текущей сессии терминала; в Linux/macOS — source .venv/bin/activate.
openpyxl — движок для чтения .xlsx; без него pd.read_excel() завершится ошибкой импорта, хотя CSV будет работать.

Тестовые данные

Создайте sample_data.csv — небольшая таблица сотрудников для проверки поиска и статистики:

name,age,city,salary
Анна,28,Москва,85000
Борис,34,Санкт-Петербург,92000
Виктория,25,Казань,71000
Григорий,41,Новосибирск,105000
Дарья,31,Москва,88000
Егор,29,Екатеринбург,79000
Жанна,36,Самара,83000
Иван,22,Москва,65000

В файле смешаны типы:

name, city — строки (object в pandas);
age, salary — целые числа (int64);
в city три вхождения «Москва» — удобно проверить фильтр на этапе 4.

Чтение такого CSV без pandas — модуль csv в stdlib; здесь сразу переходим к DataFrame.

Минимальное окно

app.py:

import tkinter as tk


def main() -> None:
    root = tk.Tk()
    root.title("Pandas Data Viewer")
    root.geometry("900x600")
    root.mainloop()


if __name__ == "__main__":
    main()

Разбор.

tk.Tk() — корневое окно приложения; один экземпляр на программу.
title(...) — текст в заголовке окна ОС.
geometry("900x600") — ширина × высота в пикселях; позже добавим minsize, чтобы окно не сжималось до нечитаемого размера.
if __name__ == "__main__" — точка входа при прямом запуске; при импорте модуля main() не вызовется — см. if name == "main".
mainloop() — цикл обработки событий; без него процесс завершится и окно исчезнет.

Самопроверка

python app.py открывает пустое окно с заголовком «Pandas Data Viewer».
pip list показывает pandas и openpyxl.
Повторный запуск не выдаёт ошибок импорта.

Этап 1 — каркас интерфейса

Цель — собрать все зоны экрана до подключения pandas: панель действий, поиск, таблица, строка статуса.

Слои интерфейса

Десктопное приложение удобно мыслить слоями — сверху вниз:

Toolbar — кнопки «Открыть файл» и «Статистика», метка с путём к файлу.
Filter bar — поле поиска и «Сбросить».
Table area — Treeview с вертикальной и горизонтальной прокруткой.
Status bar — краткое сообщение о состоянии (загружено N строк, найдено M).

Такое деление повторяет привычный Excel: лента → фильтр → сетка → строка состояния. Теория компоновки — pack и grid в 3111.

Замените app.py:

import tkinter as tk
from tkinter import ttk


class DataViewerApp:
    def __init__(self, root: tk.Tk) -> None:
        self.root = root
        self.root.title("Pandas Data Viewer")
        self.root.geometry("900x600")
        self.root.minsize(700, 400)

        self.df = None
        self.file_path = None

        self._build_ui()

    def _build_ui(self) -> None:
        toolbar = ttk.Frame(self.root, padding=8)
        toolbar.pack(fill=tk.X)

        ttk.Button(toolbar, text="Открыть файл", command=self.open_file).pack(
            side=tk.LEFT, padx=(0, 8)
        )
        ttk.Button(toolbar, text="Статистика", command=self.show_stats).pack(
            side=tk.LEFT, padx=(0, 8)
        )

        self.file_label = ttk.Label(toolbar, text="Файл не выбран", foreground="gray")
        self.file_label.pack(side=tk.LEFT, padx=8)

        filter_frame = ttk.Frame(self.root, padding=(8, 0, 8, 8))
        filter_frame.pack(fill=tk.X)

        ttk.Label(filter_frame, text="Поиск:").pack(side=tk.LEFT)
        self.search_var = tk.StringVar()
        ttk.Entry(filter_frame, textvariable=self.search_var, width=40).pack(
            side=tk.LEFT, padx=8
        )
        ttk.Button(filter_frame, text="Сбросить", command=self.reset_filter).pack(
            side=tk.LEFT
        )

        table_frame = ttk.Frame(self.root, padding=8)
        table_frame.pack(fill=tk.BOTH, expand=True)

        self.tree = ttk.Treeview(table_frame, show="headings")
        vsb = ttk.Scrollbar(table_frame, orient=tk.VERTICAL, command=self.tree.yview)
        hsb = ttk.Scrollbar(table_frame, orient=tk.HORIZONTAL, command=self.tree.xview)
        self.tree.configure(yscrollcommand=vsb.set, xscrollcommand=hsb.set)

        self.tree.grid(row=0, column=0, sticky="nsew")
        vsb.grid(row=0, column=1, sticky="ns")
        hsb.grid(row=1, column=0, sticky="ew")
        table_frame.rowconfigure(0, weight=1)
        table_frame.columnconfigure(0, weight=1)

        self.status = ttk.Label(self.root, text="Готово", padding=8, relief=tk.SUNKEN)
        self.status.pack(fill=tk.X, side=tk.BOTTOM)

    def open_file(self) -> None:
        self.set_status("Кнопка «Открыть файл» — на этапе 2")

    def show_stats(self) -> None:
        self.set_status("Кнопка «Статистика» — на этапе 5")

    def reset_filter(self) -> None:
        self.search_var.set("")

    def set_status(self, text: str) -> None:
        self.status.config(text=text)


def main() -> None:
    root = tk.Tk()
    DataViewerApp(root)
    root.mainloop()


if __name__ == "__main__":
    main()

Разбор класса и виджетов

Состояние приложения.

self.df = None — таблица ещё не загружена; None отличаем от пустого DataFrame.
self.file_path — путь для метки в toolbar; пригодится, если добавите «перезагрузить файл».

ttk против tk.

Модуль ttk (themed Tk) даёт виджеты в стиле ОС — кнопки и таблица выглядят аккуратнее классического Tk.
Frame группирует виджеты; padding=8 — внутренние отступы в пикселях.

Компоновка.

В toolbar и filter bar — pack(side=tk.LEFT) — элементы в ряд слева направо.
Область таблицы — pack(fill=tk.BOTH, expand=True) — растягивается на всё свободное место при ресайзе окна.
Внутри table_frame — grid: таблица в (0,0), вертикальная полоса в (0,1), горизонтальная в (1,0).
rowconfigure(0, weight=1) и columnconfigure(0, weight=1) — при увеличении окна растёт именно ячейка с таблицей, а не полосы прокрутки.
sticky="nsew" — виджет «приклеен» ко всем сторонам ячейки (north-south-east-west).

Treeview и прокрутка.

show="headings" скрывает служебную колонку #0 с деревом; остаётся плоская таблица с именованными столбцами.
yscrollcommand / xscrollcommand связывают полосы прокрутки с таблицей — стандартный паттерн Tkinter.

Заглушки обработчиков.

command=self.open_file передаёт ссылку на метод, без скобок — иначе функция вызовется при создании кнопки, а не при клике (см. 311 — пример кнопки).
Заглушки меняют строку статуса — вы сразу видите, что кнопки подключены.

Самопроверка

Окно показывает две кнопки, поле поиска, пустую таблицу и строку «Готово» внизу.
Кнопки меняют текст в строке статуса.
При сужении окна таблица сжимается, но не наезжает на toolbar.

Этап 2 — загрузка CSV и Excel

Цель — диалог выбора файла, чтение в DataFrame, сохранение в self.df, отображение пути и размера таблицы.

Форматы и функции чтения

Расширение	Функция pandas	Зависимость
`.csv`	`pd.read_csv(path)`	только pandas
`.xlsx`	`pd.read_excel(path)`	`openpyxl`
`.xls`	`pd.read_excel(path)`	может потребоваться `xlrd`

CSV (Comma-Separated Values) — текстовый формат: строка = запись, поля разделены запятой или точкой с запятой. Excel хранит листы в бинарном или XML-контейнере; pandas скрывает детали, но движок чтения нужно установить отдельно.

Типовые параметры read_csv (кодировка, разделитель, типы столбцов) — загрузка данных в 428 и примеры в Lab.

Добавьте импорты в начало app.py:

from tkinter import filedialog, messagebox

import pandas as pd

Замените метод open_file:

    def open_file(self) -> None:
        path = filedialog.askopenfilename(
            title="Выберите файл",
            filetypes=[
                ("Таблицы", "*.csv *.xlsx *.xls"),
                ("CSV", "*.csv"),
                ("Excel", "*.xlsx *.xls"),
                ("Все файлы", "*.*"),
            ],
        )
        if not path:
            return

        try:
            if path.lower().endswith(".csv"):
                df = pd.read_csv(path)
            else:
                df = pd.read_excel(path)
        except Exception as exc:
            messagebox.showerror("Ошибка", f"Не удалось прочитать файл:\n{exc}")
            return

        self.df = df
        self.file_path = path
        self.search_var.set("")
        self.file_label.config(text=path, foreground="black")
        self.set_status(f"Загружено: {len(df)} строк, {len(df.columns)} столбцов")

Разбор метода `open_file`

Диалог выбора файла.

filedialog.askopenfilename() блокирует окно до выбора файла или «Отмена»; возвращает строку пути или пустую строку.
filetypes — список пар «описание, шаблон»; пользователь может отфильтровать только CSV или только Excel.

Ветвление по расширению.

path.lower().endswith(".csv") — простая эвристика; для продакшена иногда смотрят MIME-тип или пробуют оба читателя.
read_excel без sheet_name берёт первый лист книги — для учебного проекта достаточно.

Обработка ошибок.

try/except ловит битый CSV, отсутствие openpyxl, занятый Excel-файл, неверную кодировку.
messagebox.showerror показывает текст исключения пользователю; приложение не падает — важный принцип GUI, см. обработку исключений.

Обновление состояния.

self.df = df — единый источник правды для таблицы; поиск и статистика читают только его.
self.search_var.set("") — сброс старого запроса при новом файле.
foreground="black" у метки пути — визуальный сигнал «файл выбран» (на этапе 0 был серый «Файл не выбран»).

На следующем этапе добавим вызов self.populate_table(df) сразу после успешной загрузки.

Самопроверка

«Открыть файл» → sample_data.csv → в статусе «Загружено: 8 строк, 4 столбца».
Метка слева показывает полный путь к файлу.
«Отмена» в диалоге не меняет состояние и не вызывает ошибку.
Повреждённый или неподходящий файл даёт диалог с ошибкой, программа продолжает работать.

Этап 3 — вывод таблицы в Treeview

Цель — отобразить столбцы и строки DataFrame в Treeview, очистить таблицу при новой загрузке, ограничить число строк для отзывчивости GUI.

Почему не выводить DataFrame напрямую

Pandas умеет print(df) и рендер в Jupyter, но в Tkinter нет встроенного «виджета DataFrame». Нужен мост:

взять имена столбцов → заголовки Treeview;
пройти по строкам → insert с списком значений;
NaN и нестандартные типы → строки для отображения.

Для очень больших файлов полный перебор в GUI-потоке заморозит окно — поэтому на первом проходе показываем не более 1000 строк и предлагаем поиск для сужения выборки. Пакетная обработка больших CSV — 433 — пакетная работа с данными.

Добавьте вызов в open_file после присвоения self.df:

        self.populate_table(df)
        self.set_status(f"Загружено: {len(df)} строк, {len(df.columns)} столбцов")

Метод populate_table:

    def populate_table(self, df: pd.DataFrame) -> None:
        self.tree.delete(*self.tree.get_children())
        self.tree["columns"] = list(df.columns)

        for col in df.columns:
            self.tree.heading(col, text=str(col))
            self.tree.column(col, width=120, anchor=tk.W, minwidth=60)

        display_df = df.head(1000)
        for _, row in display_df.iterrows():
            values = ["" if pd.isna(v) else str(v) for v in row]
            self.tree.insert("", tk.END, values=values)

        if len(df) > 1000:
            self.set_status(
                f"Показано 1000 из {len(df)} строк. Используйте поиск для фильтрации."
            )

Разбор `populate_table`

Очистка.

get_children() возвращает id всех строк дерева; delete(*...) удаляет их перед новой отрисовкой.
Без очистки при повторной загрузке или фильтре строки накладывались бы друг на друга.

Заголовки и ширина.

self.tree["columns"] = list(df.columns) — динамический набор столбцов: разные файлы — разная схема.
heading(col, text=str(col)) — подпись в шапке; str(col) на случай нестандартных имён.
anchor=tk.W — выравнивание ячеек по левому краю (удобно для текста и чисел).

Строки данных.

df.head(1000) — срез первых 1000 строк; защита интерфейса от зависания.
iterrows() возвращает пары (индекс, Series); индекс _ не используем.
pd.isna(v) — пропуск (NaN, NA) показываем пустой ячейкой, а не текстом nan.
str(v) приводит числа и даты к строке для единообразного вывода в Treeview.

Ограничение учебного подхода.

iterrows() медленный на сотнях тысяч строк; в продакшене — itertuples(), порционная подгрузка или отдельный слой кэша. Для 8–1000 строк наш вариант достаточен.

Самопроверка

После открытия sample_data.csv видны столбцы name, age, city, salary и 8 строк.
Горизонтальная и вертикальная прокрутка работают при сужении окна.
Повторное открытие того же файла не дублирует строки.

Этап 4 — поиск по всем столбцам

Цель — «живой» фильтр при вводе в поле «Поиск»: оставить строки, где запрос встречается хотя бы в одном столбце.

Идея фильтра

В Excel — автофильтр по столбцу. Здесь — глобальный поиск по всей таблице, как строка поиска в почте или проводнике.

Алгоритм:

привести все ячейки к строкам (astype(str));
для каждого столбца проверить str.contains(query);
объединить столбцы через any(axis=1) — строка подходит, если хоть один столбец совпал;
df[mask] — отфильтрованный DataFrame;
снова populate_table(filtered).

Тот же механизм булевой маски, что при df[df["city"] == "Москва"], только условие сложнее — см. фильтрацию в обзоре и примеры в Lab.

В _build_ui замените создание search_var:

        self.search_var = tk.StringVar()
        self.search_var.trace_add("write", lambda *_: self.apply_filter())

Методы фильтрации:

    def apply_filter(self) -> None:
        if self.df is None:
            return

        query = self.search_var.get().strip().lower()
        if not query:
            self.populate_table(self.df)
            self.set_status(f"Загружено: {len(self.df)} строк")
            return

        mask = self.df.astype(str).apply(
            lambda col: col.str.lower().str.contains(query, na=False)
        ).any(axis=1)
        filtered = self.df[mask]
        self.populate_table(filtered)
        self.set_status(f"Найдено: {len(filtered)} из {len(self.df)} строк")

    def reset_filter(self) -> None:
        self.search_var.set("")
        if self.df is not None:
            self.populate_table(self.df)
            self.set_status(f"Загружено: {len(self.df)} строк")

Разбор поиска

Привязка к полю ввода.

StringVar — переменная Tkinter, связанная с Entry; изменения текста видны и виджету, и коду.
trace_add("write", callback) вызывает apply_filter при каждом символе — «живой» фильтр без кнопки «Найти».
lambda *_: игнорирует служебные аргументы trace; обработчик можно было бы назвать def _on_search_changed(self, *_):.

Нормализация запроса.

strip().lower() — поиск без учёта регистра и лишних пробелов; «Москва» и «москва» дают один результат.

Построение маски.

astype(str) — число 92000 станет строкой "92000", поэтому запрос 92 найдёт зарплату Бориса.
col.str.lower().str.contains(query, na=False) — по каждому столбцу Series из True/False; na=False — пропуски не считаем совпадением.
.any(axis=1) — по строкам: True, если хотя бы один столбец в строке True.
filtered = self.df[mask] — классическая индексация DataFrame булевой маской.

Сброс.

reset_filter очищает поле; пустой запрос в apply_filter восстанавливает полную таблицу.

Самопроверка

Поиск москва оставляет три строки (Анна, Дарья, Иван).
Поиск 92 находит Бориса (зарплата 92000).
Поиск борис находит одну строку независимо от регистра.
«Сбросить» возвращает все 8 строк.
Пустое поле поиска показывает полную таблицу.

Этап 5 — описательная статистика

Цель — диалог с размером таблицы, типами столбцов и describe() для числовых полей — минимальный EDA в один клик.

Что такое описательная статистика

Описательная статистика суммирует распределение значений без построения модели:

count — сколько непустых значений;
mean — среднее;
std — разброс вокруг среднего;
min, 25%, 50%, 75%, max — минимум, квартили, медиана, максимум.

В Excel то же даёт «Описательная статистика» из надстройки «Анализ данных» — см. 42 — статистика. В pandas — один вызов describe().

Перед статистикой всегда смотрят типы (dtypes): столбец с цифрами, прочитанный как строка, даст неверный mean. Чек-лист очистки — 427 — подготовка в Pandas.

Замените заглушку show_stats:

    def show_stats(self) -> None:
        if self.df is None:
            messagebox.showinfo("Статистика", "Сначала откройте файл с данными.")
            return

        info = [
            f"Строк: {len(self.df)}",
            f"Столбцов: {len(self.df.columns)}",
            "",
            "Типы данных:",
            self.df.dtypes.to_string(),
            "",
            "Описательная статистика (числовые столбцы):",
        ]

        numeric = self.df.select_dtypes(include="number")
        if numeric.empty:
            info.append("  (числовых столбцов нет)")
        else:
            info.append(numeric.describe().to_string())

        messagebox.showinfo("Статистика", "\n".join(info))

Разбор `show_stats`

Проверка данных.

Если self.df is None, пользователь ещё не открыл файл — показываем подсказку, а не пустой отчёт.

Сбор текста отчёта.

Список info с f-строками и пустыми строками "" для разделения блоков.
dtypes.to_string() — компактная таблица «столбец → тип»; для sample_data.csv увидите int64 у age и salary, object у name и city.

Только числовые столбцы.

select_dtypes(include="number") отсекает строки вроде name — describe() для текста бессмысленен.
numeric.empty — отдельное сообщение, если в файле нет чисел (например, только категории).

Диалог.

messagebox.showinfo — модальное окно с кнопкой OK; для длинного текста в учебном проекте достаточно; для продакшена — отдельное окно с Text и прокруткой (3112 — справочник Tkinter).

Что проверить на sample_data.csv.

age: mean около 30.75, min 22, max 41;
salary: mean около 84125, max 105000 у Григория;
name и city в блоке describe() не появляются.

Самопроверка

Без загруженного файла — сообщение «Сначала откройте файл с данными».
Для sample_data.csv в статистике видны age и salary с mean, min, max.
Столбец name не попадает в числовой блок describe().
После фильтрации статистика по-прежнему считается по полному self.df (так задумано; фильтр только для отображения).

Этап 6 — ревизия и дальнейшие шаги

Цель — убедиться, что приложение цельное; понять, куда развивать проект дальше.

Итоговая архитектура

Полный app.py совпадает с образцом в F:\Projects\Python\TestPandas\app.py. Запуск:

python app.py

Итоговая самопроверка

Открываются .csv и .xlsx (для Excel нужен openpyxl).
Таблица, поиск и статистика работают на sample_data.csv.
Ошибки чтения файла показываются в диалоге, программа не завершается.
Код в одном файле app.py — для учебного проекта нормально; при росте логику можно вынести в data_io.py и filters.py.

Что добавить самостоятельно

Улучшение	Зачем	Подсказка
Экспорт отфильтрованных данных	сохранить результат поиска	`filtered.to_csv(...)` в `apply_filter`
Сортировка по клику на заголовок	удобство как в Excel	`tree.heading(col, command=...)` + `df.sort_values`
График зарплат по городам	визуальный EDA	Matplotlib — графики, `groupby` + `bar`
Статистика по текущему фильтру	отчёт только по видимым строкам	отдельное поле `self.filtered_df`
Тесты логики фильтра	регрессии без GUI	вынести маску в функцию, pytest
Кодировка CSV	файлы в cp1251	`read_csv(path, encoding="cp1251")` — 428

Связанные материалы

Pandas и аналитика

Анализ данных — pandas, NumPy, SciPy — теория DataFrame, масок, groupby.
Pandas — объединение таблиц, своды и временные ряды — merge, pivot, даты.
Pandas — типовые операции — скрипты без GUI с построчным разбором.
428 — типовые операции при анализе — шпаргалка EDA.
Data Science — стек и роли в экосистеме данных.

Интерфейс и десктоп

Tkinter и GUI · Первая программа на Tkinter — виджеты, pack, grid, mainloop.
Справочник по Tkinter — элементы UI — рецепты виджетов.
Десктопные приложения — о разделе — контекст жанра.

Смежные инструменты

NumPy — массивы и матрицы — основа под pandas.
Matplotlib — графики — следующий шаг после таблицы.
Зависимости Python — venv, pip, pyproject.toml.

В подборках

Аналитика данных — Анализ данных — о разделе, Python — о разделе, типовые операции Pandas, практикум в пункте 2 Data Science.

Десктоп на Python — Tkinter и GUI, десктопные приложения, Tkinter — примеры в Lab.

О практикуме​

Чему учит практикум​

Ключевые определения​

Карта этапов​

Этап 0 — окружение​

Зачем venv и requirements.txt​

Тестовые данные​

Минимальное окно​

Этап 1 — каркас интерфейса​

Слои интерфейса​

Разбор класса и виджетов​

Этап 2 — загрузка CSV и Excel​

Форматы и функции чтения​

Разбор метода open_file​

Этап 3 — вывод таблицы в Treeview​

Почему не выводить DataFrame напрямую​

Разбор populate_table​

Этап 4 — поиск по всем столбцам​

Идея фильтра​

Разбор поиска​

Этап 5 — описательная статистика​

Что такое описательная статистика​

Разбор show_stats​

Этап 6 — ревизия и дальнейшие шаги​

Итоговая архитектура​

Что добавить самостоятельно​

Связанные материалы​

В подборках​

Связанные темы

См. также

🗃Практикум Kivy

Python - язык общего назначения

Что требуется знать перед началом изучения языка программирования Python

Рекомендации по разработке на Python

Простые приложения на Python

Встроенный модуль builtins и типизация в Python

Архитектура интерпретатора Python

Фреймворки и библиотеки Python

Экосистема Python-приложений

Модули в Python

Виртуальные окружения и управление зависимостями

История языка Python

О практикуме

Чему учит практикум

Ключевые определения

Карта этапов

Этап 0 — окружение

Зачем venv и requirements.txt

Тестовые данные

Минимальное окно

Этап 1 — каркас интерфейса

Слои интерфейса

Разбор класса и виджетов

Этап 2 — загрузка CSV и Excel

Форматы и функции чтения

Разбор метода `open_file`

Этап 3 — вывод таблицы в Treeview

Почему не выводить DataFrame напрямую

Разбор `populate_table`

Этап 4 — поиск по всем столбцам

Идея фильтра

Разбор поиска

Этап 5 — описательная статистика

Что такое описательная статистика

Разбор `show_stats`

Этап 6 — ревизия и дальнейшие шаги

Итоговая архитектура

Что добавить самостоятельно

Связанные материалы

В подборках