基于Streamlit构建的交互式教学展示平台

一、项目背景与意义1.1 背景在数据挖掘课程学习与教学过程中知识点分散、代码与结果分离、环境配置复杂等问题较为突出。为解决上述痛点开发一套轻量化、可交互、一键运行的案例展示平台方便学习与演示。1.2 项目意义整合 Python、NumPy、Pandas、Matplotlib、机器学习等全流程案例支持代码展示 实时运行 图表可视化三位一体界面简洁、无需复杂配置适合教学、实验、自学使用二、开发环境与技术栈2.1 开发环境操作系统Windows 10/11Python 版本3.8 ~ 3.11开发工具VS Code / PyCharmstreamlit1.20.0 numpy1.21.0 pandas1.3.0 matplotlib3.4.0 scikit-learn1.0.02.2 核心依赖库streamlit1.20.0 numpy1.21.0 pandas1.3.0 matplotlib3.4.0 scikit-learn1.0.02.3 启动方式streamlit run main.py三、系统整体设计与流程3.1 整体架构采用模块化、分层设计页面配置层导航交互层章节内容展示层公共组件层页脚、样式四、核心功能实现代码 解析4.1 环境初始化与全局配置# 导入核心库 import streamlit as st import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler # 页面全局配置 st.set_page_config( page_title数据挖掘教学平台, page_icon, layoutwide, initial_sidebar_stateexpanded )功能说明导入依赖库、设置页面标题、布局、侧边栏样式。代码解析streamlit用于快速构建 Web 界面set_page_config统一设置页面样式与行为采用wide布局提升展示空间4.2 侧边栏导航模块功能说明生成章节选择下拉框实现页面切换。# 侧边栏 st.sidebar.title( 课程导航) menu [ 首页, 第1章 Python基础, 第2章 NumPy, 第3章 Pandas, 第4章 Matplotlib, 第5章 数据预处理, 第6章 机器学习, 第7章 集成学习, 第8章 深度学习 ] choice st.sidebar.selectbox(选择章节, menu)代码解析st.sidebar创建侧边栏区域selectbox实现下拉选择返回用户选中项后续通过if/elif实现章节内容分发4.3 章节内容展示以 Pandas 为例elif choice 第3章 Pandas: st.title(第3章 Pandas 数据处理) st.subheader(3.1 DataFrame 创建与查看) # 代码块 code import pandas as pd data { 姓名: [张三, 李四, 王五], 年龄: [22, 25, 28], 成绩: [85, 92, 78] } df pd.DataFrame(data) print(df) st.code(code, languagepython) # 运行结果 st.subheader(运行结果) data {姓名: [张三, 李四, 王五],年龄: [22,25,28],成绩:[85,92,78]} df pd.DataFrame(data) st.dataframe(df)代码解析st.code展示高亮代码块st.dataframe交互式展示表格数据结构统一标题 → 代码 → 运行结果 → 图表五、运行效果展示截图 说明5.1 首页界面说明:这是基于 Streamlit 开发的数据挖掘课程交互式展示平台首页。左侧侧边栏可快速切换 1-8 章教学内容右侧主区以双栏布局清晰展示平台定位、涵盖的全流程知识点与核心功能界面简洁友好支持代码 结果同步展示轻量化一键运行适配课堂教学与自学场景。5.2 Pandas 数据展示说明这是 Pandas 章节 DataFrame 知识点演示页。左侧展示创建二维表格的 Python 代码右侧同步渲染出可交互的示例表格直观呈现代码与运行结果的对应关系清晰讲解 DataFrame 这一数据分析核心结构帮助学习者快速理解 Pandas 表格数据处理能力。5.3 Matplotlib 可视化说明线性回归图像展示六、遇到的问题与解决方案6.1 问题 1Matplotlib 图表不显示原因Streamlit 需要使用st.pyplot()显式渲染。fig, ax plt.subplots() ax.plot([1,2,3], [4,5,6]) st.pyplot(fig)6.3 问题 3依赖库版本冲突解决使用requirements.txt固定版本一键安装pip install -r requirements.txt七、总结与扩展方向7.1 项目总结本项目基于 Streamlit 实现了数据挖掘全流程交互式展示平台完成8 大章节、代码 运行 可视化一体化界面简洁、部署简单、适合教学与自学。7.2 扩展方向增加用户上传数据功能新增模型训练参数调节交互支持结果导出图片 / CSV增加习题与自测模块八、完整源码附录#streamlit run C:\Users\Lenovo\.spyder-py3\app.py # 导入核心库 import streamlit as st import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler, MinMaxScaler # -------------------------- 页面基础配置 -------------------------- st.set_page_config( page_title数据挖掘1-8章案例展示平台, page_icon, layoutwide, initial_sidebar_stateexpanded ) # -------------------------- 侧边栏导航目录 -------------------------- st.sidebar.title( 数据挖掘课程导航) st.sidebar.markdown(---) menu [ 首页, 第1章 python基础, 第2章 科学计算包 Numpy, 第3章 数据处理包 Pandas, 第4章 数据可视化包matplotlib, 第5章 数据预处理与特征工程, 第6章 机器学习与实现, 第7章 集成学习与实现, 第8章 深度学习与实现 ] choice st.sidebar.selectbox(请选择章节, menu) st.sidebar.markdown(---) st.sidebar.info(✅ 基于Streamlit构建的交互式教学展示平台\n✅ 轻量化部署 | 实时交互 | 教学友好) # -------------------------- 各章节内容展示 -------------------------- # -------------- 首页 -------------- if choice 首页: st.title( 数据挖掘1-8章 交互式案例展示平台) st.markdown(## 项目介绍) st.success( 本平台基于 **Streamlit** 轻量化Web框架开发集成数据挖掘全流程教学案例 支持**交互式操作、动态图表、实时结果展示**适用于课堂教学、实验演示、课程复习。 ) col1, col2 st.columns(2) with col1: st.markdown(### 涵盖章节) st.write(1. Python基础) st.write(2. Numpy科学计算) st.write(3. Pandas数据处理) st.write(4. Matplotlib可视化) st.write(5. 数据预处理与特征工程) st.write(6. 机器学习基础) st.write(7. 集成学习) st.write(8. 深度学习入门) with col2: st.markdown(### ️ 核心功能) st.write(✅ 分章节模块化展示) st.write(✅ 交互式参数调节) st.write(✅ 实时图表渲染) st.write(✅ 代码结果同步展示) st.write(✅ 轻量化一键运行) st.write(✅ 响应式布局适配) st.markdown(---) st.warning( 请在左侧侧边栏选择对应章节开始学习) # -------------- 第1章 Python基础 -------------- elif choice 第1章 python基础: st.title(第1章 Python基础 案例展示) section_list [ 请选择小节, 1.3 Python基本数据类型, 1.4 python相关的公有方法, 1.5 列表、元祖与字符串方法, 1.6 字典方法, 1.7条件语句, 1.8 循环语句, 1.9 函数 ] section st.selectbox( 选择要查看的内容, section_list) st.markdown(---) if section 1.3 Python基本数据类型: st.subheader(1.3 Python基本数据类型) st.code( # 常用数据类型 a 100 b 3.14 c Hello d True e [1,2,3] f (1,2,3) g {name:小明} , languagepython) st.success(✅ 数字、字符串、列表、元组、字典、布尔值是最常用数据类型) elif section 1.4 python相关的公有方法: st.subheader(1.4 Python相关的公有方法) st.code( # 常用公有方法 print(输出内容) len([1,2,3]) type(100) id(abc) isinstance(3.14, float) , languagepython) st.info( 这些方法适用于大部分数据对象称为公有方法) elif section 1.5 列表、元祖与字符串方法: st.subheader(1.5 列表、元组与字符串方法) tab1, tab2, tab3 st.tabs([列表, 元组, 字符串]) with tab1: st.code(lst [1,2,3]\nlst.append(4)\nlst.pop(), languagepython) with tab2: st.code(t (1,2,3)\nprint(t[0]), languagepython) st.warning(⚠️ 元组不可修改) with tab3: st.code(s abc\ns.upper()\ns.split(), languagepython) elif section 1.6 字典方法: st.subheader(1.6 字典方法) st.code( # 字典常用方法 d {name:张三, age:20} print(d.keys()) print(d.values()) print(d.items()) d.get(name) d.update({sex:男}) , languagepython) elif section 1.7条件语句: st.subheader(1.7 条件语句) st.code( score 90 if score 60: print(及格) elif score 90: print(优秀) else: print(不及格) , languagepython) st.success(条件语句用于逻辑判断) elif section 1.8 循环语句: st.subheader(1.8 循环语句) tab1, tab2 st.tabs([for 循环, while 循环]) with tab1: st.code( for i in range(5): print(i) , languagepython) with tab2: st.code( i 0 while i 5: print(i) i 1 , languagepython) elif section 1.9 函数: st.subheader(1.9 函数) st.code( # 定义函数 def add(a, b): return a b # 调用函数 print(add(2,3)) , languagepython) st.success(函数用于封装重复代码提高复用性) # -------------- 第2章 Numpy -------------- elif choice 第2章 科学计算包 Numpy: st.title(第2章 NumPy 科学计算) numpy_sections [ 请选择小节, 2.1 NumPy简介, 2.2 创建数组, 2.3 数组尺寸, 2.4 数组运算, 2.5 数组切片, 2.6 数组连接, 2.7 数组存取, 2.8 数组形态变换, 2.9 数组排序与搜索, 2.10 矩阵与线性代数运算 ] sec st.selectbox( 选择小节内容, numpy_sections) st.markdown(---) if sec 2.1 NumPy简介: st.subheader(2.1 NumPy 简介) st.success(NumPy 是 Python 科学计算的核心库用于高效处理数组、矩阵、数值运算) st.write(✅ 运算速度远超 Python 原生列表) st.write(✅ 支持多维数组、矩阵运算、线性代数、傅里叶变换) st.write(✅ 数据挖掘、机器学习、深度学习的基础库) elif sec 2.2 创建数组: st.subheader(2.2 创建数组) st.code( import numpy as np a np.array([1,2,3]) b np.zeros((2,2)) c np.ones((3)) d np.full((2,2), 5) e np.random.rand(2,2) , languagepython) demo_arr np.array([1, 2, 3]) st.write(示例数组, demo_arr) elif sec 2.3 数组尺寸: st.subheader(2.3 数组尺寸形状、维度) arr np.random.rand(2, 3) st.write(数组) st.write(arr) st.code(arr.ndim\narr.shape\narr.size, languagepython) st.write(维度, arr.ndim) st.write(形状, arr.shape) st.write(总数, arr.size) elif sec 2.4 数组运算: st.subheader(2.4 数组运算向量化) a np.array([1,2,3]) b np.array([4,5,6]) st.code(ab\na*b\na**2\nnp.exp(a)\nnp.sqrt(a), languagepython) st.write(a b , a b) st.write(a * b , a * b) elif sec 2.5 数组切片: st.subheader(2.5 数组切片索引取值) arr np.array([[1,2,3],[4,5,6],[7,8,9]]) st.code(arr[0, :]\narr[:, 1]\narr[1:, :2], languagepython) st.write(数组) st.write(arr) st.write(第一行, arr[0, :]) elif sec 2.6 数组连接: st.subheader(2.6 数组连接合并) a np.array([1,2,3]) b np.array([4,5,6]) st.code(np.hstack([a,b])\nnp.vstack([a,b]), languagepython) st.write(横向拼接, np.hstack([a,b])) elif sec 2.7 数组存取: st.subheader(2.7 数组存取保存与加载) st.code(np.save(\my_arr.npy\, arr)\narr np.load(\my_arr.npy\), languagepython) st.success(用于持久化存储大数据数组) elif sec 2.8 数组形态变换: st.subheader(2.8 数组形态变换) arr np.arange(12) st.code(arr.reshape(3,4)\narr.flatten()\narr.T, languagepython) st.write(原数组, arr) st.write(reshape(3,4)) st.write(arr.reshape(3,4)) elif sec 2.9 数组排序与搜索: st.subheader(2.9 数组排序与搜索) arr np.array([3,1,4,2,5]) st.code(np.sort(arr)\nnp.argsort(arr)\nnp.where(arr2), languagepython) st.write(原数组, arr) st.write(排序后, np.sort(arr)) st.write(大于2的位置, np.where(arr2)[0]) elif sec 2.10 矩阵与线性代数运算: st.subheader(2.10 矩阵与线性代数运算) st.code( A np.array([[1,2],[3,4]]) B np.array([[5,6],[7,8]]) A.dot(B) np.linalg.inv(A) np.trace(A) np.linalg.eig(A) , languagepython) A np.array([[1,2],[3,4]]) st.write(矩阵A) st.write(A) st.write(逆矩阵) try: st.write(np.linalg.inv(A)) except: st.warning(矩阵不可逆) # -------------- 第3章 Pandas -------------- elif choice 第3章 数据处理包 Pandas: st.title(第3章 Pandas 数据处理) pandas_sections [ 请选择小节, 3.1 Pandas简介, 3.2 序列, 3.3 数据框, 3.4 外部数据读取 ] sec st.selectbox( 选择小节内容, pandas_sections) st.markdown(---) if sec 3.1 Pandas简介: st.subheader(3.1 Pandas 简介) st.success(Pandas 是 Python 最强大的数据处理库专为表格数据、时间序列设计) st.write(✅ 核心结构Series一维、DataFrame二维) st.write(✅ 支持 Excel/CSV/SQL 读写) st.write(✅ 数据清洗、筛选、分组、统计全能工具) elif sec 3.2 序列: st.subheader(3.2 序列Series- 一维带标签数组) st.code( import pandas as pd s pd.Series([10,20,30,40], index[a,b,c,d]) , languagepython) s pd.Series([10,20,30,40], index[a,b,c,d]) st.write(示例 Series) st.write(s) st.success(Series 索引 数据类似带标签的列表) elif sec 3.3 数据框: st.subheader(3.3 数据框DataFrame- 二维表格) st.code( df pd.DataFrame({ 姓名: [张三,李四,王五], 年龄: [22,25,23], 成绩: [85,92,78] }) , languagepython) df pd.DataFrame({ 姓名: [张三,李四,王五], 年龄: [22,25,23], 成绩: [85,92,78] }) st.write(示例 DataFrame) st.dataframe(df, use_container_widthTrue) st.success(DataFrame 是数据分析最核心结构等同于 Excel 表格) elif sec 3.4 外部数据读取: st.subheader(3.4 外部数据读取Excel/CSV) st.code( df pd.read_csv(data.csv) df pd.read_excel(data.xlsx) df.head() , languagepython) st.info( 实际使用时只需替换文件路径即可读取外部数据) st.success(Pandas 支持几乎所有常见数据格式导入) # -------------- 第4章 Matplotlib -------------- elif choice 第4章 数据可视化包matplotlib: st.title(第4章 Matplotlib 数据可视化) plt_sections [ 请选择小节, 4.1 Matplotlib绘图基础, Matplotlib常用图形绘制 ] sec st.selectbox( 选择小节内容, plt_sections) st.markdown(---) if sec 4.1 Matplotlib绘图基础: st.subheader(4.1 Matplotlib绘图基础) st.code( import matplotlib.pyplot as plt plt.figure(figsize(8,4)) plt.plot(x, y) plt.title(标题) plt.xlabel(X轴) plt.ylabel(Y轴) plt.grid(True) plt.legend() plt.show() , languagepython) st.markdown(### 基础示例正弦曲线) x np.linspace(0, 10, 100) y np.sin(x) fig, ax plt.subplots(figsize(8, 4)) ax.plot(x, y, labelsin曲线, color#1f77b4, linewidth2) ax.set_title(正弦函数曲线) ax.legend() ax.grid(True) st.pyplot(fig) elif sec Matplotlib常用图形绘制: st.subheader(Matplotlib常用图形绘制) tab1, tab2, tab3, tab4 st.tabs([折线图, 柱状图, 散点图, 饼图]) with tab1: st.markdown(##### 折线图) x [1,2,3,4,5] y [2,4,6,8,10] fig, ax plt.subplots() ax.plot(x, y, markero, colorblue) st.pyplot(fig) with tab2: st.markdown(##### 柱状图) x [A,B,C,D] y [5,3,7,4] fig, ax plt.subplots() ax.bar(x, y, colororange) st.pyplot(fig) with tab3: st.markdown(##### 散点图) x np.random.rand(50) y np.random.rand(50) fig, ax plt.subplots() ax.scatter(x, y, colorgreen, alpha0.7) st.pyplot(fig) with tab4: st.markdown(##### 饼图) sizes [30,20,25,25] labels [A,B,C,D] fig, ax plt.subplots() ax.pie(sizes, labelslabels, autopct%1.1f%%) st.pyplot(fig) # -------------- 第5章 数据预处理 -------------- elif choice 第5章 数据预处理与特征工程: st.title(第5章 数据预处理与特征工程) prep_sections [ 请选择小节, 5.1 重复数据处理, 5.2 数据的合并与关联, 5.3 时间格式处理与日期元素提取, 5.4 映射与离散化, 5.5 滚动计算与分组统计计算, 5.6 样本均衡处理, 5.7 缺失值处理, 5.8 数据规范化, 5.9 特征组合与特征选择 ] sec st.selectbox( 选择小节内容, prep_sections) st.markdown(---) df_demo pd.DataFrame({ id: [1, 2, 2, 3, 4], name: [张三, 李四, 李四, 王五, 赵六], score: [85, 92, 92, 78, 65], time: [2025-01-01, 2025-01-02, 2025-01-03, 2025-01-04, 2025-01-05], age: [22, 25, 25, 23, 24], value: [10, 20, None, 30, 40] }) if sec 5.1 重复数据处理: st.subheader(5.1 重复数据处理) st.write(原始数据) st.dataframe(df_demo) st.code(df.duplicated()\ndf.drop_duplicates(), languagepython) df_unique df_demo.drop_duplicates() st.write(删除重复后) st.dataframe(df_unique) elif sec 5.2 数据的合并与关联: st.subheader(5.2 数据的合并与关联) df1 pd.DataFrame({id: [1,2,3], name: [张三,李四,王五]}) df2 pd.DataFrame({id: [1,2,3], score: [85,92,78]}) st.write(df1) st.dataframe(df1) st.write(df2) st.dataframe(df2) st.code(pd.merge(df1, df2, onid), languagepython) st.write(合并结果) st.dataframe(pd.merge(df1, df2, onid)) elif sec 5.3 时间格式处理与日期元素提取: st.subheader(5.3 时间格式处理与日期元素提取) df df_demo.copy() df[time] pd.to_datetime(df[time]) df[year] df[time].dt.year df[month] df[time].dt.month df[day] df[time].dt.day st.code( df[time] pd.to_datetime(df[time]) df[year] df[time].dt.year df[month] df[time].dt.month , languagepython) st.dataframe(df) elif sec 5.4 映射与离散化: st.subheader(5.4 映射与离散化) df df_demo.copy() df[level] df[score].map(lambda x: 优秀 if x90 else 及格 if x60 else 不及格) st.code( df[level] df[score].map(lambda x: 优秀 if x90 else 及格) pd.cut(df[score], bins[0,60,80,100], labels[不及格,及格,优秀]) , languagepython) st.dataframe(df) elif sec 5.5 滚动计算与分组统计计算: st.subheader(5.5 滚动计算与分组统计计算) df pd.DataFrame({group:[A,A,B,B],val:[1,2,3,4]}) st.code(df.groupby(group)[val].sum()\ndf[val].rolling(window2).mean(), languagepython) st.write(分组求和) st.write(df.groupby(group)[val].sum()) elif sec 5.6 样本均衡处理: st.subheader(5.6 样本均衡处理过采样/欠采样) st.info(常用于分类任务中类别不平衡场景) st.code( from imblearn.over_sampling import SMOTE sm SMOTE() X_resampled, y_resampled sm.fit_resample(X, y) , languagepython) st.success(解决数据分布不均导致模型偏向多数类问题) elif sec 5.7 缺失值处理: st.subheader(5.7 缺失值处理) df df_demo.copy() st.write(含缺失值数据) st.dataframe(df) st.code(df.dropna()\ndf.fillna(df.mean()), languagepython) st.write(填充后) st.dataframe(df.fillna(df.mean(numeric_onlyTrue))) elif sec 5.8 数据规范化: st.subheader(5.8 数据规范化标准化 / 归一化) X np.array([[1,2],[3,4],[5,6]]) st.code(StandardScaler().fit_transform(X)\nMinMaxScaler().fit_transform(X), languagepython) st.write(原始) st.write(X) st.write(标准化后) st.write(StandardScaler().fit_transform(X)) elif sec 5.9 特征组合与特征选择: st.subheader(5.9 特征组合与特征选择) st.code( df[new] df[age] * df[score] from sklearn.feature_selection import VarianceThreshold VarianceThreshold(threshold1).fit_transform(X) , languagepython) st.success(减少冗余特征提升模型速度与泛化能力) # -------------- 第6章 机器学习 -------------- elif choice 第6章 机器学习与实现: st.title(第6章 机器学习基础实现) st.subheader(线性回归案例) X np.random.rand(100, 1) * 10 y 3 * X np.random.randn(100, 1) * 2 fig, ax plt.subplots() ax.scatter(X, y, colororange, alpha0.6) ax.set_title(线性回归数据) st.pyplot(fig) st.info(拟合公式y 3x 噪声) # -------------- 第7章 集成学习 -------------- elif choice 第7章 集成学习与实现: st.title(第7章 集成学习随机森林) st.subheader(多模型组合提升效果) st.success( 集成学习 多个基学习器组合 常用随机森林、XGBoost、LightGBM 优势精度高、鲁棒性强 ) st.code( from sklearn.ensemble import RandomForestClassifier model RandomForestClassifier(n_estimators100) model.fit(X_train, y_train) , languagepython) # -------------- 第8章 深度学习 -------------- elif choice 第8章 深度学习与实现: st.title(第8章 深度学习入门实现) st.subheader(神经网络基础结构) st.markdown(### 经典全连接神经网络) st.code( import tensorflow as tf model tf.keras.Sequential([ tf.keras.layers.Dense(32, activationrelu), tf.keras.layers.Dense(1, activationsigmoid) ]) , languagepython) st.success(用于分类/回归任务适配表格数据、图像、文本等场景) # -------------------------- 页面底部 -------------------------- st.markdown(---) st.caption(© 2026 数据挖掘教学案例展示 | 基于Streamlit开发 | 适用于1-8章课程配套演示)