Skip to content

这是一个自带云盘的数据清洗自动化系统,前端部分使用Pyqt5进行开发,后端使用流行的web框架Django, 前后端交互通过requests库来完成。

Notifications You must be signed in to change notification settings

soaringsou/Automated_data_cleaning

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

14 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

基于Pyqt和Django的云数据自动化清洗系统

目录
  1. 关于本项目
  2. 开始
  3. 使用方法
  4. 贡献
  5. 许可证
  6. 联系作者

关于本项目

这是一个自带云盘的数据清洗自动化系统,前端部分使用Pyqt5进行开发,后端使用流行的web框架Django, 前后端交互通过requests库来完成。

以下是项目的一些特点:

  • 秒开显示大型excel,体验良好
  • 读取excel文件进度条显示
  • 常用数据清洗操作全界面操作,上手简单
  • 自带云盘功能,跨设备处理数据无担忧
  • celery异步邮件验证注册
  • exe封装,随开随用
  • 精美QT界面和合理UI设计
  • 不联网也可使用数据清洗功能

1、启动redis img.png

2、运行django

python .\manage.py runserver

img_1.png

3、启动celery

celery -A ctx_django worker --loglevel=info -P eventlet

(返回顶部)

img_2.png

4、运行 new_ctx_win.py进入主界面 img_3.png

5、从磁盘选择文件进行读入,读入完成解锁数据选项 img_4.png

6、点击数据排序,排序菜单添加到已选操作栏中

img_5.png 7、在已选操作栏中点击排序菜单

img_6.png 8、在排序菜单中,选择月份降序排列,然后点击CTX,启动按钮!

月份降序排列后: img_7.png

9、点击注册/登陆按钮,开始进行云盘注册 img_new_8.png

img_new_9.png 10、切换到注册界面,进行注册

填入邮箱,收到验证码后,输入验证码 img_9.png

11、注册后进行登陆,登陆成功会弹出云盘菜单

img_10.png

12、点击云盘进入云盘界面,可像网盘一样进行文件上传和下载 img_11.png

img_12.png

开始

这是一份在本地构建项目的指导的例子。 要获取本地副本并且配置运行,你可以按照下面的示例步骤操作。

依赖

这只是一个列出软件依赖和安装方法的例子。

  • pip
    pip install -r requirements.txt

安装

  1. 克隆本仓库
    https://github.com/liqiu123456123/Automated_data_cleaning.git
  2. 直接下载本项目源码

(返回顶部)

使用方法

运行xx.py开始运行,放操作截图。可以和软著的操作截图共用

(返回顶部)

贡献

如果你想参与本项目的开发,请不要客气! 贡献让开源社区成为了一个非常适合学习、启发和创新的地方。你所做出的任何贡献都是受人尊敬的。

如果你有好的建议,请复刻(fork)本仓库并且创建一个拉取请求(pull request)。你也可以简单地创建一个议题(issue),并且添加标签「enhancement」。不要忘记给项目点一个 star!再次感谢!

  1. 复刻(Fork)本项目
  2. 创建你的 Feature 分支
  3. 提交你的变更
  4. 推送到该分支
  5. 创建一个拉取请求(Pull Request)

(返回顶部)

许可证

根据 MIT 许可证分发。打开 LICENSE.txt 查看更多内容。

(返回顶部)

联系作者

(返回顶部)

About

这是一个自带云盘的数据清洗自动化系统,前端部分使用Pyqt5进行开发,后端使用流行的web框架Django, 前后端交互通过requests库来完成。

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 45.0%
  • JavaScript 27.5%
  • CSS 23.2%
  • HTML 4.3%