Source: Dev.to

使用 Python 构建交互式鸢尾花分类器 GUI

在本教程中，我们将使用 scikit‑learn 训练一个简单的鸢尾花（Iris）分类模型，并使用 tkinter 为它构建一个图形用户界面（GUI）。用户可以在界面中输入萼片和花瓣的长度/宽度，点击按钮后实时得到预测的花种类。

---

目录

1. 准备工作
2. 加载数据并训练模型
3. 构建 GUI
4. 完整代码示例
5. 运行与演示

---

准备工作

首先，确保已安装以下 Python 包：

pip install scikit-learn pandas matplotlib

提示：如果你已经有 tkinter（大多数 Python 安装默认自带），则无需额外安装。

---

加载数据并训练模型

我们使用 sklearn.datasets 中自带的 Iris 数据集。下面的代码完成数据划分、模型训练以及保存模型的步骤。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
import joblib

# 加载数据
iris = load_iris()
X = iris.data          # 四个特征：萼片长度、萼片宽度、花瓣长度、花瓣宽度
y = iris.target        # 0: setosa, 1: versicolor, 2: virginica
feature_names = iris.feature_names
target_names = iris.target_names

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# 训练随机森林分类器
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# 打印模型在测试集上的准确率
print(f"Test accuracy: {clf.score(X_test, y_test):.2%}")

# 将模型保存到磁盘，后续 GUI 中直接加载
joblib.dump(clf, "iris_classifier.pkl")

说明

• RandomForestClassifier 只是一种示例，你也可以换成 LogisticRegression、SVC 等其他模型。
• joblib.dump 用于序列化模型，方便在 GUI 中直接加载而无需每次重新训练。

---

构建 GUI

下面的代码使用 tkinter 创建一个简洁的窗口，包含四个 Entry（用于输入特征值）和一个 Button（用于触发预测）。预测结果会显示在标签 (Label) 中。

import tkinter as tk
from tkinter import ttk, messagebox
import joblib
import numpy as np

# 加载已经训练好的模型
model = joblib.load("iris_classifier.pkl")
target_names = ["setosa", "versicolor", "virginica"]

def predict():
    try:
        # 读取用户输入的四个特征值
        sepal_length = float(entry_sepal_length.get())
        sepal_width  = float(entry_sepal_width.get())
        petal_length = float(entry_petal_length.get())
        petal_width  = float(entry_petal_width.get())
    except ValueError:
        messagebox.showerror("输入错误", "请确保所有字段均为数字。")
        return

    # 将特征值组织成模型需要的形状 (1, 4)
    sample = np.array([[sepal_length, sepal_width, petal_length, petal_width]])
    pred = model.predict(sample)[0]
    result_var.set(f"预测结果: {target_names[pred]}")

# 创建主窗口
root = tk.Tk()
root.title("鸢尾花分类器")
root.geometry("350x300")
root.resizable(False, False)

# 样式
style = ttk.Style()
style.configure("TLabel", font=("Helvetica", 10))
style.configure("TButton", font=("Helvetica", 10, "bold"))

# 输入框标签和控件
ttk.Label(root, text="萼片长度 (cm):").grid(row=0, column=0, padx=10, pady=5, sticky="e")
entry_sepal_length = ttk.Entry(root, width=15)
entry_sepal_length.grid(row=0, column=1, padx=10, pady=5)

ttk.Label(root, text="萼片宽度 (cm):").grid(row=1, column=0, padx=10, pady=5, sticky="e")
entry_sepal_width = ttk.Entry(root, width=15)
entry_sepal_width.grid(row=1, column=1, padx=10, pady=5)

ttk.Label(root, text="花瓣长度 (cm):").grid(row=2, column=0, padx=10, pady=5, sticky="e")
entry_petal_length = ttk.Entry(root, width=15)
entry_petal_length.grid(row=2, column=1, padx=10, pady=5)

ttk.Label(root, text="花瓣宽度 (cm):").grid(row=3, column=0, padx=10, pady=5, sticky="e")
entry_petal_width = ttk.Entry(root, width=15)
entry_petal_width.grid(row=3, column=1, padx=10, pady=5)

# 预测按钮
ttk.Button(root, text="预测", command=predict).grid(row=4, column=0, columnspan=2, pady=15)

# 结果显示
result_var = tk.StringVar(value="预测结果: —")
ttk.Label(root, textvariable=result_var, foreground="blue", font=("Helvetica", 12, "bold")).grid(
    row=5, column=0, columnspan=2, pady=10
)

root.mainloop()

代码要点说明

---

完整代码示例

将 模型训练代码 与 GUI 代码 分别保存为 train_model.py 与 iris_gui.py，执行顺序如下：

python train_model.py   # 生成 iris_classifier.pkl
python iris_gui.py      # 启动交互式 GUI

小技巧：如果你想一次性运行所有代码，可以把两段代码合并到同一个脚本中，只在第一次运行时训练模型，后续直接加载。

---

运行与演示

1. 运行训练脚本

   python train_model.py

   终端会输出类似 Test accuracy: 96.67%，并在当前目录生成 iris_classifier.pkl。

2. 启动 GUI

   python iris_gui.py

   会弹出如下窗口：

   
   （示例截图，仅供参考）

3. 使用

   • 在四个输入框中填写萼片/花瓣的长度与宽度（单位：厘米）。
   • 点击 预测 按钮，标签会显示预测的花种类（setosa、versicolor 或 virginica）。

---

小结

• 机器学习部分：使用 scikit-learn 快速加载 Iris 数据集并训练随机森林模型。
• 模型持久化：通过 joblib 将模型保存为二进制文件，便于在 GUI 中直接加载。
• GUI 实现：利用 tkinter（Python 标准库）构建简洁的交互界面，实现实时预测。
• 可扩展性：你可以替换模型、添加特征可视化（如 matplotlib）或使用更高级的 GUI 框架（如 PyQt、Kivy）来提升用户体验。

祝你玩得开心，尽情探索机器学习与桌面应用的结合吧！

我们将使用

• scikit‑learn – 机器学习
• pandas – CSV 处理
• tkinter + ttkbootstrap – GUI
• 可选: tkinterdnd2 – 拖拽支持

您可以在此处克隆完整的仓库：

🔗 Iris-Flower-Classifier-GUI on GitHub

安装依赖

pip install pandas scikit-learn ttkbootstrap
# Optional: for drag & drop
pip install tkinterdnd2

注意： tkinter 在大多数系统上随 Python 预装。

导入库

import os, sys, threading
import pandas as pd
import tkinter as tk
from tkinter import filedialog, messagebox, ttk

import ttkbootstrap as tb
from ttkbootstrap.constants import *

# Optional drag & drop
try:
    from tkinterdnd2 import TkinterDnD, DND_FILES
    DND_ENABLED = True
except ImportError:
    DND_ENABLED = False
    print("Drag & Drop requires tkinterdnd2: pip install tkinterdnd2")

这里我们导入：

• pandas 用于处理 CSV 文件
• tkinter 与 ttkbootstrap 用于现代 GUI 元素
• tkinterdnd2（如果需要）用于拖拽 CSV 支持

创建 Iris 机器学习模型

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler


class IrisModel:
    def __init__(self):
        data = load_iris()
        self.X = data.data
        self.y = data.target
        self.target_names = data.target_names
        self.scaler = StandardScaler()

        # Scale features
        X_scaled = self.scaler.fit_transform(self.X)

        # Train/test split
        X_train, X_test, y_train, y_test = train_test_split(
            X_scaled, self.y, test_size=0.2, random_state=42
        )

        # Random Forest classifier
        self.clf = RandomForestClassifier(n_estimators=100, random_state=42)
        self.clf.fit(X_train, y_train)

    def predict(self, X):
        X_scaled = self.scaler.transform(X)
        preds = self.clf.predict(X_scaled)
        return [self.target_names[p] for p in preds]

✅ 说明

• 对特征进行标准化，以提升模型性能。
• 随机森林分类器对初学者友好，并且在此分类任务上表现良好。

CSV 处理工作者

此工作者让 GUI 能够在不冻结界面的情况下处理多个 CSV 文件。

class ClassifierWorker:
    def __init__(self, files, callbacks):
        self.files = files
        self.callbacks = callbacks
        self._running = True
        self.model = IrisModel()

    def stop(self):
        self._running = False

    def run(self):
        total = len(self.files)
        for i, file in enumerate(self.files):
            if not self._running:
                break
            try:
                df = pd.read_csv(file)
                required = {"sepal_length", "sepal_width", "petal_length", "petal_width"}
                if set(df.columns) >= required:
                    X = df[["sepal_length", "sepal_width",
                            "petal_length", "petal_width"]].values
                    preds = self.model.predict(X)
                    if "found" in self.callbacks:
                        self.callbacks["found"](file, preds)
                else:
                    if "found" in self.callbacks:
                        self.callbacks["found"](file, ["Error: Missing required columns"])
            except Exception as e:
                if "found" in self.callbacks:
                    self.callbacks["found"](file, [f"Error: {str(e)}"])
            # Progress update
            if "progress" in self.callbacks:
                self.callbacks["progress"](int((i + 1) / total * 100))
        # Finished
        if "finished" in self.callbacks:
            self.callbacks["finished"]()

✅ 说明

• 逐个读取 CSV 文件。
• 使用 Iris 模型预测物种。
• 异步向 GUI 发送进度更新。

构建 GUI

主应用程序类

class IrisClassifierApp:
    def __init__(self):
        if DND_ENABLED:
            self.root = TkinterDnD.Tk()
        else:
            self.root = tb.Window(themename="darkly")
        self.root.title("IrisClassifier v1.1")
        self.root.minsize(1000, 700)

        self.worker_obj = None
        self.file_set = set()
        self.model = IrisModel()

        self._build_ui()
        self._apply_styles()

• 检查是否支持拖拽。
• 为现代暗色主题初始化 ttkbootstrap。

GUI 布局

def _build_ui(self):
    main = tb.Frame(self.root, padding=10)
    main.pack(fill="both", expand=True)

    tb.Label(
        main,
        text="🌸 Iris Flower Classifier",
        font=("Segoe UI", 20, "bold")
    ).pack(pady=(0, 10))

    # 文件选择行
    row1 = tb.Frame(main)
    row1.pack(fill="x", pady=(0, 6))

    self.path_input = tb.Entry(row1, width=80)
    self.path_input.pack(side="left", fill="x", expand=True, padx=(0, 6))
    self.path_input.insert(0, "Drag & drop CSV files here…")

✅ 说明

• 为文件路径创建输入框。
• 添加简洁、友好的标签。

按钮与进度条

    browse_btn = tb.Button(
        row1, text="📂 Browse", bootstyle="info", command=self.browse
    )
    browse_btn.pack(side="left", padx=3)

    self.start_btn = tb.Button(
        row1, text="🚀 Classify CSV", bootstyle="success", command=self.start
    )
    self.start_btn.pack(side="left", padx=3)

    self.cancel_btn = tb.Button(
        row1, text="⏹ Cancel", bootstyle="danger", command=self.cancel
    )
    self.cancel_btn.pack(side="left", padx=3)
    self.cancel_btn.config(state="disabled")

    self.progress = tb.Progressbar(
        main, bootstyle="success-striped", maximum=100
    )
    self.progress.pack(fill="x", pady=10)

• Browse – 打开文件对话框。
• Classify CSV – 启动工作线程。
• Cancel – 停止处理。
• 进度条用于可视化分类进度。

(其余方法——browse、start、cancel、_apply_styles 等——在原仓库中实现，负责文件选择、线程管理和 UI 更新。)

运行应用程序

if __name__ == "__main__":
    app = IrisClassifierApp()
    app.root.mainloop()

就这样！将包含四个 Iris 测量值的 CSV 文件拖入或浏览，点击 Classify，即可在界面不冻结的情况下看到预测结果。祝您在机器学习和 GUI 开发中玩得开心！

GUI 控件

浏览：选择 CSV 文件

分类 CSV：开始预测

取消：停止预测

进度条：可视化反馈

添加手动输入

manual_frame = tb.Labelframe(main, text="Manual Input", padding=10)
manual_frame.pack(fill="x", pady=(10, 6))

labels = ["Sepal Length", "Sepal Width", "Petal Length", "Petal Width"]
self.manual_entries = {}
for i, label in enumerate(labels):
    tb.Label(manual_frame, text=label).grid(row=0, column=i * 2, sticky="w")
    entry = tb.Entry(manual_frame, width=8)
    entry.grid(row=0, column=i * 2 + 1)
    entry.insert(0, "0")
    self.manual_entries[label] = entry

predict_btn = tb.Button(
    manual_frame,
    text="🔮 Predict",
    bootstyle="info",
    command=self.manual_predict,
)
predict_btn.grid(row=0, column=8, padx=10)

self.manual_result = tb.Label(
    manual_frame,
    text="Prediction: ---",
    font=("Segoe UI", 12, "bold"),
)
self.manual_result.grid(row=1, column=0, columnspan=9, pady=(6, 0), sticky="w")

✅ 说明

• 用户可以手动输入花瓣的测量值。
• 点击 Predict 可立即获取物种预测结果。

Run the App (alternative entry)

if __name__ == "__main__":
    app = IrisClassifierApp()
    app.run()

And that’s it! Your interactive Iris Flower Classifier is ready to run.

Optional Features

• Drag & Drop CSVs (requires tkinterdnd2)
• Export results to a text file
• Beautiful dark/light theme with ttkbootstrap

🎯 摘要

您已经学习了如何：

• 在 Iris 数据集上训练随机森林分类器
• 构建一个与之交互的 Python GUI
• 加载 CSV 文件并进行手动预测
• 可视化进度和结果

查看完整项目：

🔗 Iris-Flower-Classifier-GUI on GitHub