将 Pandas 换为交互式表格的 Python 库

你是不是也有过这种感觉：本地写个脚本，用 Pandas 把数据一读一算，自己看着很爽；结果产品、运营一过来，“能不能给我一个能点一点、筛一筛的界面啊？” 然后你只好一顿 print(df.head()) 截图发给别人，来回问一句改一次 SQL，非常崩溃。

我这两年基本把“看数据”这件事，慢慢从“Pandas 打印表格”换成“交互式表格”了，其实不复杂，就是把原来的 DataFrame 换个展示方式而已。

下面就按“聊天”的节奏，带你把这个事情理一理，顺手上几段可以直接抄走用的 Python 代码。

Pandas 真心好用，这个不用夸了，随便写几行：

import pandas as pd
df = pd.read_csv("orders.csv")
print(df.head())
print(df.describe())

控制台 / Notebook 里啪一下就出来一大坨表格，看统计也方便。

但问题也很明显：

• 看的人只能“看”，不能点表头排序、不能在某列上直接过滤
• 想改一两行数据试试效果，要么改源文件，要么写代码改，再重新跑
• 想给不写代码的人用，只能截图、导出 Excel、再发来发去

所以很多时候，你脑子里真正想要的是：有个表格界面，能点、能筛、能编辑，底层还是 DataFrame 在跑就行。

于是就轮到各种“交互式表格库”登场了。

我习惯按使用场景来选库，大概分三种：Notebook 里玩、写 Web 小应用、写桌面/内部工具。每类挑一两个说，不搞库大杂烩。

1）Jupyter 里直接变成可点可改的表格：qgrid / mitosheet 这一挂

如果你平时就是在 Jupyter / JupyterLab 里写代码，想要的是“DataFrame 还能点一点”，最顺滑的是这种基于 widget 的库。

举个 qgrid 的简单例子（它本质上还是操作 Pandas 的 df）：

import pandas as pd
import qgrid
df = pd.read_csv("orders.csv")
# 创建一个可交互的表格组件
grid = qgrid.show_grid(
    df,
    show_toolbar=True,      # 上面有一排筛选、导出的小工具
    editable=True# 允许在表格里直接改值
)
grid

在 Notebook 里跑完这段，grid 就是一张能点击表头排序、能像 Excel 一样改数据、还能多条件过滤的表格。 你改完之后，还可以把改过的数据拿回来：

df_edited = grid.get_changed_df()

这样你原来所有基于 df 的分析、画图代码，几乎不用改，只要把数据源换成 df_edited 就行。

如果你更偏爱“Excel 一样的感觉”，可以试试类似 mitosheet 这样的东西，直接在 Notebook 里拉出一个类似表格编辑器的界面，背后帮你生成 Pandas 代码。这个就比较适合数据分析同学，写代码少一点，效果也不错。

2）给别人用的 Web 小工具：Streamlit 这一类

当你想把脚本变成“同事也能点”的小页面，Streamlit 这种库就很香。它的 st.dataframe / st.data_editor 天然就是交互式表格。

先看最小可用版本：

# streamlit_app.py
import streamlit as st
import pandas as pd
df = pd.read_csv("orders.csv")
st.title("订单数据小看板")
# 可交互表格：支持排序、拖动列宽、局部滚动之类
st.dataframe(df)
# 新版本可以用 data_editor，表格里直接编辑
edited_df = st.data_editor(df, num_rows="dynamic")
st.write("你刚刚编辑后的前 5 行：")
st.dataframe(edited_df.head())

然后命令行跑：

streamlit run streamlit_app.py

浏览器里就能看到一个带表格的小页面，别人只要能访问你这台机器/服务器，就能上来点点看看。

稍微认真一点，你可以加一些筛选条件，让“交互式表格”真正参与业务逻辑，而不只是展示：

import streamlit as st
import pandas as pd
df = pd.read_csv("orders.csv")
st.title("订单分析小工具")
# 左侧筛选栏
with st.sidebar:
    st.header("筛选条件")
    city = st.multiselect(
"城市",
        options=sorted(df["city"].dropna().unique()),
        default=[]
    )
    min_amount = st.number_input("最小金额", value=0.0)
    max_amount = st.number_input("最大金额", value=float(df["amount"].max()))
# 根据筛选条件过滤 DataFrame
filtered = df.copy()
if city:
    filtered = filtered[filtered["city"].isin(city)]
filtered = filtered[
    (filtered["amount"] >= min_amount) &
    (filtered["amount"] <= max_amount)
]
st.subheader("筛选后的结果")
st.dataframe(filtered)
st.subheader("简单统计")
st.write(filtered.describe())

这一套下来，原来“我发你一份 Excel，你自己筛一筛”的活，就变成“一句链接，你自己点一点击”的体验了，而且所有逻辑都还是你熟悉的 Pandas。

3）对交互要求更复杂：Dash / Bokeh 的 DataTable

有时候产品同学想要的东西比较狠：分页、冻结列、大量列宽调节、复杂条件格式，那就得上稍微重型一点的东西，比如 Dash 的 DataTable。

简化版的 Dash 示例：

from dash import Dash, dash_table, html
import pandas as pd
df = pd.read_csv("orders.csv")
app = Dash(__name__)
app.layout = html.Div([
    html.H1("订单数据交互表格"),
    dash_table.DataTable(
        id="table",
        columns=[{"name": c, "id": c} for c in df.columns],
        data=df.to_dict("records"),
        page_size=20,           # 分页
        filter_action="native", # 表头条件过滤
        sort_action="native",   # 排序
        editable=True# 允许编辑
    )
])
if __name__ == "__main__":
    app.run(debug=True)

这个写法跟普通 Web 开发更像一点，适合你本来就有个 Dash / Flask / Django 项目，要在里头塞一个“富交互表格组件”的场景。

Bokeh 里也有 DataTable，写法类似，就不一一展开了。

从“print(df.head())”到“交互式小工具”：一个完整迁移过程

说归说，很多人卡在“我现在有一个几百行的 Pandas 脚本，怎么不太痛苦地改成交互式的？”

给你看一个真实一点的改造思路，场景假设是这样：

原来你有个 report.py，每天跑一下，把当天订单的数据算一算，输出一些统计。

原始版大概长这样：

# report.py
import pandas as pd
df = pd.read_sql("SELECT * FROM orders WHERE created_at >= CURDATE()", conn)
print("总订单数：", len(df))
print("各城市总金额：")
print(df.groupby("city")["amount"].sum().sort_values(ascending=False))
print("大额订单（> 1000）：")
print(df[df["amount"] > 1000].head())

你自己看没问题，但是别人根本用不上。

1. 把入口从“脚本执行”变成“Web 页面”

直接套一层 Streamlit 外壳，把 print 换成 st.write / st.dataframe：

# report_app.py
import streamlit as st
import pandas as pd
from sqlalchemy import create_engine
engine = create_engine("mysql+pymysql://user:pwd@host/db")
st.title("每日订单报告")
@st.cache_data(ttl=600)
defload_data():
    sql = "SELECT * FROM orders WHERE created_at >= CURDATE()"
return pd.read_sql(sql, engine)
df = load_data()
st.write("总订单数：", len(df))
city_amount = df.groupby("city")["amount"].sum().sort_values(ascending=False)
st.write("各城市总金额：")
st.dataframe(city_amount.reset_index())
big_orders = df[df["amount"] > 1000]
st.write("大额订单（> 1000）：")
st.dataframe(big_orders)

这里 @st.cache_data 是为了避免每次刷新都查数据库，用缓存顶一会儿。

2. 再加一点交互：让别人自己调阈值、按时间过滤

你稍微再动一动，把“> 1000”这种硬编码丢到侧边栏去：

import streamlit as st
import pandas as pd
from sqlalchemy import create_engine
engine = create_engine("mysql+pymysql://user:pwd@host/db")
st.title("每日订单报告")
with st.sidebar:
    st.header("筛选条件")
    min_amount = st.number_input("大额订单阈值", value=1000.0, step=100.0)
    days = st.slider("最近几天", min_value=1, max_value=30, value=1)
@st.cache_data(ttl=600)
defload_data(days: int):
    sql = f"""
        SELECT * FROM orders
        WHERE created_at >= DATE_SUB(CURDATE(), INTERVAL {days} DAY)
    """
return pd.read_sql(sql, engine)
df = load_data(days)
st.write("总订单数：", len(df))
city_amount = df.groupby("city")["amount"].sum().sort_values(ascending=False)
st.subheader("各城市总金额")
st.dataframe(city_amount.reset_index())
big_orders = df[df["amount"] > min_amount]
st.subheader(f"大额订单（> {min_amount}）")
st.dataframe(big_orders)

你看，整套逻辑还是用 Pandas 在算，只不过“表格怎么给人看”从 print 变成了交互式组件，加几个控件就有了一个能给业务方玩半天的小工具。