功能就是我上面说的

好的，那我可以给您提供一些基本的代码实现：

1. 数据集导入功能

import pandas as pd
from tkinter import filedialog

def import_data():
    file_path = filedialog.askopenfilename(filetypes=[('CSV Files', '*.csv')])
    data = pd.read_csv(file_path)
    return data

2. 数据预处理选项按钮

from tkinter import *
from tkinter import messagebox
import pandas as pd

def handle_missing_values(data):
    # 处理缺失值，例如用中位数填充
    data.fillna(data.median(), inplace=True)
    return data

def handle_numerical_data(data):
    # 标准化数值型数据
    numerical_columns = data.select_dtypes(include=[np.number]).columns
    data[numerical_columns] = (data[numerical_columns] - data[numerical_columns].mean()) / data[numerical_columns].std()
    return data

def handle_categorical_data(data):
    # 对类别型数据进行编码
    categorical_columns = data.select_dtypes(include=[object]).columns
    data = pd.get_dummies(data, columns=categorical_columns)
    return data

def preprocess_data():
    # 获取数据
    data = import_data()
    # 处理缺失值
    data = handle_missing_values(data)
    # 处理数值型数据
    data = handle_numerical_data(data)
    # 处理类别型数据
    data = handle_categorical_data(data)
    # 显示处理后的数据
    messagebox.showinfo("预处理完成", "数据预处理完成，处理后的数据为：\n{}".format(data))

3. 训练集测试集划分功能

from tkinter import *
from tkinter import messagebox
import pandas as pd

def split_data():
    # 获取数据
    data = import_data()
    # 获取训练集和测试集比例
    train_size = float(train_size_entry.get())
    test_size = 1 - train_size
    # 划分数据集
    train_data = data.sample(frac=train_size, random_state=1)
    test_data = data.drop(train_data.index)
    # 显示划分后的数据集
    messagebox.showinfo("划分完成", "训练集大小：{}，测试集大小：{}".format(len(train_data), len(test_data)))

4. 设置模型选择下拉菜单

from tkinter import *
from tkinter import messagebox
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.svm import SVR

def train_model():
    # 获取数据
    data = import_data()
    # 获取选择的模型名称
    model_name = model_choice.get()
    # 根据模型名称创建对应的模型对象
    if model_name == "线性回归":
        model = LinearRegression()
    elif model_name == "决策树":
        model = DecisionTreeRegressor()
    elif model_name == "支持向量机":
        model = SVR()
    else:
        messagebox.showerror("错误", "请选择一个模型！")
        return
    # 训练模型
    X = data.drop(columns=["target"])
    y = data["target"]
    model.fit(X, y)
    # 显示模型训练完成
    messagebox.showinfo("训练完成", "模型训练完成！")

5. 设置散点图等图像选择及显示按钮

import matplotlib.pyplot as plt
import pandas as pd
from tkinter import *
from tkinter import messagebox

def show_scatter_plot():
    # 获取数据
    data = import_data()
    # 显示散点图
    plt.scatter(data["x"], data["y"])
    plt.show()

6. 设置模型评估下拉菜单

from sklearn.metrics import accuracy_score, recall_score, f1_score

def evaluate_model():
    # 获取数据
    data = import_data()
    # 获取选择的评估指标名称
    metric_name = metric_choice.get()
    # 根据评估指标名称计算评估指标
    if metric_name == "准确率":
        score = accuracy_score(data["y_true"], data["y_pred"])
    elif metric_name == "召回率":
        score = recall_score(data["y_true"], data["y_pred"])
    elif metric_name == "F1 值":
        score = f1_score(data["y_true"], data["y_pred"])
    else:
        messagebox.showerror("错误", "请选择一个评估指标！")
        return
    # 显示评估结果
    messagebox.showinfo("评估完成", "评估指标 {} 的得分为：{}".format(metric_name, score))

以上是一些基本的代码实现，仅供参考。具体实现还需要根据您自己的需求进行调整和修改。