Streamlit：快速搭建数据科学应用的利器

server/2024/11/18 21:52:01/

Streamlit：快速搭建数据科学应用的利器

随着数据科学的不断发展，将分析结果以交互式应用的形式展示出来变得越来越重要。然而，传统的 Web 开发通常需要掌握前端、后端等多种技能，这对大多数数据科学家来说是一个门槛。幸运的是，Streamlit 提供了一种简单高效的解决方案，让你可以用 Python 快速构建交互式数据应用。

本文将详细介绍 Streamlit 的特点、安装与使用、核心功能，以及如何将它应用到数据科学项目中。

1. 什么是 Streamlit？

Streamlit 是一个开源的 Python 库，专注于帮助数据科学家快速搭建交互式 Web 应用。你只需用熟悉的 Python 代码编写逻辑，无需前端知识，就能构建出功能强大的应用。

Streamlit 的核心特点

  • 易用性：通过简洁的 API 快速创建界面。
  • 实时交互：每次代码保存时，应用会自动刷新。
  • 无依赖前端：无需 HTML、CSS 或 JavaScript。
  • 高性能：支持并行处理，适合处理较大的数据集。

2. 安装与快速入门

安装 Streamlit

Streamlit 的安装非常简单，只需一条命令：

pip install streamlit

创建第一个 Streamlit 应用

以下是一个简单示例，用于展示文本和用户交互的控件：

python">import streamlit as st# 添加标题
st.title("Hello, Streamlit!")# 添加文本
st.write("这是一个简单的 Streamlit 应用。")# 用户交互：输入文本
name = st.text_input("请输入你的名字：", "访客")# 显示结果
st.write(f"你好，{name}！欢迎使用 Streamlit。")

运行应用

将上述代码保存为 app.py，然后在终端运行以下命令：

streamlit run app.py

浏览器会自动打开应用，显示交互界面。

3. 核心功能

1. 显示数据

Streamlit 支持多种方式展示数据，包括文本、表格和图表。

显示 Pandas 数据框
python">import pandas as pd
import streamlit as st# 创建数据框
df = pd.DataFrame({"A": [1, 2, 3],"B": [4, 5, 6]
})# 显示数据框
st.write("数据框：", df)
显示交互式图表

Streamlit 支持与多种绘图库集成，如 Matplotlib 和 Plotly。

python">import matplotlib.pyplot as plt# 创建图表
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [4, 5, 6])# 显示图表
st.pyplot(fig)

2. 添加用户交互

Streamlit 提供多种控件（Widgets）来获取用户输入。

滑块控件
python">value = st.slider("选择一个数值", 0, 100, 50)
st.write(f"你选择的数值是 {value}")
下拉菜单
python">option = st.selectbox("选择一个选项", ["A", "B", "C"])
st.write(f"你选择了 {option}")

3. 文件上传

可以让用户上传文件，并在应用中进行处理。

python">uploaded_file = st.file_uploader("上传一个 CSV 文件")
if uploaded_file is not None:df = pd.read_csv(uploaded_file)st.write(df)

4. 布局管理

Streamlit 支持多种布局方式，包括分栏和选项卡。

分栏布局
python">col1, col2 = st.columns(2)
col1.write("这是第一列")
col2.write("这是第二列")
选项卡布局
python">tab1, tab2 = st.tabs(["选项卡1", "选项卡2"])
with tab1:st.write("内容在选项卡1中")
with tab2:st.write("内容在选项卡2中")

4. 实际案例：构建数据分析仪表盘

以下是一个完整示例，展示如何使用 Streamlit 构建一个数据分析仪表盘：

python">import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt# 标题
st.title("数据分析仪表盘")# 上传文件
uploaded_file = st.file_uploader("上传 CSV 文件")
if uploaded_file is not None:# 加载数据df = pd.read_csv(uploaded_file)st.write("数据预览：", df.head())# 选择列columns = df.columns.tolist()x_col = st.selectbox("选择 X 轴列", columns)y_col = st.selectbox("选择 Y 轴列", columns)# 创建图表fig, ax = plt.subplots()ax.scatter(df[x_col], df[y_col], alpha=0.5)ax.set_xlabel(x_col)ax.set_ylabel(y_col)st.pyplot(fig)

5. 部署 Streamlit 应用

构建完成后，你可以将 Streamlit 应用部署到服务器或云平台中。Streamlit 官方提供了一款免费工具 Streamlit Cloud，用于快速部署应用。

部署到 Streamlit Cloud

  1. 将项目代码上传到 GitHub。
  2. 登录 Streamlit Cloud。
  3. 关联 GitHub 仓库并选择应用入口文件。
  4. 点击部署，完成应用发布。

6. 总结与优势

Streamlit 是构建数据科学应用的强大工具，其优势在于：

  • 简单：用纯 Python 编写，快速上手。
  • 高效：无需学习前端技术，专注于数据逻辑。
  • 可扩展：支持多种绘图库和机器学习框架。

无论是构建快速原型、共享分析结果，还是搭建数据仪表盘，Streamlit 都是一个值得尝试的选择。

7. Streamlit 的应用场景

Streamlit 的灵活性和易用性，使其在多个领域都有广泛的应用。以下是一些典型的使用场景：

1. 数据分析与可视化

Streamlit 非常适合用来展示数据分析结果。通过交互式图表和控件，用户可以轻松筛选数据、调整参数，从而动态地探索数据。

示例：销售数据分析仪表盘

Streamlit 可以用来构建销售分析仪表盘，让用户选择日期范围、产品类别等，实时查看销售趋势和关键指标。

2. 机器学习模型演示

机器学习模型通常需要对外展示其性能和预测结果。Streamlit 提供了简单的方法，将模型预测集成到交互式应用中，让用户上传数据、调整参数，观察模型的预测效果。

示例：情感分析应用

用户可以输入一段文本，通过 Streamlit 调用机器学习模型，返回情感分析的结果。

python">import streamlit as st
from textblob import TextBlobst.title("情感分析应用")
text = st.text_area("输入文本：")
if st.button("分析"):sentiment = TextBlob(text).sentimentst.write("情感倾向：", "正面" if sentiment.polarity > 0 else "负面" if sentiment.polarity < 0 else "中性")

3. 数据报告与共享

传统的数据分析报告通常以 PDF 或 PowerPoint 的形式呈现，缺乏交互性。而 Streamlit 应用可以代替静态报告，为团队提供动态的数据分析结果和洞察。

示例：财务报表分析

创建一个交互式财务分析工具，支持实时查看收入、支出和利润等指标。

4. 科研和教育

Streamlit 可以帮助科研人员快速搭建实验结果展示平台，或者为教育工作者创建互动式教学工具。

示例：数学可视化教学

通过 Streamlit 构建函数图形绘制工具，学生可以输入函数公式并实时查看图形变化。

8. Streamlit 的优势与局限性

优势

  1. 快速开发：只需几行代码即可构建功能完善的应用，极大提升开发效率。
  2. 与 Python 生态兼容：支持 Pandas、NumPy、Matplotlib、Scikit-learn 等常见的 Python 库。
  3. 低门槛：无需掌握前端开发技术，数据科学家即可独立完成应用开发。
  4. 开源免费：完全开源，并提供丰富的社区支持。

局限性

  1. 样式定制有限：相比传统前端框架（如 React 或 Vue），Streamlit 对 UI 的定制能力较弱，主要集中在数据展示和交互控件。
  2. 不适合复杂逻辑：对于需要处理复杂逻辑或多用户交互的应用，Streamlit 的表现可能不如专门的 Web 框架（如 Django、Flask）。
  3. 性能限制：虽然 Streamlit 支持多线程，但对超大规模用户访问或极高计算需求的应用，可能需要额外优化或借助其他工具。

9. 提升 Streamlit 应用的技巧

1. 使用缓存机制

Streamlit 提供了内置的缓存功能，通过 @st.cache_data 装饰器，可以缓存计算结果，提升应用性能。

python">@st.cache_data
def load_data(file_path):import pandas as pdreturn pd.read_csv(file_path)# 使用缓存加载数据
df = load_data("data.csv")
st.write(df)

2. 优化界面布局

通过 st.columns 和 st.container，可以创建复杂的页面布局，提升用户体验。

python">col1, col2 = st.columns(2)
with col1:st.write("这是第一列的内容")
with col2:st.write("这是第二列的内容")

3. 自定义主题

在 ~/.streamlit/config.toml 中，可以自定义应用的主题，包括颜色、字体等。

[theme]
primaryColor = "#FF4B4B"
backgroundColor = "#F0F2F6"
textColor = "#262730"
font = "sans serif"

10. 学习资源与社区支持

Streamlit 拥有丰富的官方文档和活跃的社区，为开发者提供支持：

11. 结语

Streamlit 是一个极简且强大的工具，让数据科学家和工程师能够专注于数据和模型，而无需花费大量时间学习前端开发。无论是快速构建原型、部署交互式仪表盘，还是展示机器学习成果，Streamlit 都能显著提升工作效率。

如果你还没有尝试过 Streamlit，现在就是时候了！打开你的 IDE，开始写下第一行代码，构建属于你的数据科学应用吧！

12. 实战案例：构建房价预测应用

在这一部分，我们将通过 Streamlit 构建一个基于机器学习的房价预测应用，用户可以输入房屋的特征（如面积、卧室数等），实时获取预测的房价。

Step 1: 数据准备与模型训练

首先，我们使用一个简单的线性回归模型对房价数据进行训练。假设我们有一个包含房屋特征的数据集 house_prices.csv。

python">import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression# 加载数据
data = pd.read_csv("house_prices.csv")# 特征与目标值
X = data[["area", "bedrooms", "bathrooms", "floors"]]
y = data["price"]# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)# 保存模型
import joblib
joblib.dump(model, "house_price_model.pkl")

Step 2: 创建 Streamlit 应用

接下来，我们创建一个交互式应用，用户可以输入房屋的特征，实时获取预测的房价。

完整代码
python">import streamlit as st
import joblib
import numpy as np# 加载模型
model = joblib.load("house_price_model.pkl")# 设置标题
st.title("房价预测应用")# 输入房屋特征
st.write("请输入以下信息以预测房价：")
area = st.number_input("房屋面积（平方米）", min_value=10, max_value=1000, value=100, step=10)
bedrooms = st.slider("卧室数", 1, 10, value=2)
bathrooms = st.slider("浴室数", 1, 5, value=1)
floors = st.slider("楼层数", 1, 3, value=1)# 预测房价
if st.button("预测房价"):# 构建输入特征features = np.array([[area, bedrooms, bathrooms, floors]])# 模型预测price = model.predict(features)[0]# 显示预测结果st.success(f"预测的房价为：{price:,.2f} 元")

Step 3: 部署和运行

本地运行

将上述代码保存为 app.py，并在终端运行以下命令：

streamlit run app.py

浏览器将自动打开，显示交互式的房价预测应用。

部署到 Streamlit Cloud
  1. 将项目上传到 GitHub 仓库。
  2. 登录 Streamlit Cloud。
  3. 创建一个新的应用，选择代码仓库和入口文件（如 app.py）。
  4. 点击部署，几分钟后即可获得一个可分享的应用链接。

Step 4: 扩展功能

添加图表

通过 Matplotlib 或 Plotly 动态展示预测的房价分布。

python">import matplotlib.pyplot as plt# 创建图表
fig, ax = plt.subplots()
ax.bar(["房价"], [price], color="blue")
ax.set_ylabel("价格（元）")# 显示图表
st.pyplot(fig)
添加数据存储功能

记录用户的输入和预测结果，以供后续分析。

python">import pandas as pd# 数据存储
if st.button("保存结果"):result = {"面积": area, "卧室数": bedrooms, "浴室数": bathrooms, "楼层数": floors, "预测房价": price}df = pd.DataFrame([result])df.to_csv("predictions.csv", mode="a", header=False, index=False)st.success("结果已保存！")

13. 总结与展望

通过这个房价预测应用，我们体验了 Streamlit 的强大功能，包括：

  • 快速构建交互式应用：用户可以通过简单的输入控件与模型交互。
  • 可视化预测结果：轻松集成图表，使结果更加直观。
  • 数据持久化：保存用户输入和结果，用于后续优化分析。

Streamlit 为数据科学家提供了从模型到产品的一站式解决方案，特别适合快速原型开发和小规模部署。未来，随着 Streamlit 的生态不断完善，你可以探索更多可能性，如实时大数据可视化、复杂的机器学习模型服务化等。

现在，尝试用 Streamlit 构建你自己的数据科学应用，让你的分析结果不仅仅是图表，而是触手可及的交互式工具！


http://www.ppmy.cn/server/143007.html

相关文章

Linux性能优化之火焰图简介

Linux性能优化之火焰图简介

Linux 火焰图&#xff08;Flame Graph&#xff09;是一种可视化工具&#xff0c;用于分析程序性能问题&#xff0c;尤其是 CPU 使用情况。它展示了程序中函数调用的层次结构和各个调用栈占用的时间比例。 以下是详细介绍&#xff0c;包括火焰图的工作原理、生成步骤和实际使用中…
阅读更多...
[ 网络安全介绍 3 ] 网络安全事件相关案例有哪些？

[ 网络安全介绍 3 ] 网络安全事件相关案例有哪些？

&#x1f36c; 博主介绍 &#x1f468;‍&#x1f393; 博主介绍&#xff1a;大家好&#xff0c;我是 _PowerShell &#xff0c;很高兴认识大家~ ✨主攻领域&#xff1a;【渗透领域】【数据通信】 【通讯安全】 【web安全】【面试分析】 &#x1f389;点赞➕评论➕收藏 养成习…
阅读更多...
本草云：中药实验数据的智能管理

本草云：中药实验数据的智能管理

2相关技术 2.1 MYSQL数据库 MySQL是一个真正的多用户、多线程SQL数据库服务器。 是基于SQL的客户/服务器模式的关系数据库管理系统&#xff0c;它的有点有有功能强大、使用简单、管理方便、安全可靠性高、运行速度快、多线程、跨平台性、完全网络化、稳定性等&#xff0c;非常…
阅读更多...
Django数据写入MySQL数据库

Django数据写入MySQL数据库

将 Django 模型写入 MySQL 数据库的步骤与写入其他数据库类型基本相同。以下是详细的步骤和示例&#xff0c;帮助你在 Django 项目中配置 MySQL 数据库并写入数据。 1. 安装 MySQL 和相关依赖 首先&#xff0c;确保你已经安装了 MySQL 数据库服务器和 mysqlclient 包。mysqlc…
阅读更多...
RDIFramework.NET CS敏捷开发框架 V6.1发布(.NET6+、Framework双引擎、全网唯一)

RDIFramework.NET CS敏捷开发框架 V6.1发布(.NET6+、Framework双引擎、全网唯一)

RDIFramework.NET C/S敏捷开发框架V6.1版本迎来重大更新与调整&#xff0c;全面重新设计业务逻辑代码&#xff0c;代码量减少一半以上&#xff0c;开发更加高效。全系统引入全新字体图标&#xff0c;整个界面焕然一新。底层引入最易上手的ORM框架SqlSugar&#xff0c;让开发更加…
阅读更多...
mac上使用docker搭建gitlab

mac上使用docker搭建gitlab

在 Mac 上搭建 GitLab 可以使用 Docker 来简化安装过程 一、安装详细步骤 1. 安装 Docker 如果你尚未安装 Docker&#xff0c;可以通过以下步骤安装&#xff1a; 下载并安装 Docker Desktop for Mac.安装完成后&#xff0c;启动 Docker Desktop&#xff0c;确保 Docker 运行…
阅读更多...
【C++】引用(reference)

【C++】引用(reference)

引用是对一个变量或者对象取的别名 定义&#xff1a;真名的数据类型& 别名 真名; 既然是对一个变量或者对象取别名&#xff0c;那就得先有变量或对象&#xff0c;不能凭空取一个别名。也就是定义引用必须初始化。 对引用的操作和对引用对应的变量的操作是完全等价的引用…
阅读更多...
2024 Visual Studio Code的下载与安装

2024 Visual Studio Code的下载与安装

目录 一、Windows系统下载与安装二、macOS系统下载与安装三、Linux系统下载与安装四、启动与配置VS Code 以下是2024年Visual Studio Code&#xff08;简称VS Code&#xff09;的下载与安装步骤&#xff0c;适用于Windows、macOS和Linux系统&#xff1a; 一、Windows系统下载与…
阅读更多...
最新文章

Copyright @ 2022~2023