streamlit 入门demo_streamlit打造个人博客

一、介绍

Streamlit 是一个用于创建数据应用程序的 Python 库，它致力于简化从数据脚本到可部署应用程序的整个过程。通过 Streamlit，你可以使用熟悉的 Python 语言创建交互式的、美观的数据应用，而无需深入了解前端开发。

二、优势和特点

• 简单易用： Streamlit 的设计理念是简单易用。你只需要几行代码就能创建一个交互式应用，无需专业的前端知识。

• 即时反馈： Streamlit 提供即时预览功能，你可以在编辑代码时实时查看应用的变化，使迭代开发更加高效。

• 自动化部署： Streamlit 应用可以轻松部署到云上，例如使用 Streamlit Sharing、Heroku、AWS、或其他托管服务。

• 丰富的组件： Streamlit 提供了许多内置的组件，如按钮、滑块、文本框等，以及用于绘制图表的简化接口。

• 兼容性： Streamlit 兼容常见的 Python 数据科学库，如 Pandas、Matplotlib、Plotly、Altair 等，使得数据分析和可视化更加方便。

• 自定义主题： Streamlit 支持自定义主题，使得你可以为你的应用选择合适的颜色和样式。

• 互动性： Streamlit 提供了简单的方式来实现用户输入的处理，使得你可以创建具有响应性的应用。

三、简单演示

3.1 创建py文件

Streamlit需要在命令行页面运行后在本地浏览器进行查看，所以相关的代码需要在一个.py文件中进行编写

比如我们创建一个简单的可视化页面，创建一个 “数据可视化.py”文件

3.2 导入相关的包

我们做一个最简单的演示，所以只用最简单的数据进行展示

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt
1
2
3

streamlit包需要pip install streamlit下载

3.3 生成数据

我们用numpy随机生成一组数字，实际工作中只需要将数据进行替换

x = np.arange(1, 11)  # 生成1到10的数字

1
2

3.4 画图

# 画折线图
plt.plot(x, x**2, label='y = x^2')

# 添加标签和标题
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('折线图示例')
plt.legend()
1
2
3
4
5
6
7
8

3.5在 Streamlit 中展示折线图

st.pyplot()
1

3.6 本地启动

启动终端，进入到 数据可视化.py文件目录下，运行

streamlit run 数据可视化.py
1

进入8501端口本地地址，便可以查看相应的内容。

3.7 实时修改

streamlit还有一个比较好地方就是支持实时修改，我们在代码修改完内容后，只需要在页面Rerun一下（或者按一下R键）就可以实现刷新，不需要重新运行程序

比如我们把title改一下：

plt.title('折线图2014-01-05')
1

修改后

四、进阶

做一个动态的折线图，如下

4.1 开头展示

展示内容一般直接使用st.write()，将需要展示的内容写在括号里面
或者使用st.markdown()，可以写入markdown的格式进行展示

st.write(
    """
   用Streamlit演示了绘图和动画的结合。我们在一个大约5秒钟的循环中生成一串随机数。
"""
)
1
2
3
4
5

4.2 设计完成度

progress_bar = st.progress(0)
status_text = st.empty()
1
2

完成度由两部分组成

• 长条图形
• 完成状态/完成比

st.progress(0)：初始长度设为0
st.empty()：初始展示内容为空

设计思想是一步一步的展示

4.3 辅助设计

# 生成示例数据
data = {'Index': [],
        'Value': []}
df = pd.DataFrame(data['Value'])

# 创建折线图
chart = st.line_chart(df)
1
2
3
4
5
6
7

设计一个空的DataFrame，做好数据格式的设计
折线图我们使用st.line_chart进行创建

4.4 动态展示

循环生成数据，动态展示

# 模拟逐步添加新行
for i in range(101):
    new_data = {'Index': i,
                'Value': np.random.randn()}
    new_row = pd.DataFrame([new_data])#新数据生成
    status_text.text("%i%% Complete" % i)#进度更新
    progress_bar.progress(i)#进度条更新
    # 添加新行到折线图
    chart.add_rows(new_row['Value'])#折线图增加数据

    # 模拟延迟
    time.sleep(0.1)
1
2
3
4
5
6
7
8
9
10
11
12

这样就生成了一个动态展示的效果。

之所以做这样的效果是因为我们在进行深度学习训练时，想要实时查看loss和准确度的变化，下篇文章将会展示如何使用streamlit进行深度学习展示。

对于一个深度学习或者机器学习工程师不建议系统学习streamlit，用到什么功能搜索下就可以了，系统学习费时还不一定学到有用的东西。