【Python】Streamlit：为数据科学与机器学习打造的简易应用框架

Streamlit 是一个开源的 Python 库，专为数据科学家和机器学习开发者设计，旨在快速构建数据应用。通过简单的 Python 脚本，开发者无需掌握前端技术，即可将数据分析和模型结果转化为直观、交互式的 Web 应用。其简洁的 API 设计使得开发过程快速且高效，是展示数据分析、构建仪表盘、分享机器学习模型的理想选择。

⭕️宇宙起点

? 核心特点1. **简易上手，无需前端开发经验**2. **强大的数据可视化功能**3. **交互式控件**4. **快速部署与分享**5. **组件扩展与自定义** ♨️ 示例：构建交互式数据仪表盘? 适用场景? 配置和数据展示⚙️ 配置选项表格? 下载地址? 结语? 参考文献

? 核心特点

1. 简易上手，无需前端开发经验

Streamlit 让开发者可以用最少的代码构建功能强大的数据应用。开发者只需关注 Python 代码本身，无需处理 HTML、CSS 或 JavaScript 等前端技术。Streamlit 会自动处理应用的布局、样式和交互，所有这些都基于 Python 原生的写法。例如，你可以用以下简单代码来创建一个包含输入框、按钮和文本展示的应用：

import streamlit as st# 创建应用标题st.title("欢迎使用 Streamlit 应用")# 创建文本输入框user_input = st.text_input("请输入您的名字：")# 创建按钮，当点击时显示用户输入内容if st.button("提交"):    st.write(f"你好，{user_input}！")

通过这个极简的代码结构，Streamlit 轻松生成了一个交互式网页，而这在传统的 Web 开发框架中可能需要大量的代码。

2. 强大的数据可视化功能

Streamlit 与常见的数据可视化库（如 Matplotlib、Plotly、Altair 等）无缝集成，支持生成各种复杂的图表。开发者只需几行代码，就可以创建直观的数据可视化并嵌入到应用中。以下代码展示了如何使用 Altair 创建一个交互式的折线图来跟踪人口变化：

import altair as altimport pandas as pdimport streamlit as st# 载入数据df = pd.DataFrame({    'year': [2010, 2011, 2012, 2013, 2014],    'population': [100, 150, 200, 250, 300]})# 使用 Altair 创建折线图chart = alt.Chart(df).mark_line().encode(    x='year:O',    y='population:Q')# 展示图表st.altair_chart(chart, use_container_width=True)

这个例子展示了如何快速加载数据并生成交互式图表。通过 st.altair_chart()，Streamlit 可以将 Altair 生成的图表直接嵌入到应用中。

3. 交互式控件

Streamlit 提供了一系列内置控件，如滑块、选择框、按钮等，用户可以通过这些控件与应用交互。例如，用户可以选择不同的年份来筛选数据并动态更新图表：

# 创建一个滑块选择年份year = st.slider("选择年份", min_value=2010, max_value=2020, step=1)# 过滤数据并生成动态图表filtered_df = df[df['year'] == year]st.line_chart(filtered_df['population'])

这些交互功能极大地提升了用户体验，允许用户根据需求动态探索数据。通过简洁的 API，开发者可以轻松实现与用户的交互，增强应用的实用性和灵活性。

4. 快速部署与分享

构建好 Streamlit 应用后，开发者可以通过 Streamlit Community Cloud 轻松部署，无需配置复杂的服务器。只需将代码上传至 GitHub，并通过简单的点击操作即可将应用发布到云端，生成一个可共享的链接。Streamlit 提供的托管服务让应用的分享和协作变得更加轻松。

以下步骤展示了如何在 Streamlit Cloud 上部署应用：

将应用代码推送到 GitHub 仓库。在 Streamlit Cloud 上点击 “New app”，选择代码仓库和主分支。点击发布后，应用会自动生成一个 URL，开发者可以将该链接分享给其他用户。

5. 组件扩展与自定义

Streamlit 还支持通过第三方组件扩展其功能。开发者可以使用现有的 Streamlit 组件，如 streamlit-aggrid 来展示可编辑的数据表，或自行开发新的组件来增强应用的交互性。例如，以下代码展示了如何使用 AgGrid 组件创建一个交互式数据表：

import streamlit as stfrom st_aggrid import AgGridimport pandas as pd# 创建数据框df = pd.DataFrame({    'Name': ['Alice', 'Bob', 'Charlie'],    'Age': [25, 30, 35]})# 使用 AgGrid 展示数据表AgGrid(df)

Streamlit 的组件系统非常灵活，开发者可以根据需求创建自定义组件，扩展应用的功能。

♨️ 示例：构建交互式数据仪表盘

以下是一个利用 Streamlit 构建数据仪表盘的完整示例。该应用从 CSV 文件中加载数据，展示多个交互式图表，并允许用户选择不同的年份和维度。

import streamlit as stimport pandas as pdimport altair as alt# 加载数据@st.cache_datadef load_data():    return pd.read_csv('https://path-to-your-csv-file.csv')df = load_data()# 选择年份year = st.slider("选择年份", min_value=2010, max_value=2020, step=1)filtered_data = df[df['year'] == year]# 生成柱状图st.bar_chart(filtered_data[['state', 'population']])# 使用 Altair 生成折线图line_chart = alt.Chart(filtered_data).mark_line().encode(    x='year:O',    y='population:Q',    color='state:N')st.altair_chart(line_chart)

这个应用展示了如何动态加载数据、生成多种图表并通过滑块进行交互筛选。

? 适用场景

Streamlit 非常适合以下场景：

数据分析与可视化：快速创建交互式仪表盘，用于探索和展示数据分析结果。机器学习模型展示：通过 Streamlit 轻松展示模型预测结果，让用户能够通过 Web 应用与模型进行交互。快速原型开发：在项目早期阶段，通过 Streamlit 快速创建原型，帮助团队验证概念和想法。

? 配置和数据展示

Streamlit 允许开发者通过简单的表格形式展示数据。你可以通过 st.dataframe 或 st.table 方法来显示数据框。以下是一个示例，展示如何加载并显示 CSV 文件中的数据：

import streamlit as stimport pandas as pd# 加载数据@st.cache_datadef load_data():    return pd.read_csv('https://path-to-your-csv-file.csv')df = load_data()# 展示数据表st.dataframe(df)

你还可以使用 st.table 来展示静态表格：

st.table(df.head(10))  # 仅显示前10行

⚙️ 配置选项表格

为了更好地管理和展示 Streamlit 应用中的交互控件和数据处理方式，以下是常见的 Streamlit 控件和功能的配置选项表格：

配置项	功能说明	示例代码
st.text_input	允许用户输入文本	st.text_input("请输入你的名字")
st.button	创建一个按钮	st.button("点击提交")
st.slider	创建一个滑块控件	st.slider("选择一个值", 0, 100)
st.selectbox	允许用户从下拉菜单中选择	st.selectbox("选择年份", [2010, 2020])
st.dataframe	动态展示数据框	st.dataframe(df)
st.table	静态展示数据表	st.table(df.head())
st.bar_chart	生成柱状图	st.bar_chart(df[['year', 'population']])
st.altair_chart	使用 Altair 创建交互式图表	st.altair_chart(chart)

? 下载地址

Streamlit 最新版 下载地址

? 结语

无论是构建简单的 Web 应用，还是复杂的交互式数据仪表盘，Streamlit 都提供了简洁高效的解决方案。通过其直观的 API 和强大的功能，开发者可以在短时间内构建出具有专业水准的应用，并与团队或客户轻松分享成果。

? 参考文献

Streamlit 官网Streamlit GitHub仓库