如何使用简单的Python为数据科学家编写Web应用程序？

代码医生工作室

发布于 2019-11-14 12:42:31

2.8K0

发布于 2019-11-14 12:42:31

文章被收录于专栏：相约机器人相约机器人

来源 | Medium

编辑 | 代码医生团队

StreamLit的出现兑现了仅使用Python创建Web应用程序的承诺。

Python之禅：简单胜于复杂，Streamlit使创建应用变得非常简单。

这篇文章是关于了解如何使用Streamlit创建支持数据科学项目的应用程序。

安装

pip install streamlit

要查看安装是否成功，可以运行：

streamlit hello

显示：

可以转到本地URL：localhost:8501在浏览器中，查看Streamlit应用程序的运行情况。开发人员提供了一些不错的演示，请花点时间并感觉一下工具的功能。

Streamlit Hello World

Streamlit旨在使用简单的Python简化应用程序开发。编写一个简单的应用程序。

在这里，从一个简单的应用程序开始，将其称为streamlit的Hello World。只需将下面给出的代码粘贴到一个名为helloworld.py

import streamlit as stx = st.slider('x')st.write(x, 'squared is', x * x)

并且，在终端上运行：

streamlit run helloworld.py

应该能够在浏览器中看到一个运行中的简单应用，该应用localhost:8501可移动滑块并给出结果。

一个简单的滑块小部件应用

在上面的应用程序中，使用了Streamlit的两个功能：

st.slider可以滑动以更改Web应用程序输出的小部件。
以及通用st.write命令。惊讶于它如何能够从图表，数据框和简单文本中编写任何内容。稍后对此进行更多讨论。

重要提示：请记住，每次更改窗口小部件的值时，整个应用程序都会从上到下运行。

Streamlit窗口小部件

小部件提供了一种控制应用程序的方式。了解这些小部件的最佳位置是API参考文档本身，将介绍一些最终可能会用到的最突出的小部件。

1.滑块

streamlit.slider(label, min_value=None, max_value=None, value=None, step=None, format=None)

已经st.slider在上面看到了实际操作。它可以与min_value，max_value和step一起使用，以获取一定范围内的输入。

2.文字输入

获取用户输入的最简单方法是一些URL输入或一些用于情感分析的文本输入。它只需要一个标签来命名文本框。

import streamlit as sturl = st.text_input('Enter URL')st.write('The Entered URL is', url)

该应用的外观如下：

一个简单的text_input小部件应用

提示：可以更改文件helloworld.py并刷新浏览器。工作方式是打开并更改helloworld.py高级文字，并在浏览器中并排查看更改。

3.复选框

复选框的一个用例是隐藏或显示/隐藏应用程序中的特定部分。另一个可能是在函数的参数中设置布尔值。st.checkbox()接受一个参数，即小部件标签。在此应用程序中，该复选框用于切换条件语句。

import streamlit as stimport pandas as pdimport numpy as npdf = pd.read_csv("football_data.csv")if st.checkbox('Show dataframe'):st.write(df)

一个简单的复选框小部件应用

4.选择框

可以st.selectbox用来从系列或列表中进行选择。通常用例是将其用作从列表中选择值的简单下拉列表。

import streamlit as stimport pandas as pdimport numpy as npdf = pd.read_csv("football_data.csv")option = st.selectbox(    'Which Club do you like best?',     df['Club'].unique())'You selected: ', option

一个简单的下拉/选择框小部件应用

5.多重选择

还可以从下拉列表中使用多个值。在这里st.multiselect用来获取多个值作为变量列表options

import streamlit as stimport pandas as pdimport numpy as npdf = pd.read_csv("football_data.csv")options = st.multiselect( 'What are your favorite clubs?', df['Club'].unique())st.write('You selected:', options)

一个简单的多选小部件应用

逐步创建简单应用

对于理解重要的小部件来说，就这么多。现在将一次使用多个小部件创建一个简单的应用程序。

首先，将尝试使用streamlit可视化足球数据。在上述小部件的帮助下，执行此操作非常简单。

import streamlit as stimport pandas as pdimport numpy as npdf = pd.read_csv("football_data.csv")clubs = st.multiselect('Show Player for clubs?', df['Club'].unique())nationalities = st.multiselect('Show Player from Nationalities?', df['Nationality'].unique())# Filter dataframenew_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]# write dataframe to screenst.write(new_df)

简单应用程序如下所示：

结合使用多个小部件

可以添加一些图表吗？

Streamlit当前支持许多绘图库。包括Plotly，Bokeh，Matplotlib，Altair和Vega图表。Plotly Express也可以使用，尽管没有在文档中指定。它还具有一些Streamlit原生的内置图表类型，例如st.line_chart和st.area_chart。

简单应用程序的代码。只使用了四个调用来简化。其余都是简单的python。

import streamlit as stimport pandas as pdimport numpy as npimport plotly_express as pxdf = pd.read_csv("football_data.csv")clubs = st.multiselect('Show Player for clubs?', df['Club'].unique())nationalities = st.multiselect('Show Player from Nationalities?', df['Nationality'].unique())new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]st.write(new_df)# create figure using plotly expressfig = px.scatter(new_df, x ='Overall',y='Age',color='Name')# Plot!st.plotly_chart(fig)

添加图表

改进措施

首先，说过每次更改任何小部件时，整个应用程序都会从头到尾运行。当创建将用于深度学习模型或复杂机器学习模型的应用程序时，这是不可行的。Streamlit通过Caching改进了这方面。

1.缓存

在简单的应用程序中。每当值更改时，就会一次又一次读取pandas数据框。虽然它适用于拥有的小数据，但不适用于大数据或当必须对数据进行大量处理时。使用st.cache装饰器功能在以下Streamlit处理中使用缓存。

import streamlit as stimport pandas as pdimport numpy as npimport plotly_express as pxdf = st.cache(pd.read_csv)("football_data.csv")

或者，对于仅需运行一次的更复杂且耗时的功能（请考虑加载大型深度学习模型），请使用：

@st.cachedef complex_func(a,b):    DO SOMETHING COMPLEX# Won't run again and again.complex_func(a,b)

当用Streamlit的缓存装饰器标记一个函数时，只要调用该函数，streamlit就会检查调用该函数所使用的输入参数。

如果这是Streamlit第一次看到这些参数，它将运行该函数并将结果存储在本地缓存中。

下次调用该函数时，如果这些参数没有更改，则Streamlit知道它可以完全跳过执行该函数。它仅使用缓存中的结果。

2.侧边栏

为了根据偏好提供更整洁的外观，可能希望将小部件移动到侧栏，例如Rshiny仪表板。这很简单。只需添加st.sidebar小部件的代码。

import streamlit as stimport pandas as pdimport numpy as npimport plotly_express as pxdf = st.cache(pd.read_csv)("football_data.csv")clubs = st.sidebar.multiselect('Show Player for clubs?', df['Club'].unique())nationalities = st.sidebar.multiselect('Show Player from Nationalities?', df['Nationality'].unique())new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]st.write(new_df)# Create distplot with custom bin_sizefig = px.scatter(new_df, x ='Overall',y='Age',color='Name')# Plot!st.plotly_chart(fig)

将小部件移到侧边栏

3.Markdown

喜欢用Markdown写作。发现它不如HTML冗长，更适合数据科学工作。那么可以在streamlit应用程序中使用Markdown吗？

有两种方法可以做到这一点。最好的方法是使用Magic命令。Magic命令可以像注释一样轻松地编写markdown。也可以使用以下命令st.markdown

import streamlit as stimport pandas as pdimport numpy as npimport plotly_express as px'''# Club and Nationality AppThis very simple webapp allows you to select and visualize players from certain clubs and certain nationalities.'''df = st.cache(pd.read_csv)("football_data.csv")clubs = st.sidebar.multiselect('Show Player for clubs?', df['Club'].unique())nationalities = st.sidebar.multiselect('Show Player from Nationalities?', df['Nationality'].unique())new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]st.write(new_df)# Create distplot with custom bin_sizefig = px.scatter(new_df, x ='Overall',y='Age',color='Name')'''### Here is a simple chart between player age and overall'''st.plotly_chart(fig)