Streamlit 入门：快速构建交互式 Web 应用

Streamlit 正在迅速成为数据科学和机器学习领域构建快速原型和交互式 Web 应用的首选工具。其核心优势在于其简洁的 API 和 Python 驱动的特性，使得即使没有前端开发经验的科学家也能轻松地创建功能强大的应用程序。入门 Streamlit 并不难，而且其学习曲线相对平缓，这使得它成为快速迭代和演示数据分析结果的理想选择。

首先，理解 Streamlit 的基本工作原理至关重要。它本质上是一个 Python 库，通过简单的 Python 代码块就能生成交互式 Web 应用。用户无需编写 HTML、CSS 或 JavaScript 代码，Streamlit 负责处理所有前端细节。这种“声明式”编程方式极大地简化了开发流程，允许开发者专注于数据处理和分析逻辑，而不是繁琐的界面设计。

接下来，让我们探讨如何开始构建你的第一个 Streamlit 应用。安装 Streamlit 非常简单，只需使用 pip 命令：`pip install streamlit`。然后，创建一个 Python 文件（例如 `my_app.py`），并开始编写你的 Streamlit 代码。一个简单的例子，展示一个标题和一段文本：

“`python
import streamlit as st

st.title(‘我的第一个 Streamlit 应用’)
st.write(‘这是一个简单的示例，展示了 Streamlit 的基本用法。’)
“`

保存文件后，在终端中运行 `streamlit run my_app.py`，Streamlit 会自动启动一个本地服务器，并在你的默认浏览器中打开应用。

然而，Streamlit 的真正潜力在于其强大的组件库。它提供了各种各样的组件，例如图表、滑块、按钮、文本输入框等等，这些组件可以轻松地集成到你的应用中，从而实现交互性。例如，你可以使用 `st.slider` 创建一个滑块，让用户调整一个参数，然后实时更新图表或计算结果。

此外，Streamlit 支持数据加载和处理。你可以直接从 CSV 文件、Pandas DataFrame 或数据库中读取数据，并使用 Streamlit 的组件进行可视化和分析。 这种直接的数据集成能力极大地提高了数据科学工作流程的效率。

值得注意的是，Streamlit 的应用场景远不止于简单的演示。它也可以用于构建更复杂的 Web 应用，例如数据仪表板、机器学习模型部署界面，甚至用于构建内部工具。 随着社区的不断发展，Streamlit 的生态系统也在不断壮大，涌现出越来越多的第三方组件和集成。

最后，Streamlit 的另一个关键优势是其易于部署的特性。你可以将你的 Streamlit 应用部署到各种云平台，例如 Streamlit Cloud、Heroku、AWS 等，从而让其他人也能访问你的应用。 掌握 Streamlit，将极大地提升你在数据科学领域的表现，并加速你的项目交付速度。

Streamlit 实用技巧：提升你的数据可视化体验

Streamlit 已经迅速成为数据科学和机器学习从业者快速构建交互式应用程序的首选工具。其简洁的 API 和易于使用的界面使得即使是非专业开发人员也能轻松地将数据分析成果转化为可供探索和分享的应用程序。然而，仅仅掌握 Streamlit 的基本用法，并不能充分发挥其潜力。为了真正提升你的数据可视化体验，需要掌握一些实用技巧，这些技巧能够显著改善应用程序的性能、用户体验和整体美观度。

首先，优化数据加载和处理至关重要。Streamlit 应用程序的性能很大程度上取决于数据加载的速度和处理效率。避免一次性加载整个数据集，而是考虑使用流式加载，尤其是在处理大型数据集时。利用 `st.cache_data` 装饰器可以缓存数据加载结果，从而避免重复计算，显著提升应用程序的响应速度。此外，对数据进行预处理，例如过滤、聚合和转换，在应用程序启动前完成，可以减少运行时计算量，进一步提高效率。

接下来，深入理解 Streamlit 的布局系统是提升用户体验的关键。Streamlit 提供了多种布局选项，包括 `st.columns`、`st.tabs` 和 `st.expander`，允许你灵活地组织应用程序的各个部分。合理利用这些布局工具，可以清晰地呈现数据，避免信息拥挤，并引导用户按照逻辑顺序进行探索。例如，使用 `st.columns` 将不同的可视化图表和数据表格分列展示，或者使用 `st.expander` 隐藏不常用的信息，只在用户需要时展开。

除了布局，选择合适的图表类型和可视化方法同样重要。Streamlit 支持多种流行的图表库，如 Matplotlib、Plotly 和 Altair。根据数据的特性和想要表达的信息，选择最合适的图表类型，例如柱状图、折线图、散点图或热图。同时，注意图表的清晰度和可读性，使用适当的颜色、标签和注释，确保用户能够轻松理解数据背后的含义。

此外，Streamlit 允许你添加交互式元素，例如滑块、选择框和文本输入框，让用户可以自定义数据探索的过程。这些交互元素可以显著提升用户参与度，并提供更个性化的体验。例如，允许用户选择不同的时间范围，或者调整数据过滤条件，从而探索数据的不同方面。

最后，不要忽视应用程序的整体美观性。Streamlit 允许你自定义应用程序的主题和样式，例如字体、颜色和背景。通过调整这些参数，可以使应用程序更具吸引力，并提升用户体验。 记住，一个美观且易于使用的应用程序，能够更好地传达你的数据分析成果，并更容易被他人理解和接受。 持续学习和实践这些技巧，将帮助你充分利用 Streamlit 的优势，打造出令人印象深刻的数据可视化体验。

Streamlit 项目案例：从零开始构建一个预测模型应用

Streamlit 凭借其简洁易用的 API，迅速成为数据科学从业者构建交互式应用程序的理想选择。它允许开发者无需编写复杂的 Web 前端代码，就能快速地将机器学习模型部署为可供用户使用的应用程序。本文将通过一个简单的案例，展示如何利用 Streamlit 从零开始构建一个预测模型应用，并逐步探讨其核心概念和最佳实践。

首先，我们需要一个基础的机器学习模型。对于演示目的，我们选择一个简单的线性回归模型，使用 Python 的 scikit-learn 库。模型训练过程相对简单，只需准备好一些训练数据，并使用 `LinearRegression` 类进行训练即可。重要的是，Streamlit 的优势在于它简化了模型部署，无需关注服务器配置或 Web 服务器管理。

接下来，我们将使用 Streamlit 框架来构建用户界面。首先，导入必要的库：`streamlit` 和 `scikit-learn`。然后，使用 `st.title()` 函数设置应用程序的标题，并使用 `st.write()` 函数添加一些介绍性文字。随后，我们需要定义一个函数，该函数接收用户输入的特征值，并使用训练好的模型进行预测。这个函数将成为应用程序的核心逻辑。

为了增强用户体验，我们添加了一些交互式元素。`st.slider()` 允许用户调整输入特征的值，而 `st.button()` 则触发预测函数执行。通过将这些元素与用户输入和模型输出关联起来，我们创建了一个直观的预测界面。此外，`st.line_chart()` 可以用于可视化预测结果，帮助用户更好地理解模型的行为。

在构建用户界面时，代码的可读性和模块化至关重要。建议将代码分解成多个函数，每个函数负责特定的功能，例如数据预处理、模型预测和结果展示。这不仅提高了代码的可维护性，也方便了后续的扩展和修改。同时，合理利用 Streamlit 的布局功能，例如 `st.sidebar()` 和 `st.columns()`，可以更好地组织界面元素，提升用户体验。

除了基本的预测功能，我们可以进一步增强应用程序的功能。例如，可以添加数据加载和预处理功能，允许用户上传自己的数据集进行预测。还可以添加模型评估指标，例如 R 平方值，以便用户了解模型的准确性。更进一步，可以考虑使用 Streamlit 的缓存机制，例如 `st.cache_data()`，来优化模型加载和预测过程，提高应用程序的性能。

最后，Streamlit 的强大之处在于其易于分享和部署的特性。通过简单的几行代码，可以将应用程序部署到 Streamlit Cloud 或其他 Web 服务器上，方便团队成员协作和用户访问。总而言之，Streamlit 为数据科学家和工程师提供了一种快速、高效的方式来构建交互式数据应用程序，极大地降低了数据科学项目的开发门槛。

Streamlit 入门使用指南及与 FastAPI 的配合使用

原文链接：https://blog.csdn.net/SWZ156/article/details/143518162
Streamlit 是一个用于构建数据应用的快速 Web 应用框架，它特别适合数据科学家和机器学习工程师，无需复杂的前端开发知识即可创建交互式应用。结合 FastAPI，可以轻松构建后端服务并将其与 Streamlit 前端进行配合使用，创建强大的数据应用。

1. 安装 Streamlit 和 FastAPI
首先，您需要安装 Streamlit 和 FastAPI。可以使用以下命令通过 pip 安装它们：

pip install streamlit fastapi uvicorn

2. 创建简单的 Streamlit 应用
以下是一个简单的 Streamlit 应用示例，展示了如何构建用户界面并处理用户输入。

# app.py
import streamlit as st
import requests

# 设置页面标题
st.title(“简单的 Streamlit 应用”)

# 创建文件上传控件
uploaded_file = st.file_uploader(“上传文件”, type=[“csv”, “txt”])

if uploaded_file is not None:
# 读取文件内容
data = uploaded_file.getvalue().decode(“utf-8”)
st.write(“文件内容：”)
st.text(data)

# 创建文本输入控件
user_input = st.text_input(“输入一些文本”)

if st.button(“提交”):
# 将用户输入发送到 FastAPI 后端
response = requests.post(“http://127.0.0.1:8000/submit/”, json={“input_text”: user_input})
if response.status_code == 200:
st.write(“后端响应：”, response.json())
else:
st.error(“请求失败！”)

3. 创建 FastAPI 后端
接下来，创建一个简单的 FastAPI 后端来处理来自 Streamlit 的请求。

# main.py
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class InputData(BaseModel):
input_text: str

@app.post(“/submit/”)
async def submit_data(data: InputData):
return {“message”: f”您提交的文本是：{data.input_text}”}

# 运行应用
# 在命令行中执行 uvicorn main:app –reload

4. 运行应用
运行 FastAPI 后端：

在命令行中导航到 FastAPI 文件所在目录，然后运行以下命令：

uvicorn main:app –reload

运行 Streamlit 应用：

在另一个命令行窗口中导航到 Streamlit 文件所在目录，然后运行以下命令：

streamlit run app.py
1
5. 访问应用
访问 FastAPI 文档：http://127.0.0.1:8000/docs
访问 Streamlit 应用：默认在 http://localhost:8501。
6. 示例功能
文件上传：用户可以上传文件，应用会读取并显示文件内容。
文本输入：用户可以输入文本，点击提交后将数据发送到 FastAPI 后端，后端会返回处理结果。
7. 总结
Streamlit 和 FastAPI 的结合使得构建数据驱动的 Web 应用变得轻松而高效。Streamlit 负责提供用户友好的界面，FastAPI 则处理后端逻辑和数据请求。通过这种组合，您可以快速构建出强大且功能丰富的应用，无论是用于数据可视化、机器学习模型的展示，还是其他需要快速开发的应用场景。

希望这篇入门指南能帮助您快速上手 Streamlit 和 FastAPI，开启您的数据应用开发之旅！