Колба пришла в голову, когда ученые данные хотят раскрутить приложение на основе данных на основе Python, но сейчас есть лучший вариант. Чтобы создать интерактивный фасад для скрипта обучения машины или визуализации, StreamLit – это путь быстрее, поскольку он удалил необходимость записи любого интерфейса.
Теперь мы пройдем по пошаговым шагам, как построить приложение StreamLit. Я также буду просматривать некоторые плюсы и минусы обтекания.
это кому
Любой, кто хочет поставить интерактивный пользовательский интерфейс или видимый фасад на сценарии Python.
Предпосылка
Знание Python
Что это может делать
TreamLit можно использовать для создания приложений для машин/AI или отображаемых исследовательских/аналитических визуализации данных или одновременно одновременно.
Образ кредита: Обтеснуть
⛵ Начало работы
Привет, мир
Чтобы начать, сначала установите библиотеку
pip install streamlit
Затем создайте папку, называемую streamlit_demo (или предпочтительное имя) и добавьте ему файл app.py.
import streamlit as st
st.text("Hello world")
В клеммном CD в папку и тип
streamlit run app.py
Вы увидите их в терминале.
Теперь окно браузера автоматически откроется, и у вас есть первый приложение вверх и работает
Далее мы можем начать добавлять компоненты пользовательского интерфейса, которые рассматриваются как переменные в App.py, добавьте этот фрагмент, чтобы понять, что это значит.
if st.checkbox("show"):
st.title("My first app")
Некоторые из общих компонентов пользовательского интерфейса включают в себя радиопередачу, флажок, выбор, слайдер и текстовый вход можно найти в этом документация .
Теперь, когда у нас есть основное представление о том, как это работает, мы можем начать чтение данных и сделать простой участок. Данные и код для следующих разделов можно найти в этом Гист Отказ
import streamlit as st
import pandas as pd
import numpy as np
# header
st.title("London Bikes")
st.subheader("Numuber of Trips starting from Hyde Parker Corner")
# read data - source: London Bicycle Hires from Greater London Authority on Google Datasets via Bigquery
df = pd.read_csv('london_bikes.csv')
# area plot
df['start_day'] = pd.to_datetime(df['start_date']).dt.date
df_trips_by_day = df['start_day'].value_counts()
st.area_chart(df_trips_by_day)
Используя TreamLit встроенную функцию Charting, мы сделали наш первый участок в нескольких строках кода, и он интерактивный и загружаемый!
Сделать еще один шаг дальше, можно визуализировать направления всей поездки, начатой из углового парка Гайд.
💡 советы и трюки
Как добавляет библиотеки и функции в приложение, становится более важно организовать зависимости в одном месте. Изящная хитрость, чтобы облегчить вещи, – это создать makefile и thrue.txt. В качестве опции мы можем создать эти два файла, чтобы облегчить рабочий процесс.
Требования. Atxt Перечислите пакеты, необходимые для приложения для запуска приложения
Makefile предлагает рецепт о том, как правильно настроить приложение.
Например, при запуске установки он запустится, он автоматически устанавливает все зависимости.
Теперь, когда у нас было проблеск функциональных возможностей TreamLit, мы можем взвесить его против других структур.
⚖️PROS и BOUND
Reamlit имеет длинный список плюсов, которые я люблю:
Доступное приложение для всех (кто использует Python) . Это главный розыгрыш, поскольку оно может сэкономить время, позволяя одному сосредоточиться на аспекте науки данных, а также подходит для тех, кто может не узнать HTML/CSS. Кривая обучения довольно плоская.
Покройте наиболее распространенные UIS, необходимые в приложении данных. Кроме того, они выглядят хорошо! Он содержит слайдер, флажок, радиопередачи, складную боковую панель, прогресс-бар, загрузить файл и т. Д. В целом эти функциональные возможности и простота использования впечатляют. Было бы даже приятнее, если может иметь информацию с информацией рядом с определенными компонентами, чтобы предложить дополнительные объяснения.
Поддержка нескольких интерактивных библиотек визуализации Отказ Он поддерживает библиотеки, такие как Сюжер , алтарь , боке , Vega-Lite и пидет . И вот некоторые другие библиотеки, с которыми она совместима.
И поскольку он на основе Python, можно запускать некоторые ML алгоритм в одном приложении, а затем сюжет диаграммы на выходе алгоритма, такого как кластер или классификационные метки.
💡 советы и трюки
Чтобы просмотреть больше компонентов диаграммы пользователей в действии, это Демо-приложение Это хорошее место для начала, где вы можете просматривать как график, так и кода бок о бок.
Некоторые минусы:
Я начну, сказав, что ни один из этих минусов не был запретил. Они более хорошими и перечислены здесь, чтобы сохранить сбалансированную оценку инструмента
- Удобство против гибкости Отказ Не специфичный для repreamLit, более высокий уровень, тем меньше настраиваемая она имеет тенденцию предоставлять.
В корпусе TreamLit никто не может настроить макет в данный момент (но он находится на их дорожной карте), что делает его не самым подходящим выбором для сложных приборных панелей, которые требуют контейнерного макета. Сказом streamlit в основном состоит из большой вертикальной панели и небольшой боковой панели. Нельзя действительно позиционировать 2 разных диаграмма бок о бок или добавить пользовательские элементы в любых указанных местах. Если вы хотите настроить все, вам, возможно, придется использовать rest.js/vue.js.
- Размер данных ввода Отказ ReameLit имеет мягкий предел 50 МБ для загрузки данных. Я буду заинтересован в том, как структура обеспечивает широкомасштабное приложение вперед.
- Ограниченная поддержка видео/анимации Отказ Нет нативной поддержки видеоформата и кнопки воспроизведения. Это может ограничить определенный случай использования, включающий видеоанализ и анимацию.
Последнее, но не менее важное, нужно знать, что он сосредоточен на случаях использования DS/ML, таким образом, не будет предлагать полный набор функциональных возможностей, которые имеют колбу/Джанго. Это может не обязательно быть кончиной, наличие фокусировки может хорошо. Это просто означает, что он хочет создавать приложения с другими функциональными возможностями, такими как аутентификация пользователя, подписка для рассылки или взаимодействие по пользователю пользователю, то лучше искать в другом месте.
⌛ обернуть
StreamLit достаточно просто, чтобы каждый мог его использовать. Это может быть превосходным вариантом, если вам нужно быстрое решение для интерактивного приложения данных, особенно с обеим алгоритмом изучения машины, работающим на фоне и интерактивных участках. Надеюсь, сегодня у нас были веселые приложения для научных приложений. В будущем пост мы осмотрим, как развернуть его до облака и контейнеризировать его, используя Docker.
Для получения дополнительной информации эти ресурсы могут быть полезны. Awesome-StreamLit Оптимитная галерея
Оригинал: “https://dev.to/hannahyan/getting-started-in-building-and-deploying-interactive-data-science-apps-with-streamlit-6ab”