【Python】Streamlit 库：快速构建交互式 Web 应用程序

Streamlit 是一个开源的 Python 库，用于快速构建交互式 Web 应用程序，特别适合数据科学家和机器学习工程师。它以简单直观的 API 著称，允许用户通过纯 Python 代码创建数据可视化、仪表板和交互式工具，无需前端开发经验。Streamlit 应用程序可以通过浏览器访问，支持实时更新和用户交互，广泛用于数据探索、模型展示和快速原型开发。

以下是对 Streamlit 库的详细介绍，包括其功能、用法和实际应用。

---

1. Streamlit 库的作用

• 快速开发：通过简单的 Python 脚本创建 Web 应用，无需 HTML/CSS/JavaScript 知识。
• 交互性：支持输入控件（如滑块、下拉菜单、文本框）实现用户交互。
• 数据可视化：无缝集成常见可视化库（如 Matplotlib、Plotly、Altair）。
• 实时更新：代码修改后自动刷新页面，加速开发迭代。
• 部署简单：支持本地运行和云部署（如 Streamlit Community Cloud、Heroku、AWS）。

---

2. 安装与环境要求

• Python 版本：支持 Python 3.8+（推荐 3.9+）。
• 依赖：
  • pandas：数据处理。
  • numpy：数值计算。
  • tornado：Web 服务器。
  • 可选：可视化库（如 matplotlib、plotly）。
• 安装命令：

  pip install streamlit
  

• 验证安装：

  streamlit hello
  

  • 运行后，浏览器会打开 Streamlit 的欢迎页面（默认 http://localhost:8501）。
• 运行 Streamlit 应用：

  streamlit run app.py
  

  • app.py 是包含 Streamlit 代码的 Python 文件。

---

3. 核心功能与用法

Streamlit 的核心是通过 st 模块提供的函数（如 st.write、st.button）构建应用界面。以下是主要功能和示例。

3.1 显示文本和数据

使用 st.write、st.title 等显示内容。

import streamlit as st

st.title("My First Streamlit App")
st.write("Welcome to Streamlit!")
st.markdown("This is **bold** text with *italics*.")

说明：

• st.title：设置页面标题。
• st.write：通用输出，支持文本、数据框、图表等。
• st.markdown：渲染 Markdown 格式文本。

3.2 交互控件

支持多种输入控件，实现用户交互。

import streamlit as st

# 文本输入
name = st.text_input("Enter your name", "John Doe")
st.write(f"Hello, {name}!")

# 滑块
age = st.slider("Select your age", min_value=0, max_value=100, value=25)
st.write(f"You are {age} years old.")

# 下拉菜单
option = st.selectbox("Choose a color", ["Red", "Blue", "Green"])
st.write(f"Selected color: {option}")

# 按钮
if st.button("Click me"):
    st.write("Button clicked!")

说明：

• 控件的值存储在变量（如 name、age），可用于动态更新。
• Streamlit 自动重新运行脚本以反映用户输入。

3.3 数据可视化

集成 Pandas、Matplotlib、Plotly 等库展示数据。

import streamlit as st
import pandas as pd
import plotly.express as px

# 显示数据框
df = pd.DataFrame({
    "x": [1, 2, 3, 4],
    "y": [10, 20, 25, 30]
})
st.dataframe(df)

# 绘制图表
fig = px.line(df, x="x", y="y", title="Simple Line Chart")
st.plotly_chart(fig)

说明：

• st.dataframe：显示交互式数据表。
• st.plotly_chart：渲染 Plotly 图表（支持 matplotlib、altair 等）。

3.4 文件上传

处理用户上传的文件（如 CSV、图片）。

import streamlit as st
import pandas as pd

uploaded_file = st.file_uploader("Upload a CSV file", type=["csv"])
if uploaded_file is not None:
    df = pd.read_csv(uploaded_file)
    st.write("Uploaded Data:")
    st.dataframe(df)

说明：

• st.file_uploader：支持指定文件类型。
• 上传文件后可直接处理（如用 Pandas 解析）。

3.5 缓存数据

使用 @st.cache_data 缓存昂贵计算，提高性能。

import streamlit as st
import pandas as pd

@st.cache_data
def load_data():
    # 模拟昂贵操作
    return pd.DataFrame({"col1": range(1000), "col2": range(1000, 2000)})

df = load_data()
st.write("Cached Data:", df.head())

说明：

• @st.cache_data 缓存函数结果，避免重复计算。
• 适合加载大文件或复杂计算。

3.6 布局与容器

使用 st.columns、st.sidebar 组织界面。

import streamlit as st

# 侧边栏
st.sidebar.title("Settings")
option = st.sidebar.selectbox("Mode", ["Light", "Dark"])

# 列布局
col1, col2 = st.columns(2)
with col1:
    st.write("Column 1 content")
with col2:
    st.write("Column 2 content")

说明：

• st.sidebar：将控件放入侧边栏。
• st.columns：创建多列布局。

---

4. 性能与特点

• 高效开发：几行代码即可创建交互式应用。
• 实时更新：修改代码后页面自动刷新。
• 内存效率：支持缓存机制，优化大数据处理。
• 局限性：
  • 不适合复杂前端逻辑（如动态 JavaScript）。
  • 单线程运行，可能不适合高并发场景。
• 扩展性：通过 streamlit.components 支持自定义 HTML/JavaScript。

---

5. 实际应用场景

• 数据仪表板：展示数据分析结果（如销售数据、实验结果）。
• 机器学习演示：展示模型预测和可视化（如分类器、回归）。
• 交互工具：构建数据查询或过滤工具。
• 教育应用：创建交互式教学工具（如数学计算器）。
• 快速原型：验证数据产品或应用概念。

示例（交互式数据分析）：

import streamlit as st
import pandas as pd
import plotly.express as px

st.title("Data Analysis Dashboard")

# 文件上传
uploaded_file = st.file_uploader("Upload CSV", type=["csv"])
if uploaded_file:
    df = pd.read_csv(uploaded_file)
    st.dataframe(df.head())

    # 列选择
    column = st.selectbox("Select column to plot", df.columns)
    fig = px.histogram(df, x=column)
    st.plotly_chart(fig)

    # 过滤数据
    threshold = st.slider("Filter threshold", float(df[column].min()), float(df[column].max()))
    filtered_df = df[df[column] > threshold]
    st.write("Filtered Data:", filtered_df)

说明：

• 用户上传 CSV，查看数据并绘制直方图。
• 滑块过滤数据，实时更新显示。

---

6. 部署

Streamlit 应用可以本地运行或部署到云端。

• 本地运行：

  streamlit run app.py
  

• Streamlit Community Cloud（推荐）：
  1. 将代码推送到 GitHub 仓库。
  2. 登录 Streamlit Community Cloud（https://share.streamlit.io/）。
  3. 连接 GitHub 仓库，配置 app.py 和 requirements.txt。
  4. 部署后获取公共 URL。
• 其他平台：
  • Heroku：使用 Dockerfile 或 Procfile。
  • AWS EC2：运行 Streamlit 服务器。
  • Docker：

    FROM python:3.9
    WORKDIR /app
    COPY . .
    RUN pip install -r requirements.txt
    CMD ["streamlit", "run", "app.py", "--server.port=8501"]
    

---

7. 注意事项

• 性能：
  • 大型数据集可能导致页面卡顿，使用 @st.cache_data 优化。
  • 避免在循环中频繁调用 st 函数。
• 交互限制：
  • 每次用户交互触发脚本重新运行，需注意状态管理（使用 st.session_state）。

  if "count" not in st.session_state:
      st.session_state.count = 0
  if st.button("Increment"):
      st.session_state.count += 1
  st.write("Count:", st.session_state.count)
  

• 兼容性：
  • 确保可视化库（如 Plotly）版本与 Streamlit 兼容。
  • 最新版本（截至 2025，1.39.0）支持更多功能。
• 安全性：
  • 云部署时，使用环境变量存储敏感信息：

    import os
    api_key = os.getenv("API_KEY")
    

• 局限性：
  • 不支持复杂前端交互（如实时 WebSocket）。
  • 高并发需结合 WSGI 服务器（如 Gunicorn）。

---

8. 综合示例

以下是一个综合示例，展示数据上传、可视化和交互过滤：

import streamlit as st
import pandas as pd
import plotly.express as px

st.title("Interactive Data Explorer")

# 侧边栏设置
st.sidebar.header("Options")
chart_type = st.sidebar.selectbox("Chart Type", ["Line", "Scatter", "Histogram"])

# 文件上传
uploaded_file = st.file_uploader("Upload a CSV file", type=["csv"])
if uploaded_file:
    @st.cache_data
    def load_data():
        return pd.read_csv(uploaded_file)
    
    df = load_data()
    st.write("Data Preview:", df.head())

    # 选择列
    columns = df.columns.tolist()
    x_col = st.selectbox("X-axis", columns)
    y_col = st.selectbox("Y-axis", columns)

    # 绘制图表
    if chart_type == "Line":
        fig = px.line(df, x=x_col, y=y_col)
    elif chart_type == "Scatter":
        fig = px.scatter(df, x=x_col, y=y_col)
    else:
        fig = px.histogram(df, x=x_col)
    st.plotly_chart(fig)

    # 数据过滤
    if st.checkbox("Filter Data"):
        threshold = st.slider(f"Filter {y_col} >", float(df[y_col].min()), float(df[y_col].max()))
        filtered_df = df[df[y_col] > threshold]
        st.write("Filtered Data:", filtered_df)

说明：

• 用户上传 CSV，选择图表类型和坐标轴。
• 支持动态过滤数据并实时更新图表。

---

9. 资源与文档

• 官方文档：https://docs.streamlit.io/
• GitHub 仓库：https://github.com/streamlit/streamlit
• PyPI 页面：https://pypi.org/project/streamlit/
• 社区论坛：https://discuss.streamlit.io/
• 教程：
  • Streamlit 官方教程：https://docs.streamlit.io/library/get-started
  • DataCamp Streamlit 指南：https://www.datacamp.com/tutorial/streamlit