代码收藏家技术教程 2025-06-19

【Python Streamlit库实战】轻松构建交互式Web应用程序指南

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）：

将代码推送到 GitHub 仓库。
登录 Streamlit Community Cloud（https://share.streamlit.io/）。
连接 GitHub 仓库，配置 app.py 和 requirements.txt。
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。