Kurs Python · Moduł 8: Data Science
Streamlit - stacja badawcza w przeglądarce
W tej lekcji6
Zebrałeś dane policzyłeś statystyki - ale jak pokazać je reszcie ekspedycji, która nie umie czytać kodu? Postawimy interaktywną stację badawczą: stronę, na której każdy przesunie suwak i sam zobaczy wykresy. Streamlit robi to bez ani jednej linijki HTML.
pip install streamlitNajważniejsza zasada: skrypt jest stroną
Zapamiętaj tę jedną rzecz, a cała reszta lekcji stanie się oczywista. W Streamlicie piszesz zwykły skrypt Pythona od góry do dołu, a każde wywołanie st.coś(...) dorysowuje kolejny element strony. Nie ma szablonów, nie ma serwera do napisania - skrypt jest stroną.
# app.py
import streamlit as st
import pandas as pd
st.title('Stacja Safari')
st.write('Interaktywna analiza danych z rezerwatu')
data = pd.DataFrame({
'species': ['Lion', 'Elephant', 'Cheetah', 'Giraffe', 'Zebra'],
'population': [120, 450, 85, 200, 380],
'endangered': [True, False, True, False, False]
})
st.dataframe(data)Czytaj ten kod jak stronę: st.title to nagłówek, st.write to akapit, st.dataframe wstawia interaktywną tabelę. Kolejność w skrypcie = kolejność na stronie. Uruchamiasz to nie przez python, lecz komendą Streamlita:
streamlit run app.pyStreamlit otworzy przeglądarkę i pokaże Twoją stację. Od tej pory każdy zapis pliku odświeża stronę - piszesz jak zwykły skrypt, a widzisz jak aplikację.
Widżety - i druga ważna zasada
Teraz najważniejszy mechanizm Streamlita. Gdy użytkownik ruszy suwakiem albo wybierze coś z listy, Streamlit uruchamia cały skrypt od nowa, od góry do dołu - a widżet zwraca aktualnie wybraną wartość. Dzięki temu nie piszesz żadnej obsługi zdarzeń: po prostu czytasz wartość widżetu jak zwykłą zmienną.
import streamlit as st
st.sidebar.title('Filtry')
species = st.sidebar.selectbox(
'Wybierz gatunek:',
['Wszystkie', 'Lion', 'Elephant', 'Cheetah']
)
min_population = st.sidebar.slider(
'Minimalna populacja:', min_value=0, max_value=1000, value=100
)
show_endangered = st.sidebar.checkbox('Tylko zagrożone', value=False)Zwróć uwagę: species to nie żaden callback - to po prostu gatunek wybrany w tej chwili w liście. Przy każdej zmianie skrypt rusza od nowa, a species ma nową wartość, której użyjesz do przefiltrowania danych niżej. st.sidebar odkłada widżety do bocznego panelu, żeby nie zaśmiecały głównego widoku - to naturalne miejsce na filtry.
Wykresy - pokaż, nie opisuj
Dane w tabeli mówią mało; badacza przekonuje wykres. Streamlit przyjmuje wykresy z bibliotek, które już znasz, i wyświetla je jedną komendą.
import plotly.express as px
# Interaktywny wykres Plotly
fig = px.bar(data, x='species', y='population', color='endangered',
title='Populacje gatunków')
st.plotly_chart(fig)
# Wbudowane, najkrótsze wykresy Streamlita
st.bar_chart(data.set_index('species')['population'])Masz dwie drogi: st.plotly_chart bierze gotowy wykres z Plotly (pełna kontrola, interaktywność), a st.bar_chart rysuje prosty wykres jednym wywołaniem, gdy nie potrzebujesz szczegółów. Zasada: zacznij od wbudowanych, sięgnij po Plotly, gdy poczujesz ich ograniczenia.
Układ strony - kolumny i zakładki
Domyślnie elementy układają się jeden pod drugim. Żeby stacja wyglądała jak pulpit, a nie jak długa lista, rozkładasz je w kolumny i zakładki.
col1, col2, col3 = st.columns(3)
with col1:
st.metric('Gatunki', 150, delta=5)
with col2:
st.metric('Populacja', '12 500', delta=-200)
with col3:
st.metric('Zagrożone', 23, delta=2, delta_color='inverse')
tab1, tab2 = st.tabs(['Dane', 'Wykresy'])
with tab1:
st.dataframe(data)
with tab2:
st.bar_chart(data.set_index('species')['population'])Konstrukcja with col1: znaczy "wszystko w tym bloku trafia do pierwszej kolumny". st.metric pokazuje pojedynczą liczbę z trendem (delta) - idealne do najważniejszych wskaźników na górze pulpitu. Zakładki (st.tabs) chowają wykresy pod danymi, żeby użytkownik sam wybierał, co ogląda.
Cache - nie licz dwa razy tego samego
Pamiętasz drugą zasadę: każda interakcja uruchamia skrypt od nowa. To wygodne, ale gdyby przy każdym ruchu suwakiem od nowa wczytywać wielki plik CSV, stacja by się wlokła. Cache każe Streamlitowi zapamiętać wynik funkcji i nie liczyć go ponownie.
@st.cache_data
def load_data():
return pd.read_csv('large_safari_data.csv')
data = load_data()
st.dataframe(data)Dekorator @st.cache_data sprawia, że plik wczytuje się raz - przy kolejnych przebiegach skryptu Streamlit sięga po zapamiętany wynik. To najważniejsza optymalizacja w Streamlicie: nakładaj cache na wszystko, co jest wolne i się nie zmienia (wczytywanie danych, ciężkie obliczenia).
Wszystko razem - kompletna stacja
Zbierzmy poznane elementy w jednej działającej stacji. Przeczytaj kod od góry i zauważ, jak każdy fragment odpowiada zasadom z tej lekcji: cache na wczytywaniu danych, suwak w panelu bocznym filtrujący dane, wskaźniki na górze i dwa wykresy obok siebie.
# safari_dashboard.py
import streamlit as st
import pandas as pd
import plotly.express as px
st.set_page_config(page_title='Safari Dashboard', layout='wide')
st.title('Safari Species Dashboard')
# Sidebar filters
st.sidebar.header('Filtry')
min_pop = st.sidebar.slider('Min populacja', 0, 500, 50)
# Load data
@st.cache_data
def load_data():
return pd.DataFrame({
'species': ['Lion', 'Elephant', 'Cheetah', 'Giraffe', 'Zebra'] * 3,
'population': [120, 450, 85, 200, 380, 130, 460, 80, 210, 390, 125, 455, 82, 205, 385],
'year': [2021]*5 + [2022]*5 + [2023]*5,
'habitat': ['Savanna', 'Forest', 'Savanna', 'Savanna', 'Savanna'] * 3
})
data = load_data()
filtered = data[data['population'] >= min_pop]
# Metrics
col1, col2, col3 = st.columns(3)
col1.metric('Gatunki', filtered['species'].nunique())
col2.metric('Łączna populacja', filtered['population'].sum())
col3.metric('Średnia populacja', f"{filtered['population'].mean():.0f}")
# Charts
col1, col2 = st.columns(2)
with col1:
fig = px.bar(filtered, x='species', y='population', color='year',
title='Populacje według gatunku')
st.plotly_chart(fig, use_container_width=True)
with col2:
fig = px.pie(filtered, values='population', names='species',
title='Udział w populacji')
st.plotly_chart(fig, use_container_width=True)
# Data table
st.subheader('Dane')
st.dataframe(filtered, use_container_width=True)Prześledź przepływ: load_data jest w cache, więc ciężkie dane wczytują się raz; min_pop z suwaka filtruje je przy każdym ruchu, a wskaźniki i wykresy przeliczają się od nowa na przefiltrowanym zbiorze. To cała stacja - mniej niż 40 linii, żadnego HTML.
Pamiętaj z tej lekcji dwie zasady, a resztę dopowie dokumentacja: skrypt czytany od góry na dół jest stroną, a każda interakcja uruchamia go od nowa - widżety to po prostu zmienne z aktualnie wybraną wartością.
Hasła z dokumentacji w tej lekcji
Widzisz błąd w tej lekcji?
Sprawdź się
Odpowiedz na pytania z tej lekcji. Wybierz odpowiedź, a od razu zobaczysz, czy jest poprawna.
1. Jak uruchomić aplikację Streamlit zapisaną w pliku app.py?
2. Jak dodać element do paska bocznego w Streamlit?
To 2 z 3 pytań do tej lekcji. Pozostałe rozwiążesz w grze.
Zadania praktyczne w grze
- Układanie w poziomie
Ułóż w kolejności standardowy import biblioteki Streamlit:
- Edytor kodu
Użyj st.title(), st.write() i st.dataframe() do wyświetlenia danych.
- Układanie w pionie
Ułóż typową strukturę aplikacji Streamlit:
- Układanie w pionie
Uporzadkuj etapy budowania modelu ML:
- Układanie w poziomie
Uloz elementy tworzenia tablicy NumPy:
- Układanie w pionie
Uporzadkuj etapy analizy danych:
- Układanie w pionie
Uporzadkuj kroki tworzenia wykresu:
- Układanie w pionie
Uporzadkuj kroki pracy z DataFrame:
- Edytor kodu
Wczytaj CSV i wyswietl 5 pierwszych wierszy oraz statystyki.
- Edytor kodu
Narysuj wykres liniowy populacji gatunkow w czasie.
- Klikanie w kolejności
Kliknij w kolejnosci aby zbudowac wywolanie describe:
- Edytor kodu
Utwórz tablice z danymi populacji, oblicz statystyki i znajdź korelacje.
- Edytor kodu
Załaduj dane, sprawdź braki, analizuj rozkłady i korelacje.
- Edytor kodu
Użyj Matplotlib i Seaborn do stworzenia wykresów słupkowych, boxplotów i heatmapy.
Zadania po tej lekcji
- PytanieStreamlit st.title()
- PytanieStreamlit sidebar
- Ułóż w kolejnościImport Streamlit
- Zadanie z kodemProsta aplikacja Streamlit
- PytanieStreamlit cache
- Ułóż w kolejnościStruktura aplikacji Streamlit
- Ułóż w kolejnościPipeline uczenia maszynowego
- Ułóż w kolejnościTworzenie tablicy NumPy
- Ułóż w kolejnościPipeline analizy danych
- Ułóż w kolejnościTworzenie wykresu Matplotlib
- Ułóż w kolejnościTworzenie i eksploracja DataFrame
- Zadanie z kodemOperacje na DataFrame
- Zadanie z kodemWykres Matplotlib
- Kliknij w kolejnościMetoda df.describe()
- Zadanie z kodemProjekt: Analiza NumPy
- Zadanie z kodemProjekt: Pandas EDA
- Zadanie z kodemProjekt: Dashboard wizualizacji
- Projekt do wysłaniaWyślij projekt Data Science do mentora
- WideoPodsumowanie modulu