Kurs Python · Moduł 8: Data Science

Streamlit - stacja badawcza w przeglądarce

5 min czytania ·
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 streamlit

Najważniejsza 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.py

Streamlit 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. 1. Jak uruchomić aplikację Streamlit zapisaną w pliku app.py?

  2. 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.

  1. PytanieStreamlit st.title()
  2. PytanieStreamlit sidebar
  3. Ułóż w kolejnościImport Streamlit
  4. Zadanie z kodemProsta aplikacja Streamlit
  5. PytanieStreamlit cache
  6. Ułóż w kolejnościStruktura aplikacji Streamlit
  7. Ułóż w kolejnościPipeline uczenia maszynowego
  8. Ułóż w kolejnościTworzenie tablicy NumPy
  9. Ułóż w kolejnościPipeline analizy danych
  10. Ułóż w kolejnościTworzenie wykresu Matplotlib
  11. Ułóż w kolejnościTworzenie i eksploracja DataFrame
  12. Zadanie z kodemOperacje na DataFrame
  13. Zadanie z kodemWykres Matplotlib
  14. Kliknij w kolejnościMetoda df.describe()
  15. Zadanie z kodemProjekt: Analiza NumPy
  16. Zadanie z kodemProjekt: Pandas EDA
  17. Zadanie z kodemProjekt: Dashboard wizualizacji
  18. Projekt do wysłaniaWyślij projekt Data Science do mentora
  19. WideoPodsumowanie modulu

Przydatne artykuły