streamlit框架，無需懂前端也能搭建出精美的web網站頁面

雲端運算與程式碼 2024年04月28日 06:25 765 品悟

本文摘要

Streamlit是一個強大的web可視化工具，專為機器學習工程師和數據科學家設計。它簡化了數據科學模型到web應用的轉換過程，無需前端知識即可快速構建和分享精美應用。Streamlit支持多種輸入控件和數據可視化，實時預覽和自動布局，可輕松部署到雲平臺。其易用性、靈活性和社區支持受到廣泛青睞。

Streamlit框架確實是一個強大的web可視化工具，它無需深入的前端知識也能幫助用戶搭建出精美的web網站頁面。以下是關於Streamlit框架的詳細介紹：

Streamlit是一個免費的開源框架，專為機器學習工程師和數據科學家設計，用於快速構建和共享數據科學Web應用程序。其設計哲學是簡潔高效，通過減少樣板代碼的使用，使數據驅動的應用開發變得前所未有地簡單。

streamlit框架，無需懂前端也能搭建出精美的web網站頁面第1张

使用Streamlit，用戶只需幾行代碼就可以創建一個外觀驚艷的應用程序。它支持多種輸入控件和數據可視化工具，讓用戶能夠與數據和模型進行互動。此外，Streamlit應用可以輕松部署到雲平臺，如Heroku、AWS、Google Cloud等，使團隊和客戶能夠輕松訪問。

Streamlit的主要特點包括：

1. 簡單易用：無需編寫HTML、CSS或JavaScript，即可通過簡單的Python腳本創建應用。

2. 實時預覽：在編輯代碼時，Streamlit會自動重新加載應用程序，用戶可實時查看更改的效果。

3. 自動布局：Streamlit會根據不同的屏幕和設備自動調整布局和大小。

4. 數據可視化：支持創建各種類型的數據可視化，如圖表、地圖和圖像。

5. 雲端部署：可以輕松部署到雲端平臺，便於團隊協作和分享。

總的來說，Streamlit是一個非常有用的工具，它能夠幫助數據科學家和開發人員更快地將研究成果轉化為實際應用，並且由於其易用性、靈活性和強大的社區支持，受到了開發者的廣泛青睞。

以下是一個使用Streamlit框架創建簡單web應用的例子：

例子：

假設你是一名數據科學家，最近完成了一個預測房價的機器學習模型。你想將這個模型展示給團隊成員或潛在用戶，並允許他們通過界面輸入新的房屋數據來預測房價。

使用Streamlit，你可以編寫一個簡單的Python腳本，該腳本加載你的模型，並創建一個web界面來接收用戶輸入並顯示預測結果。

python

import streamlit as st
import pandas as pd
from sklearn.externals import joblib

加載模型

model = joblib.load('house_price_model.pkl')

創建一個側邊欄來選擇特征

st.sidebar.title('輸入房屋信息')
bedrooms = st.sidebar.number_input('臥室數', min_value=1, max_value=10)
bathrooms = st.sidebar.number_input('浴室數', min_value=1, max_value=5)
area = st.sidebar.number_input('房屋面積（平方米）', min_value=50, max_value=500)

將用戶輸入轉換為DataFrame

input_data = pd.DataFrame([[bedrooms, bathrooms, area]], columns=['bedrooms', 'bathrooms', 'area'])

使用模型進行預測

prediction = model.predict(input_data)

顯示預測結果

st.title('預測房價')
st.write(f'預測的房價為: ${prediction[0]:.2f}')

解釋：

在這個例子中，Streamlit簡化了從數據科學模型到web應用的轉換過程。用戶無需具備前端開發經驗，只需編寫Python代碼來定義應用的邏輯和界面。

1. `import`語句用於導入必要的庫，包括Streamlit和用於加載模型的`joblib`。

2. 使用`st.sidebar`來創建一個側邊欄，其中包含了用戶需要輸入的數據項：臥室數、浴室數和房屋面積。每個輸入項都是一個交互式組件，用戶可以實時修改它們的值。

3. 用戶輸入的數據被收集到一個Pandas DataFrame中，這個DataFrame隨後被用作機器學習模型的輸入。

4. 模型對輸入數據進行預測，並將預測結果存儲在`prediction`變量中。

5. 最後，使用`st.title`和`st.write`來在應用的主體部分顯示標題和預測結果。

通過運行這個Python腳本，Streamlit會自動啟動一個web服務器，並在本地瀏覽器中打開一個窗口，顯示創建的web應用。用戶可以與側邊欄中的輸入控件交互，應用會實時顯示模型預測出的房價。

這個例子展示了Streamlit的強大功能，即使用戶不具備前端開發的知識，也能夠快速地開發出交互式的web應用，從而展示和分析機器學習模型的結果。

在這個例子中，Streamlit的主要作用體現在以下幾個方面：

1. 提供交互式界面：Streamlit為Python腳本提供了一個交互式的web界面，使得用戶可以輕松地在瀏覽器中與腳本進行交互。用戶可以通過側邊欄輸入數據，然後立即看到模型基於這些數據做出的預測結果。這種實時反饋大大提高了用戶體驗，使得數據分析和模型預測變得更加直觀和便捷。

2. 簡化web應用開發：傳統的web應用開發需要涉及HTML、CSS和JavaScript等前端技術，這對於主要關註數據分析和模型構建的數據科學家來說可能是個挑戰。Streamlit通過隱藏這些前端細節，使得用戶只需關註Python腳本的邏輯和內容，而無需擔心如何構建和部署web應用。這大大降低了web應用開發的門檻，使得更多人能夠輕松地分享他們的數據和模型。

3. 自動處理布局和樣式：Streamlit會自動處理web應用的布局和樣式，用戶無需編寫任何HTML或CSS代碼。Streamlit根據輸入的類型和內容自動選擇合適的布局方式，並應用默認的樣式，使得應用看起來整潔且專業。當然，用戶也可以通過Streamlit提供的API來定制樣式和布局，以滿足特定的需求。

4. 集成數據分析工具：Streamlit集成了許多常用的數據分析工具，如數據可視化庫（如Matplotlib、Plotly等）和數據處理庫（如Pandas等）。這使得用戶可以在同一個應用中同時展示數據分析結果和模型預測結果，從而更全面地展示數據和模型的價值。

5. 支持快速部署和分享：使用Streamlit創建的應用可以輕松部署到本地服務器或雲端平臺，使得其他人能夠訪問和使用這些應用。這大大簡化了應用的分享和協作過程，使得團隊成員、合作拍檔或客戶能夠輕松地訪問和交互你的數據和模型。

總的來說，Streamlit通過提供交互式界面、簡化web應用開發、自動處理布局和樣式、集成數據分析工具以及支持快速部署和分享等功能，使得數據科學家和開發人員能夠更快速、更便捷地將他們的數據和模型轉化為交互式的web應用，從而更好地分享和展示他們的研究成果。