1 前言

📣 重要通知！在我之前的博客中，曾经介绍过Streamlit的安装方法和初步应用。如果你还没有参阅过，请先阅读这篇文章，它为我们接下来的探索铺垫了基础。🔍😊

(一) 初识Streamlit——安装以及初步应用 在这篇文章中，我向大家简要介绍了Streamlit的安装过程，并分享了一个简单应用的示例供大家参考。让我们回顾一下这篇文章：（一）初识streamlit——安装以及初步应用🚀🔗

感谢大家一直以来的支持与鼓励！接下来，我们将继续探索如何使用Streamlit创建第一个应用。请随我一同展开这个令人兴奋的旅程！💡✨

本文涉及到每章节的详细内容都会在之后的博文中讲解，这里是为了向读者展示利用streamlit搭建数据看板的完整流程

2 创建第一个应用 📝🚀

在本部分中，我们将一起探索如何使用Streamlit来创建第一个应用程序。Streamlit不仅仅是创建数据应用的一种方式，它还为我们提供了一个活跃的社区平台，让我们可以分享应用和创意，并相互帮助改进工作。赶快加入我们的社区论坛吧，我们非常乐于听取你的问题和想法，并帮助你解决困扰 —— 今天就开始吧！

首先，我们需要创建一个新的Python脚本，我们可以将其命名为 uber_pickups.py。

打开你最喜欢的集成开发环境（IDE）或文本编辑器，然后添加以下几行代码：

import streamlit as st
import pandas as pd
import numpy as np

每个优秀的应用程序都需要一个标题，因此让我们来添加一个：

/

st.title('Uber在纽约市的搭车数据')

现在，我们可以在命令行中运行Streamlit：

streamlit run uber_pickups.py

运行Streamlit应用与运行其他Python脚本没有任何区别。每当你需要查看应用程序时，只需使用这个命令即可。应用程序通常会在浏览器中自动开启一个新的选项卡。

3 获取数据 📦🔍

现在我们已经创建了一个应用程序，下一步需要做的是获取纽约市Uber的搭车和下车数据。

让我们首先编写一个功能来加载数据。我们将编写一个名为load_data的函数，该函数使用pandas库的read_csv函数从指定的URL下载数据，并将其存储在一个名为data的数据帧中。我们还将所有列名称转换为小写，并将日期/时间列转换为pandas的日期时间类型。

# 设置日期/时间列的名称
DATE_COLUMN = 'date/time'
# 定义数据集的URL地址
DATA_URL = ('https://s3-us-west-2.amazonaws.com/'
         'streamlit-demo-data/uber-raw-data-sep14.csv.gz')
# 定义加载数据的函数
def load_data(nrows):
    # 从指定URL下载数据，并将其加载到数据帧中
    data = pd.read_csv(DATA_URL, nrows=nrows)
    # 将列名称转换为小写
    lowercase = lambda x: str(x).lower()
    data.rename(lowercase, axis='columns', inplace=True)
    # 将日期/时间列转换为日期时间类型
    data[DATE_COLUMN] = pd.to_datetime(data[DATE_COLUMN])
    # 返回加载的数据帧
    return data

在上述代码中，我们使用DATA_URL变量来指定数据集的URL地址。然后，我们调用read_csv函数，并传入nrows参数来加载指定数量的行数据。

接下来，我们在应用程序中使用这个函数来加载实际的数据。我们创建一个文本元素data_load_state，用于在应用程序中显示加载数据的状态信息。然后，我们调用load_data函数，并传入10000作为要加载的行数。一旦数据加载完成，我们使用text方法来更新data_load_state文本元素的内容，提示数据加载已完成。

/

# 创建一个文本元素，告诉读者数据正在加载中。
data_load_state = st.text('正在加载数据...')
# 加载10,000行数据到数据帧中。
data = load_data(10000)
# 通知读者数据已成功加载。
data_load_state.text('加载数据...完成！')

最后，我们通过运行streamlit run命令来启动应用程序，并选择"Always Rerun"选项。这样，当对应用程序进行任何更改并保存后，它都会自动重新加载，并显示数据加载的状态信息。

4 函数缓存🚀🔍📊

缓存是一种性能优化技术，可以将函数计算的结果保存在内存中，以便在下次调用时快速获取。而Streamlit的缓存功能非常简单，只需要使用@st.cache装饰器即可激活。

使用@st.cache装饰器标记一个函数后，Streamlit会自动管理函数的缓存。在函数调用时，Streamlit会检查两个方面：

（1）使用的输入参数：如果提供的参数值与之前的一样，Streamlit会直接从缓存中获取结果，而不会重新计算。

（2）函数内部的代码：如果代码没有发生变化，Streamlit也会从缓存中获取结果，从而避免重复计算。

使用缓存功能有很多好处。特别是对于加载大型数据集或进行耗时计算的情况下，缓存可以显著提高应用程序的性能和响应速度。通过避免重复计算，我们可以使应用程序更加高效。

要使用缓存功能，只需在函数定义之前使用@st.cache装饰器标记函数即可。这一行简单的代码就可以为你的应用程序带来神奇的缓存效果。

5 赏析原始数据 ✨🎉

在开始处理数据之前，咱们得先瞄一眼要处理的原始数据，这是个非常不错的主意哦！那么咱们来为应用程序添加一个炫酷的副标题，并将原始数据打印出来：

/

import streamlit as st
# 添加子标题
st.subheader('原始数据')
# 打印原始数据
st.write(data)

在上面的代码中，我们使用st.subheader()函数添加了一个子标题，以强调原始数据的重要性。然后，使用st.write()函数将数据打印出来。有趣的是，st.write()函数可以渲染几乎任何你传递给它的内容。

st.write()函数会根据数据类型的不同尝试展示最合适的方式。如果它没有按照你的预期工作，你可以尝试使用专门的命令，如st.dataframe()来显示数据框。完整的命令列表可以查看 API 参考文档。

通过观察原始数据，你可以对数据的结构和特征有一个初步的了解。这对于理解数据和选择适当的分析方法非常重要。

6 绘制直方图 📊✨

现在，我们将进一步分析数据集，通过绘制直方图来了解Uber在纽约市最繁忙的小时段。

首先，在原始数据部分下面添加一个子标题：

st.subheader('每小时乘车次数')

接下来，使用NumPy生成一个直方图，按小时统计乘车时间：

# 使用NumPy生成一个直方图，按小时统计乘车时间
hist_values = np.histogram(
    data[DATE_COLUMN].dt.hour, bins=24, range=(0,24))[0]

这段代码使用NumPy库生成了直方图的值，将乘车时间按小时进行分类并统计出现的次数。

现在，让我们使用Streamlit的st.bar_chart()方法来绘制直方图：

# 通过Streamlit的st.bar_chart()方法绘制直方图
st.bar_chart(hist_values)

保存你的脚本。这个直方图应该会立即显示在你的应用程序中。经过快速查看，我们可以看到最繁忙的时间是下午17点（5点）。