Streamlit入门指南

本文涉及的产品
云数据库 Tair(兼容Redis),内存型 2GB
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
简介: Streamlit是Python库,用于创建交互式数据科学和机器学习Web应用。它简化了定制Web应用的创建,提供内置小部件和工具进行数据展示、用户输入处理和自定义可视化。快速入门涉及安装Streamlit、导入库、定义应用并使用`streamlit run`命令运行。示例代码展示了如何创建一个显示滑块和正弦图的应用。最佳实践包括组织代码、利用缓存、优化布局以及使用内置功能。Streamlit Gallery提供了更多应用示例,如文本生成器和图像分类器。

Streamlit介绍

Streamlit是一个Python库,允许您创建交互式的数据科学和机器学习Web应用程序。使用Streamlit,您可以快速轻松地创建自定义Web应用程序,让用户与您的数据和模型进行交互。

Streamlit旨在简单直观,专注于通过几行代码轻松创建美观和功能强大的应用程序。它包括广泛的内置小部件和工具,用于显示数据,处理用户输入和创建自定义可视化。

快速入门指南

要开始使用Streamlit,请按照以下步骤操作:

使用pip安装Streamlit:pip install streamlit 创建一个新的Python文件并导入Streamlit:import streamlit as st 使用Streamlit的API定义您的应用程序,其中包括用于创建小部件,显示数据和处理用户输入的函数。 使用命令streamlit run <filename.py>运行您的应用程序。 以下是一个简单的Streamlit应用程序示例,显示滑块小部件和绘图:

python

复制代码

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt

# 定义滑块小部件
x = st.slider('选择x的值', 0.0, 10.0, 5.0)

# 根据滑块值创建绘图
y = np.sin(x)
plt.plot(x, y)
st.pyplot()

该应用程序显示一个滑块小部件,允许用户选择x的值,然后根据该值显示正弦函数的绘图。您可以将此应用程序保存为Python文件(例如myapp.py),然后在终端中运行命令streamlit run myapp.py来运行该应用程序。

最佳实践

以下是使用Streamlit时应记住的最佳实践:

保持代码组织和模块化,清晰分离应用程序的不同组件。 使用Streamlit的缓存功能来提高性能并避免不必要的计算。 使用Streamlit的布局选项创建干净直观的用户界面。 尽可能使用Streamlit的内置小部件和工具,而不是重新发明轮子。 充分测试您的应用程序,包括边缘情况和错误处理。 考虑使用像Git这样的版本控制系统来管理您的代码并与他人合作。 通过遵循这些最佳实践,您可以创建高质量的Streamlit应用程序,易于使用,维护和扩展。

其它一些有趣的例子

Streamlit官方有一个应用程序和图表库 Streamlit Gallery,其中包括各种各样的示例,从简单的小部件到复杂的机器学习模型。

下面基于我最近的学习,提供两个有趣的实例。

文本生成器

python

复制代码

import streamlit as st
import markovify

# 读取文本文件
with open("text.txt") as f:
    text = f.read()

# 使用Markov模型生成文本
text_model = markovify.Text(text)

# 创建Streamlit应用程序
st.title("文本生成器")
with st.form(key='my_form'):
    submit_button = st.form_submit_button(label='生成文本')
    if submit_button:
        # 生成文本
        generated_text = text_model.make_sentence()
        # 显示生成的文本
        st.write(generated_text)

这个应用程序使用Markov模型生成文本。用户可以上传自己的文本文件,然后使用应用程序生成新的文本。应用程序使用Streamlit的表单小部件来处理用户输入和提交。

图像分类器

python

复制代码

import streamlit as st
import tensorflow as tf
from PIL import Image
import numpy as np

# 加载模型
model = tf.keras.models.load_model('model.h5')

# 创建Streamlit应用程序
st.title("图像分类器")
uploaded_file = st.file_uploader("上传一张图片", type=["jpg", "jpeg", "png"])
if uploaded_file is not None:
    # 加载图像
    image = Image.open(uploaded_file)
    # 调整图像大小
    image = image.resize((224, 224))
    # 转换为NumPy数组
    image_array = np.array(image)
    # 扩展维度
    image_array = np.expand_dims(image_array, axis=0)
    # 预测图像类别
    predictions = model.predict(image_array)
    # 获取最高概率的类别
    predicted_class = np.argmax(predictions[0])
    # 显示预测结果
    st.write("预测结果:", predicted_class)

这个应用程序使用TensorFlow模型来对上传的图像进行分类。用户可以上传一张图像,然后应用程序将使用模型对图像进行分类,并显示预测结果。应用程序使用Streamlit的文件上传小部件来处理用户输入。

转载来源:https://juejin.cn/post/7275595720488009740

相关文章
|
存储 设计模式 前端开发
Streamlit应用中构建多页面(三):两种方案(上)
Streamlit应用中构建多页面(三):两种方案
3770 0
|
定位技术
Streamlit的第一个应用(二)(下)
Streamlit的第一个应用(二)
444 0
|
存储 缓存 数据可视化
(七)解析Streamlit的数据元素:探索st.dataframe、st.data_editor、st.column_config、st.table、st.metric和st.json的神奇之处(上)
(七)解析Streamlit的数据元素:探索st.dataframe、st.data_editor、st.column_config、st.table、st.metric和st.json的神奇之处
6246 0
|
机器学习/深度学习 JavaScript Python
Streamlit应用打包发布
搞事情还是非常累的,那么这里的话就简单更新一下使用实用一点的文章。这也是在实际过程当中遇到了很多问题,最终才解决之后的一篇经验文吧。 打包准备 这里我使用到的打包软件还是Pyinstaller ,通过这个来对其进行打包,软件本体大概是长这个样子:
|
9月前
|
Python
使用pycharm 开发streamlit的项目启动
要在 PyCharm 中配置 Streamlit 环境并调试应用,请按以下步骤操作:1. 确保 PyCharm 配置了 Python 解释器并安装 Streamlit 包(File -&gt; Settings -&gt; Project -&gt; Python Interpreter)。2. 配置调试运行设置(Run -&gt; Edit Configurations,添加 Python 配置并命名)。3. 选择新配置并点击调试按钮启动应用。
891 23
|
10月前
|
数据可视化 前端开发 数据安全/隐私保护
Streamlit快速构建数据应用程序
【10月更文挑战第21天】Streamlit 是一个开源的 Python 库,用于快速构建数据应用程序。它简化了数据可视化的开发过程,允许用户通过简单的 Python 脚本创建交互式应用,而无需编写复杂的前端代码。本文介绍了 Streamlit 的基本概念、安装方法、示例应用的创建、扩展功能及部署方法,展示了其在 Python 可视化领域的潜力和优势。
|
数据可视化 安全 数据挖掘
streamlit (python构建web)之环境搭建
在微信订阅号中发现了一篇关于Streamlit的文章,激发了我的兴趣。Streamlit是一款专为数据科学家设计的开源Python库,能迅速将数据分析脚本转变为功能完备的Web应用。它简化了开发流程,支持轻松添加交互组件及动态展示图表、图像等,非常适合开发安全扫描工具。Streamlit基于Jupyter Notebook原理,通过Python脚本创建可视化和交互式的Web应用,易于部署分享。安装方法多样,可通过`pip install streamlit`快速安装,或通过Anaconda环境管理依赖。启动示例应用只需运行简单命令,即可体验自带的动画、绘图和数据展示等功能。
1123 1
streamlit (python构建web)之环境搭建
|
11月前
|
数据采集 前端开发 算法
Python Requests 的高级使用技巧:应对复杂 HTTP 请求场景
本文介绍了如何使用 Python 的 `requests` 库应对复杂的 HTTP 请求场景,包括 Spider Trap(蜘蛛陷阱)、SESSION 访问限制和请求频率限制。通过代理、CSS 类链接数控制、多账号切换和限流算法等技术手段,提高爬虫的稳定性和效率,增强在反爬虫环境中的生存能力。文中提供了详细的代码示例,帮助读者掌握这些高级用法。
625 1
Python Requests 的高级使用技巧:应对复杂 HTTP 请求场景
|
缓存 安全 Docker
Docker 部署Streamlit项目 | Streamlit如何部署到云服务器
Docker 部署Streamlit项目 | Streamlit如何部署到云服务器
|
存储 编解码 API
python多种方法压缩图片,opencv、PIL、tinypng、pngquant压缩图片
python多种方法压缩图片,opencv、PIL、tinypng、pngquant压缩图片
868 1