如何用简单的Python编写Web应用程序？

全文共6260字，预计学习时长13分钟

不了解任何网页框架？不要紧，本文将教你如何轻松搞定从数据科学项目到超棒程序的无缝转换。

图片来源：Cody Black Unsplash

稍做休息，开始编码。

机器学习项目只有充分展现给公众时才称得上是完整的项目。

过去在介绍数据科学项目时，选择合适的可视化操做或简单的PPT就足够了，但如今随着像RShiny和Dash这类仪表盘化工具的出现，一名合格的数据科学家也须要掌握必定的Web框架的知识。

可Web框架也不是块好啃的骨头。笔者在尝试一些看似简单的操做时，仍会被HTML、CSS和Javascript等搞得晕头转向，于数次实践中尝遍失败的滋味。

对数据科学同胞们来讲，Web开发只是次要技能，因此更别提尝试多种途径作这一件事了，会让这些人不知所措的。

那咱们就注定避免不了Web框架的学习之路吗？仍是说大半夜的给开发人员打电话问一些很蠢的问题？

因而StreamLit带着自身的使命出现了，它仅借助Python就可以建立Web应用程序。

Python的宗旨：简单胜于复杂，而Streamlit建立应用程序则完美地诠释了其易操做性。

这篇文将为你们讲解何使用Streamlit来建立支持数据科学项目的应用程序。

安装

安装步骤跟运行指令同样简单：

pip install streamlit

查看是否安装成功时只需运行：

streamlit hello

屏幕上应该显示的是：

能够在浏览器中访问本地URL：localhost:8501，来查看执行中的Streamlit应用程序。开发人员那里也有许多很棒的样本可供尝试。

Streamlit“你好，世界”

Streamlit旨在经过简单的Python代码实现简单的程序开发。

那就设计一款简单的应用程序，看看它是否真的像它说的那样。

从Streamlit的名为“hello，world”的程序入手，这个程序并不复杂。只须要复制粘贴下面这个代码到“helloworld.py”的文件夹中便可。

import streamlit as st

x = st.slider('x')

st.write(x, 'squared is', x * x)

而后到最后运行阶段时：

streamlit run helloworld.py

看吧，浏览器链接到localhost:8501，就能够看到执行中的程序，滑动鼠标就能够获得结果。

简单的滑块插件应用程序

操做很是简单。在构建上图应用程序时，用到了Streamlit的两个特性：

• st.slider插件——滑动改变Web应用程序的输出内容。

• 以及通用的st.write 指令。笔者对于它能从图标、数据框和简单的文本中编写任何东西感到惊讶。后面会有详细介绍。

敲黑板：你们要记住每次改变插件值时，整个应用程序都会由上至下运行。

Streamlit插件

插件提供了控制应用程序的方法，阅读了解插件的最佳选择就是API参考文档，不过笔者这里也会讲解一些插件，它们都是用户在操做后期会用的最主要的插件。

1. 滑块

streamlit.slider(label, min_value=None, max_value=None, value=None, step=None, format=None)

在上文已经目击了st.slider的执行过程，它能够结合min_value、max_value使用，用于进一步获得必定范围内的输入内容。

2. 文本输入

获取用户输入最简单的方式是输入URL或一些用于分析情绪的文本内容，须要的只是一个用来命名文本框的标签。

import streamlit as st

url = st.text_input('Enter URL')

st.write('The Entered URL is', url)

看到的程序将是这样：

简单的text_input widget程序

贴士：能够只改变helloworld.py文件而后刷新页面。笔者的作法是打开该文件而后在文本编辑器中改动，再一点一点查看变更的地方。

3. 复选框

复选框的一个功能就是隐藏或显示/隐藏程序中的特定区域，另外一个用途是设置函数的布尔参数值。st.checkbox() 须要一个参数，即插件标签。在该应用程序中，复选框会用来切换条件语句。

import streamlit as st

import pandas as pd

import numpy as np

df = pd.read_csv("football_data.csv")

if st.checkbox('Show dataframe'):

st.write(df)

简单的复选框插件应用程序

4. 下拉框插件

经过st.selectbox能够在一系列选项或列表中进行选择。常见的用法是将其做为下拉项而后从名单中挑选值。

import streamlit as st

import pandas as pd

import numpy as np

df = pd.read_csv("football_data.csv")option = st.selectbox(

'Which Club do you like best?',

df['Club'].unique())

'You selected: ', option

简单的下拉框/复选框插件程序

5. 多选插件

也能够用下拉框内的多个值。这里讲的是使用 st.multiselect在变量选选中获取多个值做为列表。

import streamlit as st

import pandas as pd

import numpy as np

df = pd.read_csv("football_data.csv")

options = st.multiselect(

'What are your favorite clubs?', df['Club'].unique())

st.write('You selected:', options)

简单的下拉框插件应用程序

一步步建立应用程序

重要插件了解的也差很少了，如今立刻要用多个插件建立应用程序。

从简单的步骤入门，尝试使用Streamlit对足球数据进行可视化。有了上面那些插件，这个步骤执行起来会容易不少。

import streamlit as st

import pandas as pd

import numpy as np

df = pd.read_csv("football_data.csv")

clubs = st.multiselect('Show Player for clubs?', df['Club'].unique())

nationalities = st.multiselect('Show Player from Nationalities?', df['Nationality'].unique())

# Filter dataframe

new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]

# write dataframe to screen

st.write(new_df)

简单的应用程序会是这样的：

同时使用多个插件

这一点也不难，但目前看起来彷佛太基础了。是否能够考虑加入一些图表呢？

Streamlit当前支持许多用于绘图的库，其中就有Plotly, Bokeh, Matplotlib, Altair和Vega图表。Plotly Express也能够，只不过没有详细说明。也存在一些内嵌式图表，至关于Streamlit“自带”的，好比st.line_chart 和st.area_chart.

此时会用到plotly_express，下面是设计程序会用到的代码。该过程只会调用Streamlit四次。剩下的都是一些简单的Python代码操做。

import streamlit as st

import pandas as pd

import numpy as np

import plotly_express as px

df = pd.read_csv("football_data.csv")

clubs = st.multiselect('Show Player for clubs?', df['Club'].unique())

nationalities = st.multiselect('Show Player from Nationalities?', df['Nationality'].unique())new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]

st.write(new_df)

# create figure using plotly express

fig = px.scatter(new_df, x ='Overall',y='Age',color='Name')

# Plot!

st.plotly_chart(fig)

添加图表

改进

在本文一开始有提到插件每次发生变更时，整个应用程序就会由上至下地运行。其实并不可行，由于建立的应用程序会保留下深度学习模型或复杂的机器学习模型。接下来在讲Streamlit的缓存时会向读者阐释这一点。

1. 缓存

在这个简单的程序里，但凡值有所变更时，数据科学家们就会反复浏览数据框。它比较适用于用户手中的小规模数据，至于大规模或须要进行不少步处理的数据，它是不予理睬的。接下来在Streamlit中经过st.cache装饰器函数体验缓存的功能吧。

import streamlit as st

import pandas as pd

import numpy as np

import plotly_express as px

df = st.cache(pd.read_csv)("football_data.csv")

或者是复杂一些、时间耗费久一些的函数，只须要运行一次，此时能够用：

@st.cache

def complex_func(a,b):

DO SOMETHING COMPLEX

# Won't run again and again.

complex_func(a,b)

用Streamlit的缓存装饰器标记函数时，不管这个函数是否执行，都会检查输入的参数值（由该函数处理的）。

若是Streamlit以前没有处理过这些数据，它会调用函数并将运算结果存到本地缓存中。

下次再调用函数时，假若仍是这些参数，Streamlit就会彻底跳过这一块的函数执行，直接用缓存器里的结果数据。

2. 侧边栏

为了根据我的的倾向需求使界面更加简洁，用户可能会想着把插件移动到侧边栏内，好比像Rshiny仪表盘。这很是简单，只需在插件代码中添加 st.sidebar便可。

import streamlit as st

import pandas as pd

import numpy as np

import plotly_express as px

df = st.cache(pd.read_csv)("football_data.csv")

clubs = st.sidebar.multiselect('Show Player for clubs?', df['Club'].unique())

nationalities = st.sidebar.multiselect('Show Player from Nationalities?', df['Nationality'].unique())

new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]

st.write(new_df)

# Create distplot with custom bin_size

fig = px.scatter(new_df, x ='Overall',y='Age',color='Name')

# Plot!

st.plotly_chart(fig)

将插件移动到侧边栏内

3. Markdown标记语言能够吗？

笔者特别喜欢在Markdown里编辑文字，由于发现相比HTML，它少了那些繁琐的操做，并且更能胜任数据科学的任务。因此读者也能在Streamlit程序中应用Markdown吗？

答案是能够。并且是有迹可循的。在笔者看来，最合适的就是调用Magic指令。经过该指令，用户作标记语言就会像写评论同样简单。用户也可使用指令st.markdown。

import streamlit as st

import pandas as pd

import numpy as np

import plotly_express as px'''

# Club and Nationality App

This very simple webapp allows you to select and visualize players from certain clubs and certain nationalities.

'''

df = st.cache(pd.read_csv)("football_data.csv")

clubs = st.sidebar.multiselect('Show Player for clubs?', df['Club'].unique())

nationalities = st.sidebar.multiselect('Show Player from Nationalities?', df['Nationality'].unique())new_df = df[(df['Club'].isin(clubs)) & (df['Nationality'].isin(nationalities))]

st.write(new_df)

# Create distplot with custom bin_size

fig = px.scatter(new_df, x ='Overall',y='Age',color='Name')

'''

### Here is a simple chart between player age and overall

'''

st.plotly_chart(fig)

最终的样品

总结

Streamlit已经介绍了整个建立应用程序的步骤，笔者真没什么可补充的了。

这篇文章中讲述了一个简单网页程序的建立，但有太多未知数了。举个例子，在Streamlit网站碰到GAN时，只会选择插件和缓存的指导思想。

笔者对程序的默认颜色和风格很喜好，并且发现这用起来比Dash还顺手，笔者建立新程序以前一直用的是Dash。读者们也能够在本身的Streamlit程序中加上音频和视频项。

最重要的是，Streamlit是一款免费的开源软件，而不是开箱即用的私人网络应用。

之前笔者遇到任何变更或问题，都须要请教身边的程序猿朋友；而如今，彻底不会这么麻烦了。

笔者的目标是从如今开始，在工做流中多用这个程序。即使是不难的任务，也会考虑用它，笔者以为你也能够。

虽然笔者还不曾想过在生产环境下它执行的好坏，但对于概念项目和演示的小型验证来讲，它算得上是福音了。笔者的目标是从如今开始，在工做流中多用这个程序。即使是不难的任务，也会考虑用它，笔者以为你也能够。

完整代码：https://github.com/MLWhiz/streamlit_football_demo

留言 点赞 关注

咱们一块儿分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一块儿讨论最新鲜的人工智能科技哦～）