Streamlit ist eine hervorragende Wahl für alle, die schnell und unkompliziert Datenvisualisierungen erstellen möchten, selbst wenn sie nur wenig Erfahrung mit der Programmierung von Web-Frontends haben. Es eignet sich ideal für Prototyping und schnelle Visualisierungen, da es den Aufwand reduziert und ermöglicht, sich auf das Wesentliche zu konzentrieren – die Daten.
Was kann man damit machen
Die Streamlit App Gallery, vermittelt einen guten Eindruck, wie vielseitig Streamlit einsetzbar ist. Dort findest du eine Vielzahl von Community-Beispielen samt Source Code, die als Inspiration für eigene Projekte dienen können.
Components
Streamlit bietet ein modulares System an, mit dem sich Apps mit bestehenden Third-Party Components erweitern lassen. Siehe: https://streamlit.io/components.
Diese Komponenten, die unter anderem von namhaften Contributoren wie Facebook stammen, sind gerankt, sodass deren Qualität leicht einzuschätzen ist.
Einstieg
Eine erste App erstellen:
Ein guten und schnellen Start bietet das Streamlit-Tutorial. In wenigen Zeilen Code kannst du eine Mini-App schreiben, die Daten abruft, cached und auf einer Karte als Chart darstellt. Desweiteren bietet sie UI-Elemente wie Slider zum Filtern der Daten und einen Button zum Ein- und Ausblenden der Rohdaten. Am Ende erfährst du, wie du deine App kostenlos auf https://share.streamlit.io veröffentlichen kannst.
Hier der komplette Quellcode:
import streamlit as st
import pandas as pd
import numpy as np
st.title('Uber pickups in NYC')
DATE_COLUMN = 'date/time'
DATA_URL = ('https://s3-us-west-2.amazonaws.com/'
'streamlit-demo-data/uber-raw-data-sep14.csv.gz')
@st.cache_data
def load_data(nrows):
data = pd.read_csv(DATA_URL, nrows=nrows)
lowercase = lambda x: str(x).lower()
data.rename(lowercase, axis='columns', inplace=True)
data[DATE_COLUMN] = pd.to_datetime(data[DATE_COLUMN])
return data
data_load_state = st.text('Loading data...')
data = load_data(10000)
data_load_state.text("Done! (using st.cache_data)")
if st.checkbox('Show raw data'):
st.subheader('Raw data')
st.write(data)
st.subheader('Number of pickups by hour')
hist_values = np.histogram(data[DATE_COLUMN].dt.hour, bins=24, range=(0,24))[0]
st.bar_chart(hist_values)
# Some number in the range 0-23
hour_to_filter = st.slider('hour', 0, 23, 17)
filtered_data = data[data[DATE_COLUMN].dt.hour == hour_to_filter]
st.subheader('Map of all pickups at %s:00' % hour_to_filter)
st.map(filtered_data)
30 Days of Streamlit:
Für einen tieferen Einstieg eignet sich das interaktive Tutorial “30 Days of Streamlit”, das in 30 täglichen Häppchen umfassendes Wissen vermittelt.
Fazit
Streamlit ist ein großartiges Tool mit umfassender Dokumentation, und es lohnt sich definitiv, einen Blick darauf zu werfen. Es bietet Entwickelnden eine effiziente Möglichkeit, Daten schnell und ansprechend zu präsentieren.
