如何用简单的Python编写Web应用程序？（用python做web）

全文共6260字，预计学习时长13分钟

不了解任何网页框架？没关系，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

稍作休息，开始编码。

机器学习项目只有充分展示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作或简单的PPT就足够了，但现在随着像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需要掌握一定的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作时，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说，Web开发只是次要技能，所以更别提尝试多种途径做这一件事了，会让这些人不知所措的。

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

于是StreamLit带着自身的使命出现了，它仅借助Python就能够创建Web应用程序。

Python的宗旨：简单胜于复杂，而Streamlit创建应用程序则完美地诠释了其易操作性。

这篇文将为大家讲解何使用Streamlit来创建支持数据科学项目的应用程序。

安装

安装步骤跟运行指令一样简单：

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：

可以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旨在通过简单的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。只需要复制粘贴下面这个代码到“helloworld.py”的文件夹中即可。

import streamlit as st

x = st.slider(\’x\’)

st.write(x, \’squared is\’, x * x)

然后到最后运行阶段时：

streamlit run helloworld.py

看吧，浏览器连接到localhost:8501，就可以看到执行中的程序，滑动鼠标就可以得到结果。

简单的滑块插件应用程序

操作非常简单。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：大家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，它们都是用户在操作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)

在上文已经目睹了st.slider的执行过程，它可以结合min_value、max_value使用，用于进一步得到一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，需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：可以只改变helloworld.py文件然后刷新页面。笔者的做法是打开该文件然后在文本编辑器中改动，再一点一点查看变动的地方。

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，另一个用途是设置函数的布尔参数值。st.checkbox() 需要一个参数，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

通过st.selectbox可以在一系列选项或列表中进行选择。常见的用法是将其作为下拉项然后从名单中挑选值。

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

也可以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作为列表。

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

一步步创建应用程序

重要插件了解的也差不多了，现在马上要用多个插件创建应用程序。

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很多。

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，但目前看起来似乎太基础了。是否可以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也可以，只不过没有详细说明。也存在一些内嵌式图表，相当于Streamlit“自带”的，比如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代码操作。

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动时，整个应用程序就会由上至下地运行。其实并不可行，因为创建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，但凡值有所变动时，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，至于大规模或需要进行很多步处理的数据，它是不予理睬的。接下来在Streamlit中通过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，只需要运行一次，此时可以用：

@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，无论这个函数是否执行，都会检查输入的参数值（由该函数处理的）。

如果Streamlit之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，倘若还是这些参数，Streamlit就会完全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

为了根据个人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，比如像Rshiny仪表盘。这非常简单，只需在插件代码中添加 st.sidebar即可。

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标记语言可以吗？

笔者特别喜欢在Markdown里编辑文字，因为发现相比HTML，它少了那些繁琐的操作，而且更能胜任数据科学的任务。所以读者也能在Streamlit程序中应用Markdown吗？

答案是可以。而且是有迹可循的。在笔者看来，最合适的就是调用Magic指令。通过该指令，用户做标记语言就会像写评论一样简单。用户也可以使用指令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已经介绍了整个创建应用程序的步骤，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创建，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爱，而且发现这用起来比Dash还顺手，笔者创建新程序之前一直用的是Dash。读者们也可以在自己的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。

以前笔者遇到任何变动或问题，都需要请教身边的程序猿朋友；而现在，完全不会这么麻烦了。

笔者的目标是从现在开始，在工作流中多用这个程序。即便是不难的任务，也会考虑用它，笔者觉得你也可以。

虽然笔者还未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说，它算得上是福音了。笔者的目标是从现在开始，在工作流中多用这个程序。即便是不难的任务，也会考虑用它，笔者觉得你也可以。

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

留言 点赞 关注

我们一起分享AI学习与发展的干货

如需转载，请后台留言，遵守转载规范