python現在已經成為很多程序員關注的編程語言之一，很多程序員也都開始弄python編程，並且很多時候都會用自己的操作來選擇，而現在不管是程序員還是少兒編程，都會有python這門課，今天就和大家分享一下。
安裝
安裝步驟跟運行指令一樣簡單：
pip install streamlit
查看是否安裝成功時只需運行：
streamlit hello
屏幕上應該顯示的是：
可以在瀏覽器中訪問本地URL：localhost:8501，來查看執行中的Streamlit應用程序。開發人員那里也有許多很棒的樣本可供嘗試。
Streamlit“你好，世界”
Streamlit旨在通過簡單的Python代碼實現簡單的程序開發。
那就設計一款簡單的應用程序，看看它是否真的像它說的那樣。
從Streamlit的名為“hello，world”的程序入手，這個程序並不復雜。只需要復制粘貼下面這個代碼到“helloworld.py”的文件夾中即可。
import streamlit as st
x=st.slider('x')
st.write(x,'squared is',x*x)
然后到最后運行階段時：
streamlit run helloworld.py
看吧，瀏覽器連接到localhost:8501，就可以看到執行中的程序，滑動鼠標就可以得到結果。
簡單的滑塊插件應用程序
操作非常簡單。在構建上圖應用程序時，用到了Streamlit的兩個特性：
st.slider插件——滑動改變Web應用程序的輸出內容。
以及通用的st.write指令。筆者對於它能從圖標、數據框和簡單的文本中編寫任何東西感到驚訝。后面會有詳細介紹。
敲黑板：大家要記住每次改變插件值時，整個應用程序都會由上至下運行。
Streamlit插件
插件提供了控制應用程序的方法，閱讀了解插件的最佳選擇就是API參考文檔，不過筆者這里也會講解一些插件，它們都是用戶在操作后期會用的最主要的插件。
1.滑塊
streamlit.slider(label,min_value=None,max_value=None,value=None,step=None,format=None)
在上文已經目睹了st.slider的執行過程，它可以結合min_value、max_value使用，用於進一步得到一定范圍內的輸入內容。
2.文本輸入
獲取用戶輸入最簡單的方式是輸入URL或一些用於分析情緒的文本內容，需要的只是一個用來命名文本框的標簽。
import streamlit as st
url=st.text_input('Enter URL')
st.write('The Entered URL is',url)
看到的程序將是這樣：
簡單的text_input widget程序
貼士：可以只改變helloworld.py文件然后刷新頁面。筆者的做法是打開該文件然后在文本編輯器中改動，再一點一點查看變動的地方。
3.復選框
復選框的一個功能就是隱藏或顯示/隱藏程序中的特定區域，另一個用途是設置函數的布爾參數值。st.checkbox()需要一個參數，即插件標簽。在該應用程序中，復選框會用來切換條件語句。
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)
簡單的復選框插件應用程序
4.下拉框插件
通過st.selectbox可以在一系列選項或列表中進行選擇。常見的用法是將其作為下拉項然后從名單中挑選值。
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
簡單的下拉框/復選框插件程序
5.多選插件
也可以用下拉框內的多個值。這里講的是使用st.multiselect在變量選選中獲取多個值作為列表。
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)
簡單的下拉框插件應用程序
一步步創建應用程序
重要插件了解的也差不多了，現在馬上要用多個插件創建應用程序。
從簡單的步驟入門，嘗試使用Streamlit對足球數據進行可視化。有了上面那些插件，這個步驟執行起來會容易很多。
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)
簡單的應用程序會是這樣的：
同時使用多個插件
這一點也不難，但目前看起來似乎太基礎了。是否可以考慮加入一些圖表呢？
Streamlit當前支持許多用於繪圖的庫，其中就有Plotly,Bokeh,Matplotlib,Altair和Vega圖表。Plotly Express也可以，只不過沒有詳細說明。也存在一些內嵌式圖表，相當於Streamlit“自帶”的，比如st.line_chart和st.area_chart.
此時會用到plotly_express，下面是設計程序會用到的代碼。該過程只會調用Streamlit四次。剩下的都是一些簡單的Python代碼操作。
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)
添加圖表
改進
在本文一開始有提到插件每次發生變動時，整個應用程序就會由上至下地運行。其實並不可行，因為創建的應用程序會保留下深度學習模型或復雜的機器學習模型。接下來在講Streamlit的緩存時會向讀者闡釋這一點。
1.緩存
在這個簡單的程序里，但凡值有所變動時，數據科學家們就會反復瀏覽數據框。它比較適用於用戶手中的小規模數據，至於大規模或需要進行很多步處理的數據，它是不予理睬的。接下來在Streamlit中通過st.cache裝飾器函數體驗緩存的功能吧。
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")
或者是復雜一些、時間耗費久一些的函數，只需要運行一次，此時可以用：
st.cache
def complex_func(a,b):
DO SOMETHING COMPLEX
#Won't run again and again.
complex_func(a,b)
用Streamlit的緩存裝飾器標記函數時，無論這個函數是否執行，都會檢查輸入的參數值（由該函數處理的）。
如果Streamlit之前沒有處理過這些數據，它會調用函數並將運算結果存到本地緩存中。
下次再調用函數時，倘若還是這些參數，Streamlit就會完全跳過這一塊的函數執行，直接用緩存器里的結果數據。
2.側邊欄
為了根據個人的傾向需求使界面更加簡潔，用戶可能會想着把插件移動到側邊欄內，比如像Rshiny儀表盤。這非常簡單，只需在插件代碼中添加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)
將插件移動到側邊欄內
3.Markdown標記語言可以嗎？
筆者特別喜歡在Markdown里編輯文字，因為發現相比HTML，它少了那些繁瑣的操作，而且更能勝任數據科學的任務。所以讀者也能在Streamlit程序中應用Markdown嗎？
答案是可以。而且是有跡可循的。在筆者看來，最合適的就是調用Magic指令。通過該指令，用戶做標記語言就會像寫評論一樣簡單。用戶也可以使用指令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)