基於Streamlit制作的時間序列數據分析APP
1.為什么要使用Streamlit（ 官網介紹鏈接 ）
在數據科學領域，一方面，當我們在學習或者實踐機器學習算法的時候，需要進行一些參數調整；另一方面，我們也希望將最后的成果通過一種友好的可視化效果呈現出來。
雖然可以通過Django、Flask等技術構建Web App，但是它們對於非專業的編程者來說，初學是困難的。
Streamlit是一種快速搭建數據可視化APP的技術 。它上手簡單，並且能夠提供一些操作簡單的交互式控件。
2.Streamlit使用簡介（ [ 官網使用教程
](https://docs.streamlit.io/en/stable/index.html) ）
2.1 安裝和使用
安裝 ：pip install streamlit
import streamlit as st
Step 1 ：新建一個app.py文件
Step 2 ：寫下一段代碼
Step 3 ：在終端輸入命令：streamlit run app.py
Step 4 ：然后會在我們的默認瀏覽器中自動打開一個網址，呈現剛剛編程的內容
2.2 常用API介紹（ 官方API參考文檔
）
官網上有詳細的介紹，在這里僅簡單列舉一些。
2.2.1 文本顯示命令
st.text('Fixed width text')
st.markdown('_Markdown_')
st.latex(r''' e^{i\pi} + 1 = 0 ''')
st.write('Most objects')
st.write(['st', 'is <', 3])
st.title('My title')
st.header('My header')
st.subheader('My sub')
st.code('for i in range(8): foo()')
* optional kwarg unsafe_allow_html = True
2.2.2 數據顯示命令
st.dataframe(my_dataframe)
st.table(data.iloc[0:10])
st.json({'foo':'bar','fu':'ba'})
2.2.3 圖表顯示命令
st.line_chart(data)
st.area_chart(data)
st.bar_chart(data)
st.pyplot(fig)
st.altair_chart(data)
st.vega_lite_chart(data)
st.plotly_chart(data)
st.bokeh_chart(data)
st.pydeck_chart(data)
st.deck_gl_chart(data)
st.graphviz_chart(data)
st.map(data)
2.2.4 交互控件顯示命令
st.button('Hit me')
st.checkbox('Check me out')
st.radio('Radio', [1,2,3])
st.selectbox('Select', [1,2,3])
st.multiselect('Multiselect', [1,2,3])
st.slider('Slide me', min_value=0, max_value=10)
st.select_slider('Slide to select', options=[1,'2'])
st.text_input('Enter some text')
st.number_input('Enter a number')
st.text_area('Area for textual entry')
st.date_input('Date input')
st.time_input('Time entry')
st.file_uploader('File uploader')
st.color_picker('Pick a color')
3.結合實例
因為之前在學習和實踐 [ 基於時間序列的機器學習預測分析方法
](https://blog.csdn.net/Be_racle/article/details/112999853)
，這里的例子正是在前面幾篇博客基礎上寫的。實現得比較簡單，僅供參考。
3.1 讀入數據
這里的數據我用的是固定的 股價數據 ，當然在streamlit中提供“上傳文件”的命令file_uploader，這樣我們就可以選擇其他的數據源。
st.subheader('1.讀入數據')
df = pd.read_csv('NSE-TATAGLOBAL11.csv')
st.dataframe(df)
3.2 選擇時間序列
通過st.select_slider選擇時間序列長度。需要注意的是，我們必須保證滑動條上的每一個數據點都能在源數據集中找到，不然可能會出現錯誤。
st.subheader('2.選擇時間序列')
options = np.array(df['Date']).tolist()
(start_time, end_time) = st.select_slider("請選擇時間序列長度：",
options = options,
value= ('2016-05-04','2014-06-27',),
)
st.write("時間序列開始時間:",end_time)
st.write("時間序列結束時間:",start_time)
#setting index as date
df['Date'] = pd.to_datetime(df.Date, format = '%Y-%m-%d')
df.index = df['Date']
df = df[start_time:end_time]
st.dataframe(df)
3.3 划分訓練集
訓練集默認大小是選擇的數據集的80%，可選區間是50%~90%，間隔10%。
st.subheader('3.訓練集划分')
number = st.number_input("請輸入訓練集所占比例：",min_value=0.5,max_value=0.9,value=0.8,step=0.1)
split = int(number * len(df))
st.write("選擇的數據集大小：",len(df))
st.write("訓練集大小：",split)
st.write("預測集大小：",len(df)-split)
3.4 選擇預測目標
通過selectbox選擇需要預測的目標列。
st.subheader('4.選擇預測目標')
type = st.selectbox('請選擇預測目標：',('Close','Turnover'))
st.line_chart(df[type])
3.5 選擇預測算法
這里一共用到了5種算法，分別是 [ 移動平均
](https://blog.csdn.net/Be_racle/article/details/112600268) 、 [ 線性回歸
](https://blog.csdn.net/Be_racle/article/details/112604437) 、 [ 最近鄰
](https://blog.csdn.net/Be_racle/article/details/112747349) 、 [ AutoARIMA
](https://blog.csdn.net/Be_racle/article/details/112780195) 和 [ LSTM
](https://blog.csdn.net/Be_racle/article/details/112999853) ，在之前的博客中有詳細的介紹。
st.subheader('5.選擇機器學習算法')
genre = st.selectbox("請選擇時間序列預測算法",
('移動平均算法', '線性回歸算法', '最近鄰算法', 'AutoARIMA算法', 'LSTM算法'))
if genre == '移動平均算法':
MovingAverage(df, type, split)
elif genre == '線性回歸算法':
LinearRegression(df, type, split)
elif genre == '最近鄰算法':
KNearestNeighbours(df, type, split)
elif genre == 'AutoARIMA算法':
AutoARIMA(df, type, split)
elif genre == 'LSTM算法':
LongShortTM(df, type, split)
選擇不同的算法會有不同的預測效果。正如前面幾篇博客總結的那樣，LSTM在這個數據集上會有比較好的預測效果。
3.6 其他說明
側邊欄我們可以通過streamlit.sidebar實現
st.sidebar.image('BigDataCenter.jpg',width=300)
st.sidebar.header("預測分析常用機器學習算法簡介")
choose = st.sidebar.selectbox("",('移動平均算法','線性回歸算法',
'最近鄰算法','AutoARIMA算法','LSTM算法'))
if choose == '移動平均算法':
st.sidebar.write('')
st.sidebar.image('MVPicture.png',width=300)
st.sidebar.write()
elif choose == '線性回歸算法':
st.sidebar.write()
elif choose == '最近鄰算法':
st.sidebar.write()
elif choose == 'AutoARIMA算法':
st.sidebar.write()
elif choose == 'LSTM算法':
st.sidebar.write()
但是對於下面這種排版格式，streamlit是沒有辦法直接做到的，但是我們可以將寫好的HTML+CSS文件傳到streamlit，其中 [
components.html()
](https://docs.streamlit.io/en/stable/develop_streamlit_components.html)
可以幫助我們做到這一點。
4.源碼下載
代碼和數據放在了 [ 我的Github ](https://github.com/Beracle/03-Streamlit-Forecast-
WebApp.git) 上，需要的朋友可以自行下載。
Python：3.8.5
requirements：
