Streamlit快速入门指南
theme: orange
Streamlit是一个Python库,允许您创建交互式的数据科学和机器学习Web应用程序。
Streamlit介绍
Streamlit是一个Python库,允许您创建交互式的数据科学和机器学习Web应用程序。使用Streamlit,您可以快速轻松地创建自定义Web应用程序,让用户与您的数据和模型进行交互。
Streamlit旨在简单直观,专注于通过几行代码轻松创建美观和功能强大的应用程序。它包括广泛的内置小部件和工具,用于显示数据,处理用户输入和创建自定义可视化。
快速入门指南
要开始使用Streamlit,请按照以下步骤操作:
使用pip安装Streamlit:pip install streamlit 创建一个新的Python文件并导入Streamlit:import streamlit as st 使用Streamlit的API定义您的应用程序,其中包括用于创建小部件,显示数据和处理用户输入的函数。 使用命令streamlit run <filename.py>运行您的应用程序。 以下是一个简单的Streamlit应用程序示例,显示滑块小部件和绘图:
```python import streamlit as st import numpy as np import matplotlib.pyplot as plt
定义滑块小部件
x = st.slider('选择x的值', 0.0, 10.0, 5.0)
根据滑块值创建绘图
y = np.sin(x) plt.plot(x, y) st.pyplot()
```
该应用程序显示一个滑块小部件,允许用户选择x的值,然后根据该值显示正弦函数的绘图。您可以将此应用程序保存为Python文件(例如myapp.py),然后在终端中运行命令streamlit run myapp.py
来运行该应用程序。
最佳实践
以下是使用Streamlit时应记住的最佳实践:
保持代码组织和模块化,清晰分离应用程序的不同组件。 使用Streamlit的缓存功能来提高性能并避免不必要的计算。 使用Streamlit的布局选项创建干净直观的用户界面。 尽可能使用Streamlit的内置小部件和工具,而不是重新发明轮子。 充分测试您的应用程序,包括边缘情况和错误处理。 考虑使用像Git这样的版本控制系统来管理您的代码并与他人合作。 通过遵循这些最佳实践,您可以创建高质量的Streamlit应用程序,易于使用,维护和扩展。
其它一些有趣的例子
Streamlit官方有一个应用程序和图表库 Streamlit Gallery,其中包括各种各样的示例,从简单的小部件到复杂的机器学习模型。
下面基于我最近的学习,提供两个有趣的实例。
文本生成器
```python import streamlit as st import markovify
读取文本文件
with open("text.txt") as f: text = f.read()
使用Markov模型生成文本
text_model = markovify.Text(text)
创建Streamlit应用程序
st.title("文本生成器") with st.form(key='myform'): submitbutton = st.formsubmitbutton(label='生成文本') if submitbutton: # 生成文本 generatedtext = textmodel.makesentence() # 显示生成的文本 st.write(generated_text) ```
这个应用程序使用Markov模型生成文本。用户可以上传自己的文本文件,然后使用应用程序生成新的文本。应用程序使用Streamlit的表单小部件来处理用户输入和提交。
图像分类器
```python import streamlit as st import tensorflow as tf from PIL import Image import numpy as np
加载模型
model = tf.keras.models.load_model('model.h5')
创建Streamlit应用程序
st.title("图像分类器") uploadedfile = st.fileuploader("上传一张图片", type=["jpg", "jpeg", "png"]) if uploadedfile is not None: # 加载图像 image = Image.open(uploadedfile) # 调整图像大小 image = image.resize((224, 224)) # 转换为NumPy数组 imagearray = np.array(image) # 扩展维度 imagearray = np.expanddims(imagearray, axis=0) # 预测图像类别 predictions = model.predict(imagearray) # 获取最高概率的类别 predictedclass = np.argmax(predictions[0]) # 显示预测结果 st.write("预测结果:", predicted_class) ```
这个应用程序使用TensorFlow模型来对上传的图像进行分类。用户可以上传一张图像,然后应用程序将使用模型对图像进行分类,并显示预测结果。应用程序使用Streamlit的文件上传小部件来处理用户输入。
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 一个费力不讨好的项目,让我损失了近一半的绩效!
· 实操Deepseek接入个人知识库
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· 【.NET】调用本地 Deepseek 模型
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库