网站建设方案页面设计分析,福州企业做网站,网站ip地址范围,网页布局结构文章目录 1 前言2 使用st.vega_lite_chart绘制Vega-Lite图表2.1 示例1#xff1a;绘制散点图2.2 示例2#xff1a;自定义主题样式 3 使用st.plotly_chart函数创建Plotly图表3.1 st.plotly_chart函数的基本用法3.2 st.plotly_chart 函数的更多用法 4 Streamlit 与 Bokeh 结合进… 文章目录 1 前言2 使用st.vega_lite_chart绘制Vega-Lite图表2.1 示例1绘制散点图2.2 示例2自定义主题样式 3 使用st.plotly_chart函数创建Plotly图表3.1 st.plotly_chart函数的基本用法3.2 st.plotly_chart 函数的更多用法 4 Streamlit 与 Bokeh 结合进行数据可视化5 使用 st.graphviz_chart 函数创建图形和网络图5.1 st.graphviz_chart 函数简介 6 使用st.map函数显示地图和散点图7 结语 1 前言
数据可视化在数据分析和数据科学领域中扮演着至关重要的角色。通过可视化数据我们能够更好地理解其背后的模式和趋势从而作出准确的决策和预测。然而要将原始数据转化为有意义的图表并不容易。这就是为什么我们需要强大而灵活的工具来帮助我们实现这一目标。
在过去的几年中Streamlit逐渐崭露头角并迅速成为构建交互式数据应用的首选工具之一。Streamlit是一个基于Python的开源库其简洁的语法和直观的界面使得数据科学家和开发者能够快速构建出具备强大可视化功能的应用程序。
在本专栏的上二篇博客中我们已经详细讲解了Streamlit中的几个常用数据可视化函数。现在在本篇博客中我将继续分享关于Streamlit的数据可视化知识重点介绍st.vega_lite_chart、st.plotly_chart、st.bokeh_chart、st.pydeck_chart、st.graphviz_chart和st.map这几个函数的使用方法和参数。
通过阅读本篇博客您将了解到如何使用这些强大的函数来绘制不同类型的图表和地图并掌握如何自定义配置、调整样式和添加交互功能。让我们开始探索Streamlit中的数据可视化魅力吧
2 使用st.vega_lite_chart绘制Vega-Lite图表
st.vega_lite_chart函数是Streamlit中用于绘制Vega-Lite图表的功能之一。Vega-Lite是一种用于描述交互式图形的高级语法它提供了一套简单而强大的规则来映射数据到可视化属性。
下面我们将通过两个示例来展示st.vega_lite_chart函数的用法。
2.1 示例1绘制散点图
在这个示例中我们首先导入所需的库生成随机的数据集并创建一个包含’a’、b’和’c’三个列的DataFrame。然后我们使用st.vega_lite_chart函数来绘制一个散点图图表中的每个点由’a’和’b’列的值确定点的大小和颜色由’c’列的值确定。
import streamlit as st
import pandas as pd
import numpy as npchart_data pd.DataFrame(np.random.randn(200, 3),columns[a, b, c])st.vega_lite_chart(chart_data, {mark: {type: circle, tooltip: True},encoding: {x: {field: a, type: quantitative},y: {field: b, type: quantitative},size: {field: c, type: quantitative},color: {field: c, type: quantitative},},
})在这个例子中我们指定了散点图的标记类型为圆形并为之提供了一个提示工具。同时我们使用了Vega-Lite的编码方式来指定 x 轴和 y 轴的字段名称并使用了 ‘size’ 和 ‘color’ 属性来决定点的大小和颜色。 2.2 示例2自定义主题样式
Vega-Lite图表在Streamlit中默认使用Streamlit主题进行显示这个主题简洁、用户友好与应用程序的设计更好地结合在一起。从Streamlit 1.16.0版本开始可以通过设置themestreamlit来使用Streamlit主题。如果想要禁用Streamlit主题使用themeNone来使用Vega-Lite的原生主题。下面是一个示例展示了使用不同主题的图表
import streamlit as st
from vega_datasets import datasource data.cars()chart {mark: point,encoding: {x: {field: Horsepower,type: quantitative,},y: {field: Miles_per_Gallon,type: quantitative,},color: {field: Origin, type: nominal},shape: {field: Origin, type: nominal},},
}tab1, tab2 st.tabs([Streamlit 主题默认, Vega-Lite 原生主题])with tab1:# 使用 Streamlit 主题这是默认主题您也可以省略 theme 参数st.vega_lite_chart(source, chart, themestreamlit, use_container_widthTrue)with tab2:st.vega_lite_chart(source, chart, themeNone, use_container_widthTrue)在这个示例中我们使用了streamlit和vega_datasets库。我们从data.cars()中获取数据源并创建一个包含图表配置的字典。然后我们使用st.tabs函数创建两个选项卡一个使用Streamlit主题另一个使用Vega-Lite原生主题。在每个选项卡中我们使用st.vega_lite_chart函数绘制了相应的图表并设置了use_container_widthTrue以适应容器的宽度。
通过这个示例您可以体验到不同主题对图表样式和整体应用程序的影响。Streamlit主题使用Streamlit的颜色调色板能够与应用程序的设计更好地融合在一起。而Vega-Lite原生主题则是使用Vega-Lite的默认样式可能与应用程序的设计略有不同。
希望这个指南能够帮助您理解如何使用st.vega_lite_chart函数来绘制Vega-Lite图表并在需要时自定义主题样式。通过使用Streamlit和Vega-Lite您可以轻松地创建交互式和美观的数据可视化图表。 3 使用st.plotly_chart函数创建Plotly图表
Plotly 是一个强大而受欢迎的 Python 库用于创建交互式图表和可视化。结合 Streamlit我们可以轻松地将 Plotly 图表嵌入到我们的应用中。在本篇文章中我将详细介绍 st.plotly_chart 函数的使用方法和参数并通过示例代码演示其功能。
3.1 st.plotly_chart函数的基本用法
在使用st.plotly_chart函数之前我们需要先导入必要的库如下所示
import streamlit as st
import plotly.express as px接下来我们可以使用 Plotly 生成图表并使用 st.plotly_chart 函数将其嵌入到 Streamlit 应用中。以下是一个示例代码
# 添加直方图数据
x1 np.random.randn(200) - 2
x2 np.random.randn(200)
x3 np.random.randn(200) 2# 将数据分组在一起
hist_data [x1, x2, x3]
group_labels [Group 1, Group 2, Group 3]# 使用自定义 bin_size 创建 distplot
fig ff.create_distplot(hist_data, group_labels, bin_size[.1, .25, .5])# 绘制图表
st.plotly_chart(fig, use_container_widthTrue)在这个示例中我们使用 plotly.figure_factory 中的 create_distplot 函数创建了一个直方图。然后我们通过调用 st.plotly_chart 函数将图表嵌入到 Streamlit 应用中。通过设置参数 use_container_widthTrue图表将根据容器的宽度自适应调整大小。 3.2 st.plotly_chart 函数的更多用法
除了基本用法外st.plotly_chart 函数还支持其他参数可以进一步定制图表的外观和行为。下面是一些常用的参数
theme设置图表的主题。可以设置为 “streamlit”使用 Streamlit 的默认主题或 None使用 Plotly 的原生主题。sharing设置图表的共享模式。可以设置为 “streamlit”共享数据和回调函数或 “auto”自动检测共享模式。config设置 Plotly 的配置选项。可以通过字典传递多个配置选项。
让我们通过一个例子来演示更多的用法
import plotly.express as px
import streamlit as stdf px.data.gapminder()fig px.scatter(df.query(year2007),xgdpPercap,ylifeExp,sizepop,colorcontinent,hover_namecountry,log_xTrue,size_max60,
)tab1, tab2 st.tabs([Streamlit 主题默认, Plotly 原生主题])
with tab1:# 使用 Streamlit 主题这是默认的方式也可以省略 theme 参数st.plotly_chart(fig, themestreamlit, use_container_widthTrue)
with tab2:# 使用 Plotly 的原生主题st.plotly_chart(fig, themeNone, use_container_widthTrue)在这个示例中我们使用了一个自定义的颜色映射color_continuous_scale“reds”并使用 st.tabs 函数将两个不同主题的图表放置在选项卡中。这样我们可以轻松切换主题并比较两种不同外观的图表。
我们还可以通过其他参数来进一步定制图表的外观和行为例如调整图表的大小、添加交互功能等。通过熟悉 Plotly 和 Streamlit 的文档我们可以发现更多的配置选项和用法。 4 Streamlit 与 Bokeh 结合进行数据可视化
在数据科学和数据分析工作中数据可视化是一种强大的工具可以帮助我们更好地理解数据、发现模式和趋势并向他人传达我们的发现。Streamlit 是一种用于构建交互式数据应用的Python库而Bokeh是一款用于构建交互式Web应用的Python可视化库。本文将介绍如何在Streamlit中使用Bokeh进行数据可视化并通过一个实例来演示其用法。
首先我们需要导入所需的库和模块。以下是示例代码
import streamlit as st
from bokeh.plotting import figure接下来我们创建一些示例数据并使用Bokeh创建一个简单的折线图。以下是示例代码
x [1, 2, 3, 4, 5]
y [6, 7, 2, 4, 5]p figure(titlesimple line example,x_axis_labelx,y_axis_labely)p.line(x, y, legend_labelTrend, line_width2)在以上代码中我们创建了一个Bokeh的figure对象p并设置了折线图的标题、x轴和y轴的标签。然后我们使用line方法在图表上绘制了一条折线指定了数据x和y并设置了图例标签和线宽。
现在我们已经创建了一个Bokeh图表对象p接下来我们将在Streamlit应用程序中展示它。我们可以使用st.bokeh_chart函数将Bokeh图表p嵌入到Streamlit应用程序中。以下是示例代码
st.bokeh_chart(p, use_container_widthTrue)以上代码中我们使用st.bokeh_chart函数将Bokeh图表对象p嵌入到Streamlit应用程序中并通过参数use_container_widthTrue使图表自适应容器的宽度。 5 使用 st.graphviz_chart 函数创建图形和网络图
在数据可视化中除了常见的统计图表外图形和网络图也是非常有用的工具。Streamlit 提供了 st.graphviz_chart 函数使我们能够轻松地在博文、应用程序或报告中创建图形和网络图。本文将介绍如何使用 st.graphviz_chart 函数并结合示例代码来演示它的用法。
5.1 st.graphviz_chart 函数简介
st.graphviz_chart 函数是 Streamlit 中的一个内置函数用于绘制图形和网络图。它接受一个图形对象或用 DOT 语言表示的图形字符串作为输入并在 Streamlit 应用程序的界面上呈现图像。
示例 1
让我们从一个简单的示例开始。在这个示例中我们将使用 graphviz 库创建一个有向图并使用 st.graphviz_chart 函数显示它。
import streamlit as st
import graphviz# 创建一个图形对象
graph graphviz.Digraph()
graph.edge(run, intr)
graph.edge(intr, runbl)
graph.edge(runbl, run)
graph.edge(run, kernel)
graph.edge(kernel, zombie)
graph.edge(kernel, sleep)
graph.edge(kernel, runmem)
graph.edge(sleep, swap)
graph.edge(swap, runswap)
graph.edge(runswap, new)
graph.edge(runswap, runmem)
graph.edge(new, runmem)
graph.edge(sleep, runmem)# 使用 st.graphviz_chart 函数显示图形
st.graphviz_chart(graph)在上面的代码中我们首先导入了必要的库并创建了一个 Digraph 对象 graph。然后我们使用 graph.edge 方法来添加边构建了一个有向图。最后我们使用 st.graphviz_chart 函数将图形显示在 Streamlit 应用程序的界面上。
运行上述代码段在 Streamlit 应用程序的界面上你将看到一个呈现了我们创建的图形的图形视图。 示例 2
除了使用 graphviz 库创建图形对象外st.graphviz_chart 函数还支持直接使用 DOT 语言表示的图形字符串。让我们通过另一个示例来说明这一点。
st.graphviz_chart(digraph {run - intrintr - runblrunbl - runrun - kernelkernel - zombiekernel - sleepkernel - runmemsleep - swapswap - runswaprunswap - newrunswap - runmemnew - runmemsleep - runmem}
)在上述代码中我们将图形字符串直接传递给了 st.graphviz_chart 函数。此图形使用 DOT 语言表示通过指定顶点和边的关系来描述图形结构。
运行上述代码段在 Streamlit 应用程序的界面上你将看到一个与示例 1 中相同的图形视图。
6 使用st.map函数显示地图和散点图
在数据可视化中地图可视化是一种常用的方式。st.map函数是Streamlit中用于创建地图可视化的函数它结合了地图和散点图具备自动居中和自动缩放的功能。
使用步骤
Step1导入必要的库和模块
import streamlit as st
import pandas as pd
import numpy as npStep2准备数据
df pd.DataFrame(np.random.randn(1000, 2) / [50, 50] [37.76, -122.4],columns[lat, lon])Step3使用st.map函数进行地图可视化
st.map(df)示例1基本地图可视化
import streamlit as st
import pandas as pd
import numpy as npdf pd.DataFrame(np.random.randn(1000, 2) / [50, 50] [37.76, -122.4],columns[lat, lon])st.map(df)此示例中我们首先创建一个包含随机经纬度的DataFrame然后使用st.map函数在地图上绘制散点图自动进行居中和缩放。 示例2自定义散点图样式
import streamlit as st
import pandas as pd
import numpy as npdf pd.DataFrame(np.random.randn(1000, 2) / [50, 50] [37.76, -122.4],columns[lat, lon])st.map(df, size20, color#0044ff)在上述示例中我们可以通过设置size参数和color参数来自定义数据点的大小和颜色。
示例3使用其他列动态设置经纬度、大小和颜色
import streamlit as st
import pandas as pd
import numpy as npdf pd.DataFrame({col1: np.random.randn(1000) / 50 37.76,col2: np.random.randn(1000) / 50 -122.4,col3: np.random.randn(1000) * 100,col4: np.random.rand(1000, 4).tolist(),
})st.map(df,latitudecol1,longitudecol2,sizecol3,colorcol4)在此示例中我们使用了一个包含多列数据的DataFrame并指定了latitude、longitude、size和color的列名参数来动态设置经纬度、大小和颜色。 7 结语
本文全面介绍了Streamlit库在数据可视化中的应用及其各个函数的使用方法和参数。我们首先认识到数据可视化在数据分析和数据科学领域的重要性以及Streamlit作为一款Python库的优势和便捷性。随后我们详细探讨了st.vega_lite_chart、st.plotly_chart、st.bokeh_chart、st.pydeck_chart、st.graphviz_chart和st.map这些常用的Streamlit函数。
通过使用这些函数我们可以利用Vega-Lite、Plotly、Bokeh、PyDeck和Graphviz等强大的可视化工具轻松创建各种交互式图表、地图和网络图。我们学会了如何加载数据、选择图表类型、自定义样式和布局并通过设置参数实现丰富的交互功能。这使得数据科学家和分析师能够更有效地探索、解释和传达数据的见解。
Streamlit的使用简单且灵活使得开发交互式数据应用变得更加高效。我们还强调了Streamlit在数据可视化方面的优势例如便捷的部署、即时的反馈和方便的共享。它为数据相关的任务提供了一个更加直观和动态的展示方式帮助我们更好地理解数据、发现模式和展示结果。
通过进一步的学习和探索我们可以掌握更多Streamlit的功能和扩展进一步提升数据可视化的能力。请参考相关文档、教程和示例继续挖掘Streamlit在数据科学和可视化领域的潜力。
