Streamlit框架介绍及如何使用

Streamlit是一个开源的Python框架，专为数据科学家和机器学习工程师设计，用于快速创建交互式Web应用。它简单易用，支持与流行的Python数据科学库无缝集成，非常适合快速原型开发和项目共享。

mopmgerg54mo

2784人浏览 · 2025-02-14 14:37:56

mopmgerg54mo · 2025-02-14 14:37:56 发布

一、Streamlit框架介绍及使用方法

1. Streamlit框架简介

2. 安装Streamlit

安装Streamlit非常简单，只需使用pip命令：

bash复制

pip install streamlit

安装完成后，可以通过以下命令测试安装：

bash复制

streamlit hello

这将自动打开一个示例页面。

3. 运行Streamlit应用

运行Streamlit应用也很简单。将Streamlit命令嵌入到普通的Python脚本中，然后使用以下命令运行：

bash复制

streamlit run your_python_file.py

应用将在本地启动，并在默认浏览器中打开。如果需要在IDE（如PyCharm）中配置Streamlit，可以使用以下命令：

bash复制

python -m streamlit run your_python_file.py

4. Streamlit基本用法

以下是Streamlit的一些基本用法示例：

显示文本：

Python复制

import streamlit as st
st.title("Hello World")
st.write("This is a simple Streamlit app.")

显示数据：

Python复制

import pandas as pd
df = pd.DataFrame({
    'column1': [1, 2, 3],
    'column2': [4, 5, 6]
})
st.write(df)

输入组件：

Python复制

user_input = st.text_input("Enter your name", "Type here...")
st.write("Hello,", user_input)

显示进度和状态：

Python复制

import time
with st.spinner("Wait for it..."):
    time.sleep(5)
st.success("Done!")

侧边栏和容器：

Python复制

sidebar = st.sidebar
sidebar.title("Sidebar Title")
sidebar.write("This is a sidebar.")

数据可视化：

Python复制

import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots()
ax.plot(np.random.rand(10))
st.pyplot(fig)

5. Streamlit的优势

快速开发：Streamlit允许开发者在几分钟内创建和部署Web应用。
易于学习：其语法简单，适合初学者快速上手。
数据可视化：支持丰富的数据可视化功能，适合展示复杂的图表和数据。
交互式界面：通过侧边栏和输入组件，用户可以轻松与应用交互。

6. 适用场景

Streamlit非常适合以下场景：

机器学习模型部署：快速创建模型预测界面。
数据分析和可视化：展示数据探索和分析结果。
快速原型开发：在短时间内构建和测试新想法。

7. 示例项目

以下是一个简单的Streamlit应用示例，用于预测客户流失：

Python复制

import streamlit as st
import pandas as pd
import pickle

# 加载模型
model = pickle.load(open('churn_clf.pkl', 'rb'))

# 创建输入表单
st.title("Customer Churn Prediction")
gender = st.selectbox("Gender", ["Male", "Female"])
monthly_charges = st.number_input("Monthly Charges", min_value=0.0)
tenure = st.number_input("Tenure", min_value=0)
payment_method = st.selectbox("Payment Method", ["Bank Transfer", "Credit Card", "Electronic Check"])

# 将输入转换为模型输入
input_data = pd.DataFrame({
    'gender': [gender],
    'MonthlyCharges': [monthly_charges],
    'tenure': [tenure],
    'PaymentMethod': [payment_method]
})

# 预测
prediction = model.predict(input_data)
st.write("Prediction:", "Churn" if prediction[0] == 1 else "Not Churn")

8. 部署Streamlit应用

Streamlit应用可以通过多种方式部署，例如使用Heroku。以下是部署的基本步骤：

创建一个Procfile和setup.sh文件，用于配置环境。
将应用代码和依赖文件上传到GitHub仓库。
在Heroku上创建应用，并连接到GitHub仓库。
部署应用并访问。

二、Streamlit与LlamaIndex配合使用指南

1. 简介

LlamaIndex 是一个用于构建基于大型语言模型（LLM）的应用程序的数据框架，专注于上下文增强（context augmentation），允许用户在不微调模型的情况下注入自定义数据。Streamlit 是一个用于快速构建数据驱动Web应用的Python框架。将两者结合，可以高效地创建交互式AI应用。

2. 配合使用步骤

2.1 安装依赖

首先，确保安装了必要的依赖：

bash复制

pip install streamlit llama-index

2.2 创建项目目录

创建一个项目目录并初始化：

bash复制

mkdir example-llamaindex
cd example-llamaindex

2.3 创建Streamlit应用

在项目目录中创建一个app.py文件，并添加以下代码：

Python复制

# app.py
import os
import streamlit as st
from llama_index.core import (
    VectorStoreIndex,
    SimpleDirectoryReader,
    StorageContext,
    load_index_from_storage,
)

# 设置存储目录
PERSIST_DIR = "./storage"

# 检查是否已存在存储
if not os.path.exists(PERSIST_DIR):
    # 加载文档并创建索引
    documents = SimpleDirectoryReader("data").load_data()
    index = VectorStoreIndex.from_documents(documents)
    # 持久化存储
    index.storage_context.persist(persist_dir=PERSIST_DIR)
else:
    # 加载已存在的索引
    storage_context = StorageContext.from_defaults(persist_dir=PERSIST_DIR)
    index = load_index_from_storage(storage_context)

# 创建查询引擎
query_engine = index.as_query_engine()

# 定义Streamlit应用
st.title("Ask Llama about Your Data")
query = st.text_input("What would you like to ask?", "Tell me about the data.")

# 如果点击“提交”按钮
if st.button("Submit"):
    if not query.strip():
        st.error("Please provide the search query.")
    else:
        try:
            response = query_engine.query(query)
            st.success(response)
        except Exception as e:
            st.error(f"An error occurred: {e}")

2.4 测试应用

在本地运行应用：

bash复制

streamlit run app.py

访问http://127.0.0.1:8501查看应用。

3. 部署到云端

可以将应用部署到Hugging Face Spaces或Koyeb等平台。以下是部署到Koyeb的步骤：

创建Dockerfile：在项目目录中创建一个Dockerfile，内容如下：

dockerfile复制

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["streamlit", "run", "app.py"]