之前介绍了怎样在Streamlit App中使用Matplotlib库来画图。
本篇介绍 Steamlit结合Poltly的方法,相比于Matplotlib,Poltly的交互性更强,
更适合在Web应用中做为可视化的工具。
1. st.plotly_chart函数
st.plotly_chart函数专门用于在Steamlit应用中显示 Plotly 绘制的图形。
这个函数能够直接将Plotly Figure对象或者Poltly支持的数据对象直接渲染到页面的指定位置上。
st.plotly_chart的参数不多,与st.pyplot比,多了一些交互用的参数:
名称类型说明figure_or_dataFigure或Data对象themestr指定图表的主题use_container_widthbool决定是否使用父容器的宽度覆盖图形的原始宽度keystr为元素提供标识on_selectstr控制图表怎样响应用户选择变乱selection_modestr图表的选择模式因为Plotly绘制的图形可交互,通过key参数,在交互的过程中,我们可以准确地定位到交互的图表。
on_select参数有以下几种取值:
- ignore:不对图表中的任何选择变乱做出反应
- rerun:在图表中选择数据时,会重新运行应用程序
- 可调用对象****:会重新运行应用程序,并在应用程序的其余部门之前执行该可调用对象作为回调函数
selection_mode参数定义图表的选择模式,包括:
- points:答应基于单个数据点举行选择
- box:答应基于矩形区域举行选择
- lasso:答应基于自由绘制区域举行选择
on_select不同时,页面的效果如下:
1.1. on_select=ignore
ignore是on_select的默认值,此时Plotly图形上无法选择对象。- import streamlit as st
- import plotly.express as px
- df = px.data.iris()
- fig = px.scatter(df, x="sepal_width", y="sepal_length")
- st.plotly_chart(fig, key="iris")
- # 或者
- # st.plotly_chart(fig, key="iris", on_select="ignore")
复制代码
此时,工具栏上没有选择数据的小工具。
1.2. on_select=rerun
此时,st.plotly_chart会将选择的数据点返回。
选择数据点时,可以切换成矩形选择和自由区域选择。- event = st.plotly_chart(fig, key="iris", on_select="rerun")
- event
复制代码
1.3. on_select=callable
on_select=callable的效果on_select=rerun差不多,也能对数据点选择并得到选择的数据点。
不同之处在于,可以在选择数据点之后,调用callable函数举行额外的处理惩罚。- def handle_selection():
- from datetime import datetime
- st.write(f"Selected data at {datetime.now()}")
- event = st.plotly_chart(fig, key="iris", on_select=handle_selection)
- event
复制代码
每次选择数据之后,上面的时间都会变革,说明handle_selection函数在每次选择数据之后都被回调。
2. 使用示例
下面通过示例演示实际场景中怎样使用streamlit和Poltly图表。
2.1. 销售数据时间序列分析
在这个示例中,首先创建了一个模仿的销售数据时间序列,然后通过st.plotly_chart展示图表,并设置on_select回调函数来处理惩罚用户在图表上的选择操纵。
当用户选择图上的点时,会在 Streamlit 应用中显示所选数据点对应的日期和销售额信息。- import streamlit as st
- import plotly.express as px
- import pandas as pd
- # 模拟销售数据
- data = {
- "Date": pd.date_range(start="2024-01-01", periods=100),
- "Sales": [i**2 + 50 + 10 * (i % 10) for i in range(100)],
- }
- df = pd.DataFrame(data)
- # 创建时间序列折线图
- fig = px.scatter(df, x="Date", y="Sales")
- # 显示图表并处理选择事件
- def handle_selection():
- selected_points = st.session_state["sales_chart"].selection.points
- st.write("已选择的数据点:")
- df = pd.DataFrame(columns=["日期", "销售额"])
- for idx, p in enumerate(selected_points):
- df.loc[idx, "日期"] = p["x"]
- df.loc[idx, "销售额"] = p["y"]
- st.dataframe(df)
- st.plotly_chart(fig, key="sales_chart", on_select=handle_selection)
复制代码
2.2. 模仿股票分析
使用generate_stock_data函数生成模仿的股票数据,再使用plotly.graph_objects创建一个烛台图,将模仿数据绘制到图表中。
编写一个回调函数,当用户在图表上选择某个点时,它会获取所选点的详细信息并在 Streamlit 应用中展示出来。- import streamlit as st
- import plotly.graph_objects as go
- import pandas as pd
- import numpy as np
- # 生成随机模拟的股票数据
- def generate_stock_data(days=300):
- dates = pd.date_range(start="2024-01-01", periods=days)
- open_prices = np.random.rand(days) * 100 + 50
- high_prices = open_prices + np.random.rand(days) * 10
- low_prices = open_prices - np.random.rand(days) * 10
- close_prices = open_prices + np.random.randn(days) * 5
- data = {
- "Date": dates,
- "Open": open_prices,
- "High": high_prices,
- "Low": low_prices,
- "Close": close_prices,
- }
- return pd.DataFrame(data)
- # 生成模拟股票数据
- df = generate_stock_data()
- # 创建交互式图表
- fig = go.Figure(
- data=[
- go.Candlestick(
- x=df["Date"],
- open=df["Open"],
- high=df["High"],
- low=df["Low"],
- close=df["Close"],
- )
- ]
- )
- fig.update_layout(title="模拟股票价格", xaxis_title="Date", yaxis_title="Price")
- # onselect 回调函数
- def handle_selection():
- selected_points = st.session_state.stock_chart.selection.points
- st.write("Selected Stock Data Points:")
- df = pd.DataFrame(columns=["日期", "开盘价", "收盘价", "最高价", "最低价"])
- for idx, p in enumerate(selected_points):
- print(idx, p)
- df.loc[idx, "日期"] = p["x"]
- df.loc[idx, "开盘价"] = p["open"]
- df.loc[idx, "收盘价"] = p["close"]
- df.loc[idx, "最高价"] = p["high"]
- df.loc[idx, "最低价"] = p["low"]
- st.dataframe(df)
- # 显示图表
- st.plotly_chart(fig, key="stock_chart", on_select=handle_selection)
复制代码
3. 总结
Streamlit 可以简化 Web 应用构建流程,Plotly 提供丰富图表类型,二者结合能快速将数据转化为交互式可视化应用,节省开辟时间。
别的,Plotly 图表交互性高,在 Streamlit 应用中可实现数据探索、筛选等操纵,增强用户体验。
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |