Data Visualization con Streamlit

Streamlit è un progetto open source che permette di creare in pochi minuti delle data-web-app (e non solo) scrivendo solamente codice Python senza necessità di avere esperienza di front-end. In questa sessione scopriremo il suo funzionamento, come deployare un’app e vedremo un possibile caso d’uso.
Abstract

Vi è mai capitato di dover mostrare e spiegare i risultati di un progetto di analisi di dati? Non c’è sempre tempo e modo di sviluppare da zero una dashboard per l’occasione e presentare direttamente un jupyter notebook potrebbe non essere la soluzione ideale.

E qui arriva in soccorso Streamlit: si tratta di un progetto open source che permette di creare in pochissimi minuti una data-web-app (e non solo) scrivendo solamente codice Python senza necessità di avere esperienza di front-end.

In questa sessione scopriremo come funziona Streamlit, come deployare un’app e vedremo un possibile caso d’uso.

Transcript

1. Data Visualization con Streamlit Luca Corbucci PyCon Italia 🇮🇹 - Firenze 
 04/06/2022
2. • 👨💻 Ph.D. Student @ University of Pisa • 🎤 Podcaster @ PointerPodcast • 🦸 Community Manager @ SuperHeroesValley • 🌏 lucacorbucci.me 👋 Hi, I’m Luca @lucacorbucci
3. C’era una volta, alla fine di un progetto universitario…
6. Come possiamo riportare i risultati senza sviluppare da zero una dashboard?
8. Cos’è Streamlit • È un framework open source per data scientist e ML engineer • Permette di sviluppare delle interfacce per progetti di ML • Ti permette di scrivere l’interfaccia utilizzando solamente Python • È facile da usare! Non avrai bisogno di essere esperto di frontend per scrivere la tua data app • Permette un deploy facile del progetto
9. Installazione
10. Creiamo la nostra prima app
11. import streamlit as st import pandas as pd
12. import streamlit as st import pandas as pd st.title("Hello Pycon IT”) # possiamo anche scrivere # “# Hello Pycon IT” # Oppure # st.write(“# Hello Pycon IT”)
13. import streamlit as st import pandas as pd st.title("Hello Pycon IT") df = pd.read_csv("./race-winners.csv") st.dataframe(df)
14. import streamlit as st import pandas as pd st.title("Hello Pycon IT") df = pd.read_csv("./race-winners.csv") st.dataframe(df) df1 = df[df['Class'] == 'MotoGP™'] count = df1['Rider'].value_counts().head(20) st.bar_chart(count)
15. import streamlit as st import pandas as pd st.title("Hello Pycon IT") df = pd.read_csv("./race-winners.csv") st.dataframe(df) class_type = st.radio( "Choose the class you want to display", ('Moto3™', 'Moto2™', 'MotoGP™')) df1 = df[df['Class'] == class_type] count = df1['Rider'].value_counts().head(20) st.bar_chart(count)
16. import streamlit as st import pandas as pd st.title("Hello Pycon IT") df = pd.read_csv("./race-winners.csv") st.dataframe(df) class_type = st.radio( "Choose the class you want to display", ('Moto3™', 'Moto2™', 'MotoGP™')) df1 = df[df['Class'] == class_type] count = df1['Rider'].value_counts().head(20) st.bar_chart(count) option = st.selectbox( 'Select the year you want to display:', (i for i in range(1949, 2023))) df1 = df1[df1['Season'] == option] count = df1['Rider'].value_counts().head(20) st.bar_chart(count)
17. @st.cache è nostro amico • Non vogliamo eseguire più volte lo stesso codice, specialmente se l’esecuzione non è veloce • Possiamo usare il decoratore @st.cache • Ci permette di riutilizzare il codice già eseguito senza necessità di eseguirlo più volte def load_data(path: str) -> pd.DataFrame: data = pd.read_csv(path) return data df = load_data("./race-winners.csv") st.dataframe(df)
18. @st.cache def load_data(path: str) -> pd.DataFrame: data = pd.read_csv(path) return data df = load_data("./race-winners.csv") st.dataframe(df) • Non vogliamo eseguire più volte lo stesso codice, specialmente se l’esecuzione non è veloce • Possiamo usare il decoratore @st.cache • Ci permette di riutilizzare il codice già eseguito senza necessità di eseguirlo più volte @st.cache è nostro amico
19. @st.cache nel dettaglio • Una volta aggiunto il decoratore, Streamlit controllerà: • Se i parametri di input della funzione sono cambiati • Se il body della funzione è cambiato • Se il body delle funzioni chiamate nella funzione è cambiato • Se le variabili usate dentro la funzione sono cambiate • Streamlit memorizza i dati in una cache locale, se uno di questi componenti viene modi fi cato allora eseguirà il codice di nuovo, altrimenti utilizzerà i dati della cache.
21. Eseguiamo il deploy della nostra data app • Streamlit permette il deploy delle data app direttamente su Streamlit Cloud • Streamlit Cloud è connesso ad una repo GitHub ed è in grado di eseguire il deploy • Il servizio è gratuito (con alcune limitazioni)
22. Eseguiamo il deploy della nostra data app
23. Demo!
24. Thank you @lucacorbucci 🌏 lucacorbucci.me 👨💻 github.com/lucacorbucci/ 📥 corbuccilu@gmail.com 💬 http://chat.pointerpodcast.it/