放弃Jupyter Notebooks吧，教你如何用仪表板展示研究成果|jupyter|python|代码|仪表板|应用程序

大数据文摘授权转载自数据派THU

作者：Stef Smeets

翻译：王闯（Chuck）

校对：欧阳锦

作为一名Python 爱好者，我几乎用 Jupyter Notebooks （https://jupyter.org/）处理一切工作。Notebooks集成了markdown标记语言、代码和inline模式绘图，使其成为探索性数据分析的绝佳工具。我使用这些Notebooks来开发和共享代码、开发原型、探索程序库、玩转数据以及绘图和可视化。Notebooks可以呈现为静态html和pdf，因此也非常适合用来编写报告、文档和教程……特别是当你想要同时共享数据和代码的时候。

然而，作为一名研究人员，我发现代码有时会妨碍我想要显示的数据。那么问题来了，当我们要与非技术受众分享数据时，有哪些选择？有比Notebooks更好的选择吗？

Notebooks的槽点

在我们继续往下之前，不妨退后一步，看看Jupyter Notebooks存在的一些问题。

不可否认，利用Jupyter notebooks来展示研究结果在过去的几年中已蔚然成风。这意味着Jupyter Notebooks 的问题也是众所周知的。我必须要吐槽的是：

1. 非线性执行模式。Notebooks通常包含难以名状的隐藏状态。这对初学者来说非常不友好。

2. Notebooks很难与非技术人员共享。他们需要知道如何设置 Python、安装库、管理环境和修改代码。

Notebooks可以托管在诸如binder之类的地方，从而使代码立即可复现。只有理解代码以及如何运行笔记本，才能复现。在这里，inline模式代码可能会给自己埋坑。我看到很多notebooks在顶部说明了每个变量的作用以及如何运行代码。你需要了解代码的工作原理才能使用notebooks。

仪表板

是时候请仪表板登场了。

仪表板是一个从数据科学世界引入的相对较新的概念，它利用了现代web的优点。从本质上讲，仪表板是用于快速浏览某些数据的简单web应用程序。就像一个用来呈现数据的迷你图形界面。

在荷兰eScience中心，我们喜欢使用仪表板来展示我们的数据：

https://blog.esciencecenter.nl/https-blog-esciencecenter-nl-spot-visual-scientific-data-analytics-made-easy-62e03a895bae

如果你是 Python用户，你可以试试下面这些仪表板工具：

Dash（https://plotly.com/dash/，2017 年，每月 88.3 万次下载）
Panel（https://panel.holoviz.org/, 2018 年，每月 38.7 万次下载）
Streamlit（https://streamlit.io/, 2019 年，每月 93 万次下载）
voila（https://voila.readthedocs.io/en/stable/, 2019 年，每月 5.6 万次下载）

以上都是非常棒的选择。如果你需要详细地比较他们之间的优缺点，请查看博客文章：

https://medium.datadriveninvestor.com/streamlit-vs-dash-vs-voil%C3%A0-vs-panel-battle-of-the-python-dashboarding-giants-177c40b9ea57

Streamlit

在这四个仪表板工具中，Streamlit最让我印象深刻，因为它简单易用。我有一个项目一直在用Streamlit开发出的简单的数据处理GUI。以下是我整理的早先的使用心得：

1. 使用一周后，我发现它非常容易上手。

2. 线性执行模式使得对代码的理解变得容易（稍后会详细介绍）。

3. 无需了解任何web开发，因为该库的目的之一就是开箱即用（剧透警告：确实如此）。

4. API设计得非常好，易于管理，Python风格明显。你可以在一天内掌握全部 API。有人会说 API 提供得选项很有限，但在我看来恰好，刚好适合我的大脑容量。它的文档结构也不错，提供了清晰的解释和示例。

5. Streamlit开发人员声称这是用Python构建数据应用程序的最快方法。

这听起来像是一种推销，但它可能是真的。你可以在几分钟内将任何Python脚本变成交互式仪表板。

从一个正常的绘图过程......

让我们来看一个例子。作为一名研究人员，我有很多Python脚本或notebooks，它们在做如下事情：

1. 加载或生成数据

2. 数据处理

3. 绘图

我会无休止地调整参数并重新运行脚本以获得正确的绘图。这对我来说不是问题。但是，当与不太精通软件的同事共享脚本时，这意味着我就要扮演技术支持的角色。想想就头痛，需要帮忙设置 Python、管理环境、修复错误、满足功能需求等……

听起来很耳熟？

下面的代码片段生成一些数据（正态分布），对其进行拟合，并从中创建一个 matplotlib图。它需要三个参数，mu_in、std_in 和 size。

import numpy as npfrom scipy.stats import normimport matplotlib.pyplot as plt

mu_in = 5std_in = 5.0size = 100

def norm_dist(mu, std, size=100):"""Generate normal distribution."""return norm.rvs(mu, std, size=size)

data = norm_dist(mu_in, std_in, size=size)

# Fit the normal distributionmu, std = norm.fit(data)

# Make some plotsx = np.linspace(-40, 40, 100)y = norm.pdf(x, mu, std)

title = f"Fit results: {mu=:.2f}, {std=:.2f}"

fig, ax = plt.subplots()ax.hist(data, bins=50, density=True)ax.plot(x, y, 'k', linewidth=2)ax.set_title(title)

plt.show()

我酷毙了的Python脚本。

…再到酷炫的仪表板

让我们通过四个简单的步骤将其变成交互式仪表板：

1. import streamlist as st

2. 用st.title添加标题

3. 用st.slider将输入参数转换为交互式滑块

4. 用st.pyplot绘图

注意，此时我们不必更改任何数据生成、拟合或绘图相关的代码！

import numpy as npfrom scipy.stats import normimport matplotlib.pyplot as pltimport streamlit as st

st.title('Normal distribution')

mu_in = st.slider('Mean', value=5, min_value=-10, max_value=10)std_in = st.slider('Standard deviation', value=5.0, min_value=0.0, max_value=10.0)size = st.slider('Number of samples', value=100, max_value=500)

def norm_dist(mu, std, size=100):"""Generate normal distribution."""return norm.rvs(mu, std, size=size)data = norm_dist(mu_in, std_in, size=size)# Fit the normal distributiomu, std = norm.fit(data)# Make some plotsst.pyplot(fig)

现在变成仪表板了

运行仪表板程序，输入如下命令行：

streamlit run my_dashboard.py

这会开启一个服务器端，然后利用浏览器就可以访问仪表板了（就像用Jupyter Notebook一样）

酷炫的仪表板

Streamlit是如何工作的的？

Streamlit 的工作方式非常有趣。每次移动滑块、选中一个框或按下一个按钮时，Streamlit 都会触发脚本的重新运行。每当输入值被更新，javascript 后端都会跟踪这些值。

这意味着代码本身是线性执行的。在我看来，这种简单性是它与众不同的地方。不需要任何回调或复杂的流控制。你的python脚本从上到下运行。这使得理解代码变得容易。python代码只需经过最少的修改，任何代码脚本都可以变成仪表板。

有什么缺点吗？当然。因为streamlit在每次更新时都会重新运行整个脚本，所以感觉有点慢，尤其是在更新大量绘图时，它也可能卡在长时间运行的函数上。Streamlit提供了一些选项来缓存中间结果，从而优化性能。

https://docs.streamlit.io/library/apireference/performance

绘图库

上面的示例使用matplotlib进行绘图。Matplotlib一直是Python的首选绘图库。它已经存在了近二十年，并且紧密集成在Python科学计算技术栈中。

如果你熟悉matplotlib，你就知道它适合绘制达到出版刊物质量的图，但与此同时，交互式绘图可能很麻烦。

Streamlit 支持以下库：

matplotlib
altair
bokeh
plotly
seaborn
PyDeck
GraphViz

更加现代的绘图库，如 plotly（https://plotly.com/python/）、bokeh（https://bokeh.org）和 altair（https://altair-viz.github.io）可以直接渲染到 javascript。这意味着它们天然是为Web而生的，并且内置了交互性。这使它们更适合web应用程序。如果你要制作仪表板，我建议你尝试下这些可替代方案。

共享仪表板

好的，现在我们已经制作了一个外观精美的仪表板，以便任何人都可以上手把玩数据。那么如何部署呢？

Streamlit 使用主机/服务器模型，这意味着你可以在自己的服务器上运行它。

更简单的办法是使用streamlit云（https://streamlit.io/cloud）来托管你的仪表板（对学生和开源项目免费）。我发现这也很容易设置。我所要做的就是在 github上创建一个包含代码和需求文档的repository。

然后我使用Github SSO登录到streamlit云，并启动了一个指向我的repo和代码的新应用程序。

点击这里

（https://share.streamlit.io/stefsmeets/dashboard_blog/main）查看结果！

尾声

在这篇博文中，我介绍了streamlit ，并展示了如何利用它将python脚本转换为仪表板，以及如何在线托管。在我看来，这是向非技术受众展示研究成果的绝佳方式。线性执行模式会让调整现有脚本变得简单。代码不会成为阻碍，结果看起来也很棒。

因此，下次当你想在notebook中显示一些数据时，请考虑改用仪表板。

这篇博文中的所有代码都可以从Github获得

https://github.com/stefsmeets/dashboard_blog