『玩转Streamlit』--数据展示组件
数据展示组件在
Streamlit
各类组件中占据了至关重要的地位,
它的核心功能是以直观、易于理解的方式展示数据。
本次介绍的数据展示组件
st.dataframe
和
st.table
,能够将复杂的数据集以表格、图表等形式清晰地呈现出来,使得用户能够快速把握数据的整体情况和细节特征。
1. st.dataframe
st.dataframe
以易读且美观的方式展示
pandas
的
DataFrame
。
无论是处理小型数据集还是庞大的数据表,
st.dataframe
都能轻而易举展示数据。
st.dataframe
适用于需要在Web应用中展示复杂数据集的场景。
首先,它能够自动适应屏幕宽度,并支持水平或垂直滚动,确保用户能方便地浏览整个数据集。
此外,
st.dataframe
还支持对数据进行排序、筛选和搜索等操作,增强了数据的可读性和交互性。
2. st.table
st.table
也是用于在Web应用中显示表格数据,
它可以显示交互式表格,并提供多种自定义设置来满足各类需求。
与
st.dataframe
相比,
st.table
更适用于当
数据集不是特别庞大
且需要保持清晰可读性的场景。
它允许用户通过简单的配置来调整表格的显示方式,如列宽、行高等。
3. 两者区别
这两个组件都用于展示数据,都支持多种类型的数据对象作为输入,比如
pandas.DataFrame
,
numpy.ndarray
、
Iterable
、
dict
等等。
但是在
交互性
,
显示方式
和
功能丰富度
上面是有区别的,
下面通过一个示例来演示两者在使用上的区别,
先使用
st.dataframe
显示一个包含用户信息的静态
DataFrame
,如姓名、年龄和邮箱。
DataFrame
将显示为可滚动、可排序和可搜索的表格。还可以将数据保存为
CSV
文件。
同样使用 st.table 显示相同的用户信息数据集,但表格样式会更加简洁,功能相对较少(例如,不支持搜索)。
import streamlit as st
import pandas as pd
# 创建静态数据集
data = {
"姓名": ["张三", "李四", "王五"],
"年龄": [25, 30, 35],
"邮箱": ["zhangsan@example.com", "lisi@example.com", "wangwu@example.com"],
}
df = pd.DataFrame(data)
st.header("st.dataframe")
# 使用st.dataframe显示
st.dataframe(df)
st.header("st.table")
# 使用st.table显示
st.table(df)
除了功能比较丰富以外,
st.dataframe
对于展示千上万行的大型数据集时,可以调整其高度和宽度,可以搜索过滤和排序,因此更方便遇查看数据。
而
st.table
由于功能相对简单,会将所有数据直接展示出来,浏览和分析大量数据不那么方便。
比如,下面模拟了一个一万条数据的场景。
st.dataframe
展示时,可以固定一块位置;而
st.table
将所有数据平铺下去展示,加装时间也明显长很多。
# 创建大数据集
np.random.seed(0)
data = {
"ID": np.arange(1, 10001),
"值1": np.random.rand(10000),
"值2": np.random.rand(10000),
# ... 可以添加更多列
}
df = pd.DataFrame(data)
st.header("st.dataframe", width=400, height=600)
# 使用st.dataframe显示大数据集
st.dataframe(df)
st.header("st.table")
# 使用st.table显示大数据集(可能性能不佳)
# 对于大数据集,st.table可能不是最佳选择
st.table(df)
4. 总结
总得来看,
st.dataframe
更适合需要高级功能和动态交互的场景,
而
st.table
则更适合简单、快速的表格展示。