用于创建交互式仪表板的Python库

2025 年 1 月 5 日 | 11 分钟阅读

在数据驱动的决策制定技术中，创建交互式仪表板的能力非常宝贵。Python 是一种强大而灵活的编程语言，提供了多种工具来帮助您构建动态和交互式的仪表板效果。在本文中，我们将探讨 4 种最流行的用于开发交互式仪表板的 Python 包：Dash、Streamlit、Bokeh 和 Panel。

1. Dash

Dash 是由 Plotly 开发的一个 Web 应用程序框架。它允许您使用 Python 构建交互式 Web 应用程序和仪表板。Dash 结合了编写 HTML 和 JavaScript 的简洁性与 Python 数据处理库的强大功能，使其成为数据科学家和分析师的绝佳选择。

Dash 的主要特点

交互式、基于 Web 的界面：Dash 允许创建可以通过任何 Web 浏览器访问的交互式 Web 应用程序。这使得共享和协作数据可视化变得简单方便。
丰富的可视化组件：Dash 提供了广泛的组件用于构建仪表板，包括图表、表格、下拉菜单、滑块等。这些组件旨在无缝协作，让您可以创建丰富、交互式的界面。
与 Plotly 集成：Dash 构建在 Plotly 之上，Plotly 是一个出色的 Python 图形库。这种集成使您可以利用 Plotly 强大的图形功能来创建令人惊叹的可视化。
部署灵活性：Dash 应用程序可以轻松地部署在各种平台上，包括本地服务器、云服务和企业环境。这种灵活性确保您的仪表板可以在各种场景下进行访问和使用。

开始使用 Dash

要开始使用 Dash 构建仪表板，您首先需要安装 Dash 库。您可以使用 pip 完成此操作

安装完成后，您可以创建一个基本的 Dash 应用程序。以下是一个简单的示例，可帮助您入门

Dash 应用程序基本示例

import dash
import dash_core_components as dc
import dash_html_components as html
from dash.dependencies import Inp, Opt

# Initialize the Dash app
app = dash.Dash(__name__)

# Define the layout of the app
app.layout = html.Div([
    dc.Inp(id = 'input', value = 'initial value', type = 'text'),
    html.Div(id = 'output')
])

# Define the callback to update the output based on the input
@app.callback(
    Opt(component_id = 'output', component_property = 'children'),
    [Inp(component_id = 'input', component_property = 'value')]
)
def upd_output_div(inp_val):
    return f'You\'ve entered "{input_value}"'

# Run the app
if __name__ == '__main__':
    app.run_server(debug = True)

代码解析

初始化：`dash.Dash(__name__)` 初始化 Dash 应用。
布局：`app.Layout` 使用 HTML 组件和 Dash 核心组件定义应用的布局。在此示例中，我们有一个输入字段（`dcc.Input`）和一个用于显示输出的 div（`html.Div`）。
回调：`@app.Callback` 装饰器定义了输入和输出之间的交互。`update_output_div` 回调函数使用输入字段中的值更新输出 div。
运行应用：`app.run_server(debug=True)` 命令以调试模式运行应用，让您可以实时查看更改。

Dash 高级功能

Dash 提供了许多高级功能来增强您的仪表板

交互式图表：使用 Plotly 创建动态交互式图表。
多重回调：定义多个回调来处理组件之间的复杂交互。
数据共享：使用 `dcc.Store` 组件在回调之间共享数据。
样式和主题：使用 CSS 和内置主题来自定义仪表板的外观和感觉。
部署：将 Dash 应用部署到 Heroku、AWS 或您自己的服务器等平台。

1. Streamlit

Streamlit 是一个功能强大且用户友好的框架，用于在 Python 中构建交互式仪表板和 Web 应用程序。Streamlit 以其简洁性和速度而闻名，它使数据科学家、分析师和开发人员能够快速原型化和共享数据驱动型应用程序，而无需丰富的 Web 开发经验。

Streamlit 的主要特点

简洁直观的 API：Streamlit 的设计宗旨是尽可能简单。学习曲线很小，您只需几行 Python 代码即可创建交互式应用程序。
实时交互性：Streamlit 支持实时交互性，允许用户在与应用程序交互时立即看到更改。这对于数据探索和分析尤其有用。
与流行库集成：Streamlit 与 Pandas、NumPy、Matplotlib、Plotly 等流行的 Python 库无缝集成，使您能够利用现有的工具和工作流程。
部署灵活性：Streamlit 应用程序可以部署在各种平台上，包括本地计算机、云服务和企业环境。这确保了您的应用程序能够被广大受众访问。

开始使用 Streamlit

要开始使用 Streamlit 构建仪表板，您需要安装 Streamlit 库。您可以使用 pip 完成此操作

安装完成后，您可以创建一个基本的 Streamlit 应用程序。以下是一个简单的示例，可帮助您入门

Streamlit 应用程序基本示例

import streamlit as st
import pandas as pd

# Set the title of the app
st.title('My First Streamlit App')

# Create a DataFrame
df = pd.DataFrame({
    'I col': [10, 20, 30, 40],
    'II col': [100, 200, 300, 400]
})

# Display the DataFrame
st.write("Create a table using data:")
st.write(df)

# Create an interactive slider
num = st.slider('Pick a number', 0, 10, 100)
st.write(f'The selected number is {num}')

要运行该应用，请将代码保存到 Python 文件（例如，app.py），然后使用以下命令

代码解析

标题：`st.title('My First Streamlit App')` 设置应用的名称。
DataFrame：创建一个简单的 Pandas DataFrame 并使用 `st.write()` 显示。
滑块：使用 `st.slider()` 创建一个交互式滑块，并实时显示所选值。

Streamlit 高级功能

Streamlit 提供了许多高级功能来增强您的仪表板
小部件：Streamlit 提供各种小部件，如按钮、复选框、选择框等，以创建交互式元素。
图表：使用 Matplotlib、Plotly、Altair 等库创建交互式图表和绘图。
媒体：直接在您的应用中显示图像、视频和音频文件。
布局和容器：使用列、选项卡和可展开部分组织应用的布局。
缓存：使用 `@st.cache` 装饰器通过缓存昂贵的计算来优化性能。

Streamlit 高级应用示例

这是一个演示 Streamlit 一些高级功能的示例

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt

st.title('Advanced Streamlit App')

# Create a random dataset
data = np.random.randn(1000)

# Create an interactive histogram
st.write("Interactive Histogram")
bins = st.slider('Number of bins', 10, 100, 20)
fig, ax = plt.subplots()
ax.hist(data, bins = bins)
st.pyplot(fig)

# Create a checkbox to show/hide data
if st.checkbox('Show raw data'):
    st.write(data)

Bokeh

Bokeh 是 Python 中一个强大的可视化库，允许用户创建交互式和高性能的绘图、仪表板和数据应用程序。它旨在提供 D3.Js 风格的优雅简洁的图形，但具有 Python 的简单性和易用性的优势。Bokeh 特别适用于大型或流式数据集，并允许使用少量代码进行高级可视化。

Bokeh 的主要特点

高性能交互性：Bokeh 能够以高吞吐量处理大型和流式数据集。这使其成为实时数据可视化的理想选择。
丰富的可视化集：Bokeh 支持多种绘图和图表，包括线图、散点图、条形图、直方图等。它还支持地理地图和网络图等高级可视化。
与 Jupyter Notebook 集成：Bokeh 与 Jupyter Notebook 无缝协作，使其成为在交互式环境中进行数据分析和探索的绝佳选择。
服务器驱动的绘图：Bokeh 允许创建可以实时更新的服务器驱动的绘图，提供动态交互式仪表板。
可扩展和可定制：Bokeh 是高度可扩展的，支持自定义扩展和与其他库的集成。它还提供了出色的自定义选项来定制可视化效果的外观和感觉。

开始使用 Bokeh

要开始使用 Bokeh，您需要安装该库。您可以使用 pip 完成此操作

安装完成后，您可以创建一个基本的 Bokeh 图。以下是一个简单的示例，可帮助您入门

Bokeh 图基本示例

from bokeh.plotting import figure, output_file, show

# Specify the output file
output_file("simple_plot.html")

# Create a figure object
p = figure(title = "Simple Line Example", x_axis_label = 'x', y_axis_label='y')

# Add a line plot
p.line([0, 10, 20, 30, 40], [50, 60, 70, 80, 90], legend_label = "Temp.", line_width = 2)

# Show the plot
show(p)

代码解析

输出文件：`output_file("simple_plot.html")` 指定将保存绘图的 HTML 文件。
图对象：`figure()` 函数创建一个带有标题和轴标签的新图对象。
线图：`p.line()` 方法向具有指定 x 和 y 值、图例标签和线宽的图形添加一个线图。
显示绘图：`show(p)` 函数在 Web 浏览器中显示绘图。

Bokeh 高级功能

Bokeh 提供了许多高级功能，可以增强其创建复杂交互式可视化的能力

交互式工具：Bokeh 包括多种交互式工具，如平移、缩放、悬停和选择，以使绘图更具交互性。
小部件：Bokeh 提供滑块、按钮和下拉菜单等小部件，可用于创建可视化的交互式控件。
布局：Bokeh 支持复杂的布局，包括网格和选项卡，用于在仪表板中组织多个绘图和小部件。
CustomJS 回调：Bokeh 允许使用自定义 JavaScript 回调，提供更强的交互性和定制性。
Bokeh 服务器：Bokeh 服务器允许创建交互式 Web 应用程序，这些应用程序可以根据用户交互或数据更新实时更新绘图。

Bokeh 高级应用示例

这是一个演示 Bokeh 一些高级功能的示例

from bokeh.plotting import figure, curdoc
from bokeh.layouts import column
from bokeh.models import ColumnDataSource, Slider

# Create a ColumnDataSource
src = ColumnDataSource(data = dict(x = [], y = []))

# Create a figure object
p = figure(title = "Interactive Plot", x_axis_label = 'x', y_axis_label = 'y')

# Add a circle renderer
p.circle('x', 'y', source=src, size=10, color = "navy", alpha = 0.5)

# Define a callback function to update data
def update(attr, old, new):
    scale = slider.value
    new_data = dict(x = [i for i in range(100)], y = [i**scale for i in range(100)])
    source.data = new_data

# Create a slider widget
slider = Slider(start = 0.1, end = 2, value = 1, step = 0.1, title = "Scale")
slider.on_change('val', update)

# Arrange the plot and slider in a layout
layout = column(p, slider)

# Add the layout to the current document
curdoc().add_root(layout)

高级示例解析

ColumnDataSource：`ColumnDataSource` 是 Bokeh 中一个关键的数据结构，用于保存绘图的数据。
圆圈渲染器：`p.circle()` 方法向绘图添加一个圆圈渲染器，使用来自 `ColumnDataSource` 的数据。
回调函数：`update()` 函数是一个回调，它根据滑块的值更新 `ColumnDataSource` 中的数据。
滑块小部件：`Slider` 小部件允许用户交互式地更改绘图的大小。
布局：`column()` 函数将绘图和滑块垂直排列。
Bokeh 服务器：`curdoc().add_root(layout)` 将布局添加到当前文档，使 Bokeh 服务器能够提供交互式应用程序。

Panel

Panel 是一个面向 Python 的高级应用和仪表板解决方案，它构建在 Bokeh 之上。它允许以最小的精力创建交互式 Web 应用程序和仪表板。Panel 非常灵活，并且与大量数据可视化库无缝集成，使其成为数据科学家、分析师和开发人员的强大工具。

Panel 的主要特点

高级抽象：Panel 提供了一个高级接口，用于创建复杂的交互式仪表板和应用程序，而无需大量样板代码。
与流行库集成：Panel 与 Matplotlib、Plotly、Bokeh、Holoviews 和 Altair 等流行数据可视化库无缝集成。这使您可以为特定需求使用最佳工具。
丰富的组件：Panel 提供各种用户交互小部件，包括滑块、按钮、输入框和下拉菜单。这些小部件使创建动态交互式应用程序变得容易。
灵活的布局：Panel 支持各种布局选项，包括列、行、选项卡、网格等。这种灵活性有助于有效地组织和构建仪表板的组件。
部署选项：Panel 应用程序可以在本地、云平台上部署，或集成到现有 Web 框架中。这使得共享仪表板变得容易。

开始使用 Panel

使用 pip 命令安装库

创建一个基本的 Panel 应用程序。以下是一个简单的示例，可帮助您入门

Panel 应用程序基本示例

import panel as pn
import numpy as np
import matplotlib.pyplot as plt

# Initialize Panel extension
pn.extension()

# Create a simple Matplotlib plot
x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots()
ax.plot(x, y)
ax.set(title = "Sine Wave", xlabel = "X-axis", ylabel = "Y-axis")

# Convert the Matplotlib plot to a Panel object
plt = pn.pane.Matplotlib(fig, tight = True)

# Create an interactive slider
slide = pn.widgets.FloatSlider(name = 'Amplitude', start = 0.1, end = 2, value = 1)

# Define a callback function to update the plot
def upd_plot(event):
    ax.clear()
    ax.plot(x, event.new * np.sin(x))
    ax.set(title = "Sine Wave", xlabel = "X-axis", ylabel = "Y-axis")
    plot.param.trigger('object')

slider.param.watch(update_plot, 'value')

# Create a layout with the plot and slider
lay = pn.Col(plt, slide)

# Serve the application
lay.servable()

将代码保存到 Python 文件（例如，app.py），然后使用以下命令运行它

代码解析

初始化：`pn.extension()` 初始化 Panel 扩展。
Matplotlib 绘图：创建一个简单的 Matplotlib 正弦波绘图。
Panel 对象：使用 `pn.pane.Matplotlib` 将 Matplotlib 绘图转换为 Panel 对象。
滑块小部件：使用 `pn.widgets.FloatSlider` 创建一个交互式滑块。
回调函数：`update_plot()` 函数根据滑块的值更新绘图。
布局：使用 `pn.Column` 将绘图和滑块垂直排列。
服务应用程序：`layout.servable()` 使应用程序可服务。

Panel 高级功能

Panel 提供了许多高级功能来创建复杂且交互式的数据应用程序

链接小部件和绘图：轻松地将小部件链接到绘图和其他组件，以创建动态交互。
模板支持：使用内置模板快速创建专业外观的仪表板。
数据管道：与数据管道和流式数据源集成以进行实时更新。
自定义：自定义小部件和布局的外观和行为以满足您的需求。
与 Jupyter 集成：在 Jupyter Notebook 中使用 Panel 进行交互式数据探索和分析。

Panel 高级应用示例

这是一个演示 Panel 一些高级功能的示例

import panel as pn
import numpy as np
import holoviews as hv
from holoviews import opts
from bokeh.sampledata.iris import flowers

# Initialize Panel extension
pn.extension()

# Create a Holoviews scatter plot
hv.extension('bokeh')
scatter = hv.Scatter(flowers, 'petal_length', 'petal_width')

# Create a selection widget
species = pn.widgets.Select(name='Species', options=flowers['species'].unique().tolist())

# Define a callback function to filter data based on species
def filter_species(event):
    filtered = flowers[flowers['species'] == event.new]
    scatter.data = filtered

species.param.watch(filter_species, 'value')

# Create a layout with the scatter plot and selection widget
layout = pn.Column(scatter.opts(opts.Scatter(color = 'species', cmap = 'Category10', size = 10)), species)

# Serve the application
layout.servable()

高级示例解析

Holoviews 散点图：使用 Holoviews 创建散点图，这是一个与 Bokeh 集成的高级可视化库。
选择小部件：使用 `pn.widgets.Select` 创建一个选择小部件，用于根据选定的物种过滤数据。
回调函数：`filter_species()` 函数根据选定的物种更新散点图。
布局：使用 `pn.Column` 将散点图和选择小部件垂直排列。
服务应用程序：`layout.servable()` 使应用程序可服务。

下一主题6 python 容器数据类型须知

用于创建交互式仪表板的Python库

1. Dash

Dash 的主要特点

开始使用 Dash

Dash 应用程序基本示例

Dash 高级功能

1. Streamlit

Streamlit 的主要特点

开始使用 Streamlit

Streamlit 应用程序基本示例

Streamlit 高级功能

Streamlit 高级应用示例

Bokeh

Bokeh 的主要特点

开始使用 Bokeh

Bokeh 图基本示例

Bokeh 高级功能

Bokeh 高级应用示例

高级示例解析

Panel

Panel 的主要特点

开始使用 Panel

Panel 应用程序基本示例

Panel 高级功能

Panel 高级应用示例

高级示例解析

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

其他

用于创建交互式仪表板的Python库

1. Dash

Dash 的主要特点

开始使用 Dash

Dash 应用程序基本示例

Dash 高级功能

1. Streamlit

Streamlit 的主要特点

开始使用 Streamlit

Streamlit 应用程序基本示例

Streamlit 高级功能

Streamlit 高级应用示例

Bokeh

Bokeh 的主要特点

开始使用 Bokeh

Bokeh 图基本示例

Bokeh 高级功能

Bokeh 高级应用示例

高级示例解析

Panel

Panel 的主要特点

开始使用 Panel

Panel 应用程序基本示例

Panel 高级功能

Panel 高级应用示例

高级示例解析

相关帖子

Python中的最佳拟合算法

使用Python生成临时文件和目录

Python中的三对角矩阵

使用causallib在Python中进行逆倾向加权

NumPy 数组切片

Python中的无头Chrome

使用Python测试互联网速度

Python中的内存泄漏

使用计算机视觉和 OpenCV 在 Python 中创建手指计数器

Python中的3D数组

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器