【Python】交互式界面工具：shiny、dash、streamlit等怎么选？

本文汇总了Python/R/Julia中5款仪表盘 (Dashboard)工具，简单比较其使用场景、学习难度、成熟度、支持语言等。

Dash

Dash和前面介绍的plotly出自同一家公司，可基于Python, R, Julia和 F#语言高效开发仪表盘，为机器学习和数据科学结果提供良好展示；
Dash专注于企业级仪表板的创建，部分功能开源（人名币玩家可尝试全功能企业版本），高级API plotly-express的发布使Dash更容易上手；
一个简单的Python Dash例子，使用熟悉的iris数据集，代码存入dash.t.py中，内容如下，

import dash
from dash import dcc
from dash import html
from dash.dependencies import Input, Output
import plotly.express as px

df = px.data.iris()
all_dims = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']

app = dash.Dash(__name__)

app.layout = html.Div([
    dcc.Dropdown(id="dropdown",
                 options=[{
                     "label": x,
                     "value": x
                 } for x in all_dims],
                 value=all_dims[:2],
                 multi=True),
    dcc.Graph(id="splom"),
])


@app.callback(Output("splom", "figure"), [Input("dropdown", "value")])
def update_bar_chart(dims):
    fig = px.scatter_matrix(df, dimensions=dims, color="species")#plotly.express可视化
    return fig


app.run_server(debug=True)

python dash.t.py
Dash is running on http://xxx/
浏览器中打开 http://xxx/进一步学习：https://github.com/plotly/dash

Streamlit

相较于Dash，Streamlit只能基于Python开发仪表盘，但是完全开源；
比Dash更容易上手，几分钟即可创建一个仪表盘，可节省更多时间做数据分析。
一个简单Python Streamlit例子，求任意数平方，代码存入stre.t.py中，内容如下，

import streamlit as st

x = st.slider('Select a value')
st.write(x, 'squared is', x * x)

streamlit run stre.t.py
You can now view your Streamlit app in your browser.Local URL: http://xx
打开http://xx更复杂的例子，利用自动驾驶数据集，使用YOLO做对象检测，

进一步学习：https://github.com/streamlit/streamlit

Shiny

Shiny是R中的工具，能非常友好的融合R中的其它工具，譬如ggplot2等，推荐R用户使用；
Shiny功能不及Dash强大，特别是Dash的企业收费版本。
一个例子，和ggplot2一样，创建的页面非常优雅，

进一步学习：https://github.com/rstudio/shiny

https://shiny.rstudio.com/tutorial/

Voila

Jupyter Notebook重度玩家首选，Voila快速将Jupyter Notebook变成仪表盘；
Voila非常轻量级，当需要将Jupyter Notebook结果展示给非技术团队时推荐。

Python Voila一个简单例子，

进一步学习：https://github.com/voila-dashboards/voila

Panel

需要快速将Jupyter Notebook变成仪表盘，但是Voila又不能充分满足这个需求时，推荐Panel。
进一步学习：https://github.com/holoviz/panel

比较结果

比较结果汇总，参考6个指标 ：

• 成熟度 (Maturity)
• 知名度 (Popularity)
• 上手难度 (Simplicity)
• 应用灵活度 (Adaptability)
• 聚焦场景 (Focus)
• 支持语言 (Language support)

结果划分分A、B、C三个等级:

-END-



    
往期


    
精彩回顾







    
适合初学者入门人工智能的路线及资料下载
(图文+视频)机器学习入门系列下载
机器学习及深度学习笔记等资料打印
《统计学习方法》的代码复现专辑

• 交流群

欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）