作為一名Python 愛好者，我?guī)缀跤?Jupyter Notebooks （https://jupyter.org/）處理一切工作。Notebooks集成了markdown標(biāo)記語言、代碼和inline模式繪圖，使其成為探索性數(shù)據(jù)分析的絕佳工具。我使用這些Notebooks來開發(fā)和共享代碼、開發(fā)原型、探索程序庫、玩轉(zhuǎn)數(shù)據(jù)以及繪圖和可視化。Notebooks可以呈現(xiàn)為靜態(tài)html和pdf，因此也非常適合用來編寫報(bào)告、文檔和教程……特別是當(dāng)你想要同時(shí)共享數(shù)據(jù)和代碼的時(shí)候。

然而，作為一名研究人員，我發(fā)現(xiàn)代碼有時(shí)會(huì)妨礙我想要顯示的數(shù)據(jù)。那么問題來了，當(dāng)我們要與非技術(shù)受眾分享數(shù)據(jù)時(shí)，有哪些選擇？有比Notebooks更好的選擇嗎？

Notebooks的槽點(diǎn)

在我們繼續(xù)往下之前，不妨退后一步，看看Jupyter Notebooks存在的一些問題。

不可否認(rèn)，利用Jupyter notebooks來展示研究結(jié)果在過去的幾年中已蔚然成風(fēng)。這意味著Jupyter Notebooks 的問題也是眾所周知的。我必須要吐槽的是：

1. 非線性執(zhí)行模式。Notebooks通常包含難以名狀的隱藏狀態(tài)。這對(duì)初學(xué)者來說非常不友好。

2. Notebooks很難與非技術(shù)人員共享。他們需要知道如何設(shè)置 Python、安裝庫、管理環(huán)境和修改代碼。

Notebooks可以托管在諸如binder之類的地方，從而使代碼立即可復(fù)現(xiàn)。只有理解代碼以及如何運(yùn)行筆記本，才能復(fù)現(xiàn)。在這里，inline模式代碼可能會(huì)給自己埋坑。我看到很多notebooks在頂部說明了每個(gè)變量的作用以及如何運(yùn)行代碼。你需要了解代碼的工作原理才能使用notebooks。

儀表板

是時(shí)候請(qǐng)儀表板登場(chǎng)了。

儀表板是一個(gè)從數(shù)據(jù)科學(xué)世界引入的相對(duì)較新的概念，它利用了現(xiàn)代web的優(yōu)點(diǎn)。從本質(zhì)上講，儀表板是用于快速瀏覽某些數(shù)據(jù)的簡(jiǎn)單web應(yīng)用程序。就像一個(gè)用來呈現(xiàn)數(shù)據(jù)的迷你圖形界面。

在荷蘭eScience中心，我們喜歡使用儀表板來展示我們的數(shù)據(jù)

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

如果你是 Python用戶，你可以試試下面這些儀表板工具：

• Dash（https://plotly.com/dash/，2017 年，每月 88.3 萬次下載）

• Panel（https://panel.holoviz.org/, 2018 年，每月 38.7 萬次下載）

• Streamlit（https://streamlit.io/, 2019 年，每月 93 萬次下載）

• voila（https://voila.readthedocs.io/en/stable/, 2019 年，每月 5.6 萬次下載）

以上都是非常棒的選擇。如果你需要詳細(xì)地比較他們之間的優(yōu)缺點(diǎn)，請(qǐng)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

在這四個(gè)儀表板工具中，Streamlit最讓我印象深刻，因?yàn)樗?jiǎn)單易用。我有一個(gè)項(xiàng)目一直在用Streamlit開發(fā)出的簡(jiǎn)單的數(shù)據(jù)處理GUI。以下是我整理的早先的使用心得：

1. 使用一周后，我發(fā)現(xiàn)它非常容易上手。

2. 線性執(zhí)行模式使得對(duì)代碼的理解變得容易（稍后會(huì)詳細(xì)介紹）。

3. 無需了解任何web開發(fā)，因?yàn)樵搸斓哪康闹痪褪情_箱即用（劇透警告：確實(shí)如此）。

4. API設(shè)計(jì)得非常好，易于管理，Python風(fēng)格明顯。你可以在一天內(nèi)掌握全部 API。有人會(huì)說 API 提供得選項(xiàng)很有限，但在我看來恰好，剛好適合我的大腦容量。它的文檔結(jié)構(gòu)也不錯(cuò)，提供了清晰的解釋和示例。

5. Streamlit開發(fā)人員聲稱這是用Python構(gòu)建數(shù)據(jù)應(yīng)用程序的最快方法。這聽起來像是一種推銷，但它可能是真的。你可以在幾分鐘內(nèi)將任何Python腳本變成交互式儀表板。

從一個(gè)正常的繪圖過程......

讓我們來看一個(gè)例子。作為一名研究人員，我有很多Python腳本或notebooks，它們?cè)谧鋈缦率虑椋?/span>

1. 加載或生成數(shù)據(jù)

2. 數(shù)據(jù)處理

3. 繪圖

我會(huì)無休止地調(diào)整參數(shù)并重新運(yùn)行腳本以獲得正確的繪圖。這對(duì)我來說不是問題。但是，當(dāng)與不太精通軟件的同事共享腳本時(shí)，這意味著我就要扮演技術(shù)支持的角色。想想就頭痛，需要幫忙設(shè)置 Python、管理環(huán)境、修復(fù)錯(cuò)誤、滿足功能需求等……

聽起來很耳熟？

下面的代碼片段生成一些數(shù)據(jù)（正態(tài)分布），對(duì)其進(jìn)行擬合，并從中創(chuàng)建一個(gè) matplotlib圖。它需要三個(gè)參數(shù)，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()

我酷斃了的Python腳本。

 正態(tài)分布圖

…再到酷炫的儀表板 

讓我們通過四個(gè)簡(jiǎn)單的步驟將其變成交互式儀表板：

1. import streamlist as st

2. 用st.title添加標(biāo)題

3. 用st.slider將輸入?yún)?shù)轉(zhuǎn)換為交互式滑塊

4. 用st.pyplot繪圖

注意，此時(shí)我們不必更改任何數(shù)據(jù)生成、擬合或繪圖相關(guān)的代碼！

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 distributio mu, std = norm.fit(data)  # Make some plots  st.pyplot(fig)

現(xiàn)在變成儀表板了

運(yùn)行儀表板程序，輸入如下命令行：

streamlit run my_dashboard.py

這會(huì)開啟一個(gè)服務(wù)器端，然后利用瀏覽器就可以訪問儀表板了（就像用Jupyter Notebook一樣）

酷炫的儀表板

Streamlit是如何工作的的？

Streamlit 的工作方式非常有趣。每次移動(dòng)滑塊、選中一個(gè)框或按下一個(gè)按鈕時(shí)，Streamlit 都會(huì)觸發(fā)腳本的重新運(yùn)行。每當(dāng)輸入值被更新，javascript 后端都會(huì)跟蹤這些值。

這意味著代碼本身是線性執(zhí)行的。在我看來，這種簡(jiǎn)單性是它與眾不同的地方。不需要任何回調(diào)或復(fù)雜的流控制。你的python腳本從上到下運(yùn)行。這使得理解代碼變得容易。python代碼只需經(jīng)過最少的修改，任何代碼腳本都可以變成儀表板。

有什么缺點(diǎn)嗎？當(dāng)然。因?yàn)閟treamlit在每次更新時(shí)都會(huì)重新運(yùn)行整個(gè)腳本，所以感覺有點(diǎn)慢，尤其是在更新大量繪圖時(shí)，它也可能卡在長(zhǎng)時(shí)間運(yùn)行的函數(shù)上。Streamlit提供了一些選項(xiàng)來緩存中間結(jié)果，從而優(yōu)化性能。

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

繪圖庫

上面的示例使用matplotlib進(jìn)行繪圖。Matplotlib一直是Python的首選繪圖庫。它已經(jīng)存在了近二十年，并且緊密集成在Python科學(xué)計(jì)算技術(shù)棧中。

如果你熟悉matplotlib，你就知道它適合繪制達(dá)到出版刊物質(zhì)量的圖，但與此同時(shí)，交互式繪圖可能很麻煩。

Streamlit 支持以下庫：

• matplotlib

• altair

• bokeh

• plotly

• seaborn

• PyDeck

• GraphViz

更加現(xiàn)代的繪圖庫，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。這意味著它們天然是為Web而生的，并且內(nèi)置了交互性。這使它們更適合web應(yīng)用程序。如果你要制作儀表板，我建議你嘗試下這些可替代方案。

共享儀表板

好的，現(xiàn)在我們已經(jīng)制作了一個(gè)外觀精美的儀表板，以便任何人都可以上手把玩數(shù)據(jù)。那么如何部署呢？

Streamlit 使用主機(jī)/服務(wù)器模型，這意味著你可以在自己的服務(wù)器上運(yùn)行它。

更簡(jiǎn)單的辦法是使用streamlit云（https://streamlit.io/cloud）來托管你的儀表板（對(duì)學(xué)生和開源項(xiàng)目免費(fèi)）。我發(fā)現(xiàn)這也很容易設(shè)置。我所要做的就是在 github上創(chuàng)建一個(gè)包含代碼和需求文檔的repository。

然后我使用Github SSO登錄到streamlit云，并啟動(dòng)了一個(gè)指向我的repo和代碼的新應(yīng)用程序。

點(diǎn)擊這里

（https://share.streamlit.io/stefsmeets/dashboard_blog/main）查看結(jié)果！  

尾聲

在這篇博文中，我介紹了streamlit ，并展示了如何利用它將python腳本轉(zhuǎn)換為儀表板，以及如何在線托管。在我看來，這是向非技術(shù)受眾展示研究成果的絕佳方式。線性執(zhí)行模式會(huì)讓調(diào)整現(xiàn)有腳本變得簡(jiǎn)單。代碼不會(huì)成為阻礙，結(jié)果看起來也很棒。

因此，下次當(dāng)你想在notebook中顯示一些數(shù)據(jù)時(shí)，請(qǐng)考慮改用儀表板。

這篇博文中的所有代碼都可以從Github獲得（https://github.com/stefsmeets/dashboard_blog）。

原文標(biāo)題：

Forget about Jupyter Notebooks — showcase your research using Dashboards 

原文鏈接：

https://medium.com/escience-center/forget-about-jupyter-notebooks-showcase-your-research-using-dashboards-5d13451ba374