放棄Jupyter Notebooks吧，教你如何用儀表板展示研究成果

作為一名Python 愛好者，我幾乎用 Jupyter Notebooks （https://jupyter.org/）處理一切工作。Notebooks集成了markdown標記語言、代碼和inline模式繪圖，使其成為探索性數據分析的絕佳工具。我使用這些Notebooks來開發和共享代碼、開發原型、探索程序庫、玩轉數據以及繪圖和可視化。Notebooks可以呈現為靜態html和pdf，因此也非常適合用來編寫報告、文檔和教程……特別是當你想要同時共享數據和代碼的時候。

然而，作為一名研究人員，我發現代碼有時會妨礙我想要顯示的數據。那么問題來了，當我們要與非技術受眾分享數據時，有哪些選擇？有比Notebooks更好的選擇嗎？

Notebooks的槽點

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

不可否認，利用Jupyter notebooks來展示研究結果在過去的幾年中已蔚然成風。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. 非線性執行模式。Notebooks通常包含難以名狀的隱藏狀態。這對初學者來說非常不友好。

2. Notebooks很難與非技術人員共享。他們需要知道如何設置 Python、安裝庫、管理環境和修改代碼。

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

儀表板

是時候請儀表板登場了。

儀表板是一個從數據科學世界引入的相對較新的概念，它利用了現代web的優點。從本質上講，儀表板是用于快速瀏覽某些數據的簡單web應用程序。就像一個用來呈現數據的迷你圖形界面。

在荷蘭eScience中心，我們喜歡使用儀表板來展示我們的數據

（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。如果你需要詳細地比較他們之間的優缺點，請查看博客文章（https://medium.datadriveninvestor.com/streamlit-vs-dash-vs-voil%C3%A0-vs-panel-battle-of-the-python-dashboarding-giants-177c40b9ea57）。

Streamlit

在這四個儀表板工具中，Streamlit最讓我印象深刻，因為它簡單易用。我有一個項目一直在用Streamlit開發出的簡單的數據處理GUI。以下是我整理的早先的使用心得：

1. 使用一周后，我發現它非常容易上手。

2. 線性執行模式使得對代碼的理解變得容易（稍后會詳細介紹）。

3. 無需了解任何web開發，因為該庫的目的之一就是開箱即用（劇透警告：確實如此）。

4. API設計得非常好，易于管理，Python風格明顯。你可以在一天內掌握全部 API。有人會說 API 提供得選項很有限，但在我看來恰好，剛好適合我的大腦容量。它的文檔結構也不錯，提供了清晰的解釋和示例。

5. Streamlit開發人員聲稱這是用Python構建數據應用程序的最快方法。這聽起來像是一種推銷，但它可能是真的。你可以在幾分鐘內將任何Python腳本變成交互式儀表板。

從一個正常的繪圖過程......

讓我們來看一個例子。作為一名研究人員，我有很多Python腳本或notebooks，它們在做如下事情：

1. 加載或生成數據

2. 數據處理

3. 繪圖

我會無休止地調整參數并重新運行腳本以獲得正確的繪圖。這對我來說不是問題。但是，當與不太精通軟件的同事共享腳本時，這意味著我就要扮演技術支持的角色。想想就頭痛，需要幫忙設置 Python、管理環境、修復錯誤、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據（正態分布），對其進行擬合，并從中創建一個 matplotlib圖。它需要三個參數，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。

 正態分布圖

…再到酷炫的儀表板 

讓我們通過四個簡單的步驟將其變成交互式儀表板：

1. import streamlist as st

2. 用st.title添加標題

3. 用st.slider將輸入參數轉換為交互式滑塊

4. 用st.pyplot繪圖

注意，此時我們不必更改任何數據生成、擬合或繪圖相關的代碼！

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)

現在變成儀表板了

運行儀表板程序，輸入如下命令行：

streamlit run my_dashboard.py

這會開啟一個服務器端，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。每次移動滑塊、選中一個框或按下一個按鈕時，Streamlit 都會觸發腳本的重新運行。每當輸入值被更新，javascript 后端都會跟蹤這些值。

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

有什么缺點嗎？當然。因為streamlit在每次更新時都會重新運行整個腳本，所以感覺有點慢，尤其是在更新大量繪圖時，它也可能卡在長時間運行的函數上。Streamlit提供了一些選項來緩存中間結果，從而優化性能。

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

繪圖庫

上面的示例使用matplotlib進行繪圖。Matplotlib一直是Python的首選繪圖庫。它已經存在了近二十年，并且緊密集成在Python科學計算技術棧中。

如果你熟悉matplotlib，你就知道它適合繪制達到出版刊物質量的圖，但與此同時，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，并且內置了交互性。這使它們更適合web應用程序。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，現在我們已經制作了一個外觀精美的儀表板，以便任何人都可以上手把玩數據。那么如何部署呢？

Streamlit 使用主機/服務器模型，這意味著你可以在自己的服務器上運行它。

更簡單的辦法是使用streamlit云（https://streamlit.io/cloud）來托管你的儀表板（對學生和開源項目免費）。我發現這也很容易設置。我所要做的就是在 github上創建一個包含代碼和需求文檔的repository。

然后我使用Github SSO登錄到streamlit云，并啟動了一個指向我的repo和代碼的新應用程序。

點擊這里

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

尾聲

在這篇博文中，我介紹了streamlit ，并展示了如何利用它將python腳本轉換為儀表板，以及如何在線托管。在我看來，這是向非技術受眾展示研究成果的絕佳方式。線性執行模式會讓調整現有腳本變得簡單。代碼不會成為阻礙，結果看起來也很棒。

因此，下次當你想在notebook中顯示一些數據時，請考慮改用儀表板。

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