你有没有盯着电子表格看，直到眼花缭乱？
我当然有过。
我们花几个小时清洗数据，分析趋势，并寻找那个黄金洞察。
但接下来是困难的部分。
我们必须展示它。
通常，这意味着静态的 PowerPoint 幻灯片或 Excel 图表的截图。
兴奋感瞬间消失。
你的受众不想看静态表格。
他们想要与数据互动。
他们想问，“如果我改变这个变量会发生什么？”或者“X 地区的情况看起来怎么样？”
这就是数据叙事发挥作用的地方。
而且你不需要成为 Web 开发人员就能构建一个让他们这样做的工具。
今天，我将向你展示如何将一个简单的数据集转化为一个完全互动的 Web 应用程序。
我们将使用 Python 和一个感觉像魔法一样的库：Streamlit。
为什么我极力推崇 Streamlit
我曾经害怕构建仪表板。
在过去，如果我想分享模型或可视化，我必须学习 Flask 或 Django。
我必须与 HTML、CSS 和 JavaScript 搏斗。
对于只想用 Python 编写代码的数据科学家来说，这简直是一场噩梦。
然后我发现了 Streamlit。
Streamlit 能在几分钟内将数据脚本转化为可共享的 Web 应用。
全部使用纯 Python。
不需要前端经验。
它在你的 Jupyter Notebook 和一个打磨好的产品之间架起了一座桥梁。
它允许你以极快的速度迭代。
你修改一行 Python 代码，点击保存，Web 应用就会立即更新。
在本教程中，我们代表 'My Core Pick'，所以我们将专注于质量和速度。
让我们深入了解如何构建你的第一个叙事性仪表板。
搭建舞台：你的环境
在写任何一行代码之前，我们需要设置工作区。
我假设你已经安装了 Python。
如果没有，请从 python.org 获取最新版本。
我总是建议在虚拟环境中工作，以保持依赖项的清洁。
打开你的终端或命令提示符。
创建一个新文件夹用于你的项目。
bash
mkdir streamlit_dashboard
cd streamlit_dashboard
现在，创建一个虚拟环境。
bash
python -m venv venv
激活它（在 Windows 上使用 venv\Scripts\activate，在 Mac/Linux 上使用 source venv/bin/activate）。
现在，让我们安装主角。
我们需要 Streamlit 用于应用，Pandas 用于数据操作，Plotly 用于漂亮的交互式图表。
bash
pip install streamlit pandas plotly
就是这样。
我们准备好编码了。
基础：加载你的数据
创建一个名为 app.py 的新文件。
在你最喜欢的代码编辑器中打开它（我使用 VS Code）。
让我们从导入库开始。
python
import streamlit as st
import pandas as pd
import plotly.express as px
现在，我们需要一个标题。
Streamlit 让这变得非常简单。
python
st.set_page_config(page_title="Sales Dashboard", layout="wide")
st.title("📊 Global Sales Narrative")
st.markdown("## Analyze sales performance across different regions.")
接下来，我们需要数据。
对于这个例子，让我们假设我们有一个名为 sales_data.csv 的 CSV 文件。
（你可以使用任何你有的数据集，或者在线下载一个 Superstore Sales 样本数据集）。
我们将编写一个函数来加载数据。
为什么要用函数？
因为我们要使用 Streamlit 的缓存机制。
缓存的力量
每次用户与 Streamlit 应用交互（点击按钮，更改过滤器）时，整个脚本都会从头到尾重新运行。
如果你正在加载一个 500MB 的 CSV 文件，那将非常缓慢。
我们使用 @st.cache_data 装饰器来解决这个问题。
它告诉 Streamlit：“如果这个函数之前运行过，只需给我保存的结果。不要再次运行它。”
下面是我如何编写它：
```python
@st.cache_data
def get_data():
df = pd.read_csv("sales_data.csv")
# A little cleaning helps
df["Order Date"] = pd.to_datetime(df["Order Date"])
return df
df = get_data()
```
现在，让我们验证它是否工作。
我喜欢最初显示原始数据，只是为了检查逻辑是否正常。
python
if st.checkbox("Show Raw Data"):
st.dataframe(df.head())
保存你的文件。
去你的终端运行：
bash
streamlit run app.py
一个浏览器窗口将会弹出。
恭喜，你有一个正在运行的 Web 应用了。
构建叙事：侧边栏和过滤器
当听众选择路径时，故事会更好。
静态仪表板很无聊，因为它们试图向所有人展示所有内容。
我们希望给用户控制权。
Streamlit 提供了一个专门用于此目的的侧边栏。
它保持主区域清洁，用于可视化。
让我们为“地区”和“年份”添加一个过滤器。
创建侧边栏
我们使用 st.sidebar 将元素放在左侧。
```python
st.sidebar.header("Filter Options")
Create a multiselect for Region
region = st.sidebar.multiselect(
"Select Region:",
options=df["Region"].unique(),
default=df["Region"].unique()
)
```
现在，我们需要根据这个选择实际过滤 dataframe。
这就是交互发生的地方。
python
df_selection = df.query("Region == @region")
如果用户从侧边栏中移除“North America”，df_selection 会立即更新。
让我们验证数据是否有反应。
我们可以在主页面的顶部显示一些顶级指标（KPIs）。
显示关键绩效指标 (KPIs)
我喜欢使用 st.metric 组件。
它看起来很专业，并且突出了重要的数字。
让我们根据过滤后的数据计算总销售额和平均评分。
```python
total_sales = int(df_selection["Sales"].sum())
average_rating = round(df_selection["Rating"].mean(), 1)
left_column, right_column = st.columns(2)
with left_column:
st.metric(label="Total Sales", value=f"${total_sales:,}")
with right_column:
st.metric(label="Average Rating", value=f"{average_rating} ⭐")
```
注意到 st.columns(2) 了吗？
这是我们管理布局的方式。
它将屏幕分成两个等宽的列。
它打破了垂直流，使仪表板看起来是经过设计的，而不仅仅是堆砌在屏幕上。
可视化故事
现在我们要让数据对用户输入做出反应。
是时候将其可视化了。
虽然 Streamlit 有基本的图表，但我更喜欢 Plotly Express。
Plotly 图表默认是交互式的。
你可以悬停在数据点上，放大，并将图表下载为 PNG。
条形图
让我们回答这个问题：“哪条产品线表现最好？”
我们将创建一个显示按产品线销售额的条形图。
```python
sales_by_product = (
df_selection.groupby(by=["Product Line"]).sum()[["Sales"]].sort_values(by="Sales")
)
fig_product_sales = px.bar(
sales_by_product,
x="Sales",
y=sales_by_product.index,
orientation="h",
title="Sales by Product Line",
color_discrete_sequence=["#0083B8"] * len(sales_by_product),
template="plotly_white",
)
```
现在我们有了图形对象（fig_product_sales）。
我们需要在 Streamlit 中渲染它。
python
st.plotly_chart(fig_product_sales, use_container_width=True)
use_container_width=True 参数至关重要。
它确保图表扩展以填充列或屏幕的宽度。
这使得应用在不同屏幕尺寸上看起来都具有响应性。
时间序列
每个数据故事都需要一条时间线。
让我们展示销售额随时间变化的趋势。
这有助于识别季节性或突然的下降。
```python
Group by month
df_selection["month_year"] = df_selection["Order Date"].dt.to_period("M")
line_chart_data = df_selection.groupby(df_selection["month_year"].astype(str))["Sales"].sum().reset_index()
fig_sales_over_time = px.line(
line_chart_data,
x="month_year",
y="Sales",
title="Sales Over Time",
template="plotly_white"
)
st.plotly_chart(fig_sales_over_time, use_container_width=True)
```
现在，当你更改侧边栏中的地区时，条形图和折线图都会立即更新。
用户正在探索故事，而不仅仅是阅读它。
打磨用户体验
我们已经实现了功能。
但一个专业的仪表板需要一点打磨。
在 'My Core Pick'，我们相信好与卓越的区别在于细节。
隐藏默认样式
Streamlit 在右上角自带一个“汉堡”菜单，在底部有一个“Made with Streamlit”页脚。
为了获得干净、专业的外观，我通常使用 CSS 注入来隐藏这些。
是的，我说过我们不需要 CSS，但这只是我保留的一个微小的可选片段。
python
hide_st_style = """
<style>
#MainMenu {visibility: hidden;}
footer {visibility: hidden;}
header {visibility: hidden;}
</style>
"""
st.markdown(hide_st_style, unsafe_allow_html=True)
添加上下文
不要只展示图表。
告诉用户他们在看什么。
使用 st.markdown 添加评论或解释数据中的异常。
例如，在折线图下方，你可以添加：
python
st.markdown("---")
st.caption("Note: Sales dipped in Q2 due to supply chain shortages in the North region.")
这种上下文将原始数字转化为实际的商业智能。
部署：分享你的故事
你建立了它。它在本地运行。
但它被困在你的笔记本电脑上。
要让你的团队或世界看到它，你需要部署它。
目前最简单的方法是 Streamlit Community Cloud。
工作流程如下：
-
创建 requirements.txt 文件。 这告诉服务器要安装哪些库。
在终端运行：pip freeze > requirements.txt。
-
将代码推送到 GitHub。 创建一个仓库并上传你的 app.py，sales_data.csv 和 requirements.txt。
-
注册 Streamlit Cloud。 将其连接到你的 GitHub 账户。
-
选择你的仓库。 点击“Deploy”（部署）。
大约两分钟后，你将拥有一个实时 URL。
你可以将该链接通过电子邮件发送给你的老板、客户，或发布在 LinkedIn 上。
他们可以在手机或笔记本电脑上打开它。
他们端不需要任何安装。
结论
我们刚刚从一个静态 CSV 文件变成了一个完全互动的、已部署的 Web 应用程序。
而且我们只用了不到 100 行 Python 代码。
这就是 Streamlit 的力量。
它使数据可视化民主化。
它允许数据科学家成为全栈开发人员，而无需陡峭的学习曲线。
你的数据有一个故事要讲。
不要把它扼杀在电子表格里。
给它一个声音。
构建仪表板，部署它，并让你的用户自己探索叙事。
我鼓励你这个周末试一试。
找一个你关心的数据集——也许是你的 Spotify 收听历史或你的健身追踪数据。
为自己建立一个仪表板。
一旦你开始构建对自己有反应的工具，你将再也不想回到静态幻灯片了。