Introducción a Streamlit

Streamlit es una biblioteca de Python que se utiliza para crear aplicaciones web interactivas para el análisis y visualización de datos.

Es una herramienta de código abierto que permite a los desarrolladores crear aplicaciones de datos de una manera fácil y sencilla, sin la necesidad de tener conocimientos avanzados de programación web. Streamlit permite a los usuarios construir aplicaciones en poco tiempo y tiene una amplia variedad de widgets interactivos para la visualización de datos, gráficos y mapas. Además, ofrece la posibilidad de sincronizar datos en tiempo real y realizar análisis de datos en línea.

La importancia de Streamlit en la visualización de datos radica en que permite mostrar información de manera clara y concisa, lo que facilita la toma de decisiones informadas. Además, estas aplicaciones pueden ser compartidas fácilmente en línea, lo que las hace ideales para colaboraciones entre equipos y presentaciones profesionales de datos.

En resumen, Streamlit es una herramienta poderosa para la visualización de datos que facilita la tarea de crear aplicaciones interactivas y amigables para el usuario, sin la necesidad de tener conocimientos avanzados en programación web.

Streamlit es una biblioteca de Python que facilita la creación de aplicaciones web para proyectos de ciencia de datos y aprendizaje automático de manera rápida y con poco código. Aquí te explico detalladamente cómo funciona y sus características principales:

1. Facilidad de Uso

Streamlit permite a los desarrolladores y científicos de datos transformar scripts de Python en aplicaciones web interactivas simplemente con agregar unas pocas líneas de código. No es necesario tener conocimientos avanzados de frameworks web como Flask o Django, lo que lo hace muy accesible para los no desarrolladores.

2. Componentes Interactivos

La biblioteca ofrece una variedad de widgets interactivos como sliders, botones, checkboxes y selectboxes que se pueden utilizar para interactuar con los datos de la aplicación en tiempo real. Los cambios en los widgets son detectados por Streamlit, que automáticamente actualiza la aplicación.

3. Actualización en Tiempo Real

Streamlit tiene un enfoque único en la gestión del estado de la aplicación. Cada vez que se hace una interacción, el script entero se ejecuta desde el principio pero de manera muy eficiente, usando el caché para no tener que recalcular todo.

4. Caching

Utiliza un sistema de caché inteligente para ayudar a reducir el tiempo de carga y evitar la recalcular datos que no han cambiado, lo cual es esencial para trabajar con grandes volúmenes de datos o modelos de aprendizaje automático pesados.

5. Fácil Despliegue

Streamlit ofrece Streamlit Sharing, un servicio donde puedes desplegar tus aplicaciones gratuitamente. También es fácil de integrar con otros servicios de despliegue como Heroku, AWS o GCP.

6. Comunidad y Soporte

Streamlit tiene una comunidad activa y creciente, con una gran cantidad de recursos de aprendizaje, incluyendo documentación detallada, tutoriales y foros donde los usuarios pueden compartir consejos y trucos.

7. Código Abierto

Es una herramienta de código abierto, lo que significa que puedes usarla gratuitamente y contribuir a su desarrollo si así lo deseas.

Ejemplo de una aplicación básica en Streamlit:

        
import streamlit as st

st.title('Mi primera aplicación en Streamlit')
st.write("Aquí va un simple DataFrame:")
st.write(pd.DataFrame({
    'Columna 1': [1, 2, 3, 4],
    'Columna 2': [10, 20, 30, 40]
}))

slider_val = st.slider('Desliza este slider', min_value=0, max_value=100)
st.write('El valor del slider es:', slider_val)
        
    

Código Detallado para la Aplicación en Streamlit

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

# Generar datos de ejemplo
@st.cache
def generate_data(n=200):
    """Genera un DataFrame de ejemplo con fechas y valores de ventas."""
    dates = pd.date_range(start='1/1/2022', periods=n)
    sales = np.random.randint(100, 1000, size=n)
    df = pd.DataFrame({"Fecha": dates, "Ventas": sales})
    return df

# Cargar datos
data = generate_data()

# Título y descripción
st.title('Análisis de Ventas de la Tienda')
st.write('Esta aplicación permite explorar las ventas de la tienda.')

# Sidebar para configuraciones de filtro
st.sidebar.header('Configuraciones de Filtro')
start_date = st.sidebar.date_input('Fecha de inicio', data['Fecha'].min())
end_date = st.sidebar.date_input('Fecha de fin', data['Fecha'].max())

# Filtrar datos
filtered_data = data[(data['Fecha'] >= pd.to_datetime(start_date)) & (data['Fecha'] <= pd.to_datetime(end_date))]

# Mostrar datos filtrados
st.write("Datos filtrados:")
st.write(filtered_data)

# Crear una gráfica acumulativa de las ventas
fig, ax = plt.subplots()
filtered_data.set_index('Fecha')['Ventas'].cumsum().plot(ax=ax, marker='o', linestyle='-')
ax.set_title('Suma acumulativa de Ventas')
ax.set_ylabel('Ventas acumuladas')
ax.set_xlabel('Fecha')
st.pyplot(fig)
        
    

Explicación del Código

Generación de Datos: Primero, creamos una función que genera un DataFrame de pandas con fechas y datos de ventas aleatorios. Utilizamos @st.cache para que Streamlit cachee los resultados y no tenga que regenerarlos con cada ejecución.

Configuración de la Aplicación: Establecemos un título y una descripción general de la aplicación.

Interfaz de Usuario: Añadimos una barra lateral (sidebar) donde los usuarios pueden seleccionar las fechas de inicio y fin para filtrar los datos.

Filtrado de Datos: Los datos se filtran basándose en las selecciones de fecha de la barra lateral.

Visualización de Datos: Mostramos los datos filtrados y generamos una gráfica de línea que muestra la suma acumulativa de ventas en el periodo seleccionado. Utilizamos Matplotlib para la gráfica, la cual es mostrada usando st.pyplot().