怎么使用Python构建一个仪表板

本篇内容主要讲解“怎么使用python构建一个仪表板”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么使用Python构建一个仪表板”吧!

简介

如果你目前在一个数据或商业智能团队工作，你的任务之一可能是制作一些每日、每周或每月的报告。

虽然获得这些报告并不困难，但还是需要花费不少时间。我们的宝贵时间应该花在更困难的任务上，如训练神经网络或建立数据管道架构。

因此，对于这些平凡的重复性报告，节省我们时间的最好方法是建立一个网络应用程序，其他团队可以自己访问和下载报告。

我说的不是Tableau或PowerBI这样的付费工具（如果公司预算充足的话，你可以使用它们）。有一些高级的网络框架，比如flask和Django，通常用于建立一个正常运作的网站。

但是，对于一个快速的网络仪表盘来报告指标和数字，你可以考虑使用Streamlit，这是一个相对较新的网络框架，是为ML从业者和数据科学团队建立的。它使用起来非常简单和直观。

内容

我将通过使用一个群组分析的例子来指导你如何构建和部署它。

对于每个部分，我将介绍一个代码模板（你可以在你自己的项目中重新使用）和我的代码（用于本文中使用的队列分析例子）。

• 创建一个Python文件

• 在终端上运行该文件，在本地机器上看到仪表板

• 部署给其他团队使用

1.创建一个Python文件

我们必须创建一个Python文件，以后我们可以从终端调用该文件，在浏览器上显示结果。

你可以给这个文件取任何你想要的名字。这里我把它叫做cohort-demo.py。

代码模板

# 这些数据可以在公众号后台回复【云朵君】，联系作者获取。# 1.导入必要的库import pandas as pdimport numpy as npimport streamlit as st# 2.设置页面配置st.set_page_config(    page_title="This is my title",  # 页面的标题    page_icon="????",                  # favicon    layout="wide",)# 3.定义你的项目中使用的所有函数# 4.对于每一个函数，在其前面添加"@st.experimental_memo"。这就是# 来记忆每个函数的执行。这将使应用程序运行得更快。# 特别是当用户与仪表盘上的一些元素互动时@st.experimental_memodef function(x):    return y

组群分析

import pandas as pdimport numpy as np import matplotlib.pyplot as plt import seaborn as snsimport matplotlib as mpl from datetime import date, datetimeimport streamlit as st  st.set_page_config(    page_title="Cohorts Dashboard",    page_icon="????",    layout="wide",)@st.experimental_memodef purchase_rate(customer_id):    purchase_rate = [1]    counter = 1    for i in range(1,len(customer_id)):        if customer_id[i] != customer_id[i-1]:            purchase_rate.append(1)            counter = 1        else:            counter += 1            purchase_rate.append(counter)    return purchase_rate@st.experimental_memodef join_date(date, purchase_rate):    join_date = list(range(len(date)))    for i in range(len(purchase_rate)):        if purchase_rate[i] == 1:            join_date[i] = date[i]        else:            join_date[i] = join_date[i-1]    return join_date  # 我没有在这里定义所有的函数，因为这将延长文章的篇幅。# 我将在文章的最后提供完整的代码。

现在我们建立第一个屏幕，如下所示。这将首先让用户上传文件，然后运行以产生输出。

代码模板：你可以用任何名字替换 "my_company"。

st.title("Cohort Interactive Dashboard Demo")st.markdown("""This WEBapp perfORMs cohort analysis of my_company data!* **Python libraries used:** base64, pandas, streamlit, numpy, matplotlib, seaborn* **Data source:** [Shopify](https://company_name.myshopify.com/admin)* You need to select the data file first to proceed.""")uploaded_file = st.file_uploader("Choose a file") # 来上传文件

一旦用户上传了一个文件，下一个屏幕将看起来像这样。

为了建立这个，我们需要。

• 选择群组的类型：这是一个单一的选择。它可以是独特的客户保留率，或百分比或AOV（平均订单价值）方面的。

• 选择队列：这是多选择。人们可以看一个特定的队列或更多。

代码模板

If uploaded_file is not None:# 这很重要，因为没有这个。                             # 当没有上传的文件时，会出现                             # 一个错误，因为df没有被定义....  df = pd.read_csv(upload_file) # 读取该文件  df_processed = process_df(df) # 清洁数据    # 仪表盘标题  st.header("Live Dashboard")  # 过滤器  first_filter = st.selectbox('Select first filter',['Option 1', 'Option 2', 'Option 3])    second_filter = st.multiselect('Select second filter', ['Option 1','Option 2','Option 3','Option 4'])    output = display_function(data_input,first_filter,second_filter)    st.dataframe(output)    st.download_button(label='Download csv', data=output.to_csv(), mime='text/csv') # 来下载该文件

组群分析

if uploaded_file is not None:    df = pd.read_csv(uploaded_file)    df_processed = process_df(df)    df_cohorts = cohort_numbers(df_processed)    cohorts = cohort_percent(df_cohorts)        # 通过使用f-strings动态标题    st.header(f"Live {cohorts.index[0]} to {cohorts.index[-1]} Cohort Dashboard")        # 过滤器    first_filter= st.selectbox('Select type of cohort',['By unique customers', 'By percentage', 'By AOV'])    second_filter = st.multiselect('Select cohort', list(cohorts.index))    output = select_which_table_to_draw(df_processed,first_filter,second_filter)    st.dataframe(output)    st.download_button(label='Download csv', data=output.to_csv(), mime='text/csv')

最后建立3个指标

代码模板

kpi1, kpi2, kpi3 = st.columns(3) # 创建三个占位符if uploaded_file is not None:        aov = np.mean(df['total_sales'])    aov_Goal = 95.00    kpi1.metric(        # 给这个指标贴上标签        label="AOV",         # 计算度量值        value=f"$ {round(aov,2)}",        # 计算与目标相比的变化（向上/向下箭头）        delta=f"-${round(aov_goal-aov,2)}" if aov_goal>aov else f"${round(aov-aov_goal,2)}",    )    nc = np.mean(df.loc[df['customer_type']=='First-time'].groupby(['day']).count()['customer_id'])    nc_goal = 30    kpi2.metric(        label="New customers/day",        value=int(nc),        delta=f"-{round((nc_goal-nc)/nc_goal*100,2)}%" if nc_goal>nc else f"{round((nc - nc_goal)/nc_goal*100,0)}%",    )    rc = np.mean(df.loc[df['customer_type']=='Returning'].groupby(['day']).count()['customer_id'])    rc_goal = 250    kpi3.metric(        label="Returning customers/day",        value= int(rc),        delta=f"-{round((rc_goal - rc)/rc_goal*100,2)}%" if rc_goal>rc else f"{round((rc-rc_goal)/rc_goal*100,2)}%"    )

2.在终端上运行该文件，在本地机器上显示

streamlit run cohort-demo.py

在右上角，你会看到一个选项，即每当你编辑cohort-demo.py时总是运行。

3.在Heroku上部署仪表板

首先在你的GitHub账户上创建gitHub仓库

创建requirements.txt、setup.sh和Procfile

requirements.txt（这是为了添加你在cohort-demo.py中使用的所有必要库。）

#只是简单地列出所有的库。你也可以包括版本
pandas
numpy
streamlit
matplotlib
seaborn
datetime
plotly

setup.sh

#只要复制和粘贴这个mkdir -p ~/.streamlit/echo "\[server]\n\headless = true\n\port = $PORT\nenableCORS = false\n\n\" > ~/.streamlit/config.toml

Procfile

web: sh setup.sh && streamlit run cohort-demo.py

• 将cohort-demo.py上传至资源库

• 打开Heroku（你应该在Heroku上创建一个账户）。

在右上角，点击 "Create new app"

在部署方式下，选择GitHub

然后将GitHub账户连接到Heroku。然后输入仓库的名称（在本例中，它是cohort_analysis_demo）。

一旦连接，在手动部署下，点击部署分支

到这里我们只需要等待它的部署。然后就完成了！URL链接将被创建。

刚刚将仪表盘部署到生产中，团队成员现在可以自己访问和分析数据。

他们可以简单地上传任何符合你定义的格式的数据集。即本例中的客户交易数据。

最终结果

到此，相信大家对“怎么使用Python构建一个仪表板”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！