基于Streamlit制作的时间序列数据分析APP
1.为什么要使用Streamlit（官网介绍链接）
在数据科学领域，一方面，当我们在学习或者实践机器学习算法的时候，需要进行一些参数调整；另一方面，我们也希望将最后的成果通过一种友好的可视化效果呈现出来。
虽然可以通过Django、Flask等技术构建Web App，但是它们对于非专业的编程者来说，初学是困难的。Streamlit是一种快速搭建数据可视化APP的技术。它上手简单，并且能够提供一些操作简单的交互式控件。
2.Streamlit使用简介（官网使用教程）
2.1 安装和使用
安装：pip install streamlit
import streamlit as st
Step 1：新建一个app.py文件
Step 2：写下一段代码
Step 3：在终端输入命令：streamlit run app.py
Step 4：然后会在我们的默认浏览器中自动打开一个网址，呈现刚刚编程的内容
2.2 常用API介绍（官方API参考文档）
官网上有详细的介绍，在这里仅简单列举一些。
2.2.1 文本显示命令
st.text('Fixed width text')
st.markdown('_Markdown_')
st.latex(r''' e^{i\pi} + 1 = 0 ''')
st.write('Most objects')
st.write(['st', 'is <', 3])
st.title('My title')
st.header('My header')
st.subheader('My sub')
st.code('for i in range(8): foo()')
* optional kwarg unsafe_allow_html = True
2.2.2 数据显示命令
st.dataframe(my_dataframe)
st.table(data.iloc[0:10])
st.json({
'foo':'bar','fu':'ba'})
2.2.3 图表显示命令
st.line_chart(data)
st.area_chart(data)
st.bar_chart(data)
st.pyplot(fig)
st.altair_chart(data)
st.vega_lite_chart(data)
st.plotly_chart(data)
st.bokeh_chart(data)
st.pydeck_chart(data)
st.deck_gl_chart(data)
st.graphviz_chart(data)
st.map(data)
2.2.4 交互控件显示命令
st.button('Hit me')
st.checkbox('Check me out')
st.radio('Radio', [1,2,3])
st.selectbox('Select', [1,2,3])
st.multiselect('Multiselect', [1,2,3])
st.slider('Slide me', min_value=0, max_value=10)
st.select_slider('Slide to select', options=[1,'2'])
st.text_input('Enter some text')
st.number_input('Enter a number')
st.text_area('Area for textual entry')
st.date_input('Date input')
st.time_input('Time entry')
st.file_uploader('File uploader')
st.color_picker('Pick a color')
3.结合实例
因为之前在学习和实践基于时间序列的机器学习预测分析方法，这里的例子正是在前面几篇博客基础上写的。实现得比较简单，仅供参考。
3.1 读入数据
这里的数据我用的是固定的股价数据，当然在streamlit中提供“上传文件”的命令file_uploader，这样我们就可以选择其他的数据源。
st.subheader('1.读入数据')
df = pd.read_csv('NSE-TATAGLOBAL11.csv')
st.dataframe(df)
3.2 选择时间序列
通过st.select_slider选择时间序列长度。需要注意的是，我们必须保证滑动条上的每一个数据点都能在源数据集中找到，不然可能会出现错误。
st.subheader('2.选择时间序列')
options = np.array(df['Date']).tolist()
(start_time, end_time) = st.select_slider("请选择时间序列长度：",
options = options,
value= ('2016-05-04','2014-06-27',),
)
st.write("时间序列开始时间:",end_time)
st.write("时间序列结束时间:",start_time)
#setting index as date
df['Date'] = pd.to_datetime(df.Date, format = '%Y-%m-%d')
df.index = df['Date']
df = df[start_time:end_time]
st.dataframe(df)
3.3 划分训练集
训练集默认大小是选择的数据集的80%，可选区间是50%~90%，间隔10%。
st.subheader('3.训练集划分')
number = st.number_input("请输入训练集所占比例：",min_value=0.5,max_value=0.9,value=0.8,step=0.1)
split = int(number * len(df))
st.write("选择的数据集大小：",len(df))
st.write("训练集大小：",split)
st.write("预测集大小：",len(df)-split)
3.4 选择预测目标
通过selectbox选择需要预测的目标列。
st.subheader('4.选择预测目标')
type = st.selectbox('请选择预测目标：',('Close','Turnover'))
st.line_chart(df[type])
3.5 选择预测算法
这里一共用到了5种算法，分别是移动平均、线性回归、最近邻、AutoARIMA和LSTM，在之前的博客中有详细的介绍。
st.subheader('5.选择机器学习算法')
genre = st.selectbox("请选择时间序列预测算法",
('移动平均算法', '线性回归算法', '最近邻算法', 'AutoARIMA算法', 'LSTM算法'))
if genre == '移动平均算法':
MovingAverage(df, type, split)
elif genre == '线性回归算法':
LinearRegression(df, type, split)
elif genre == '最近邻算法':
KNearestNeighbours(df, type, split)
elif genre == 'AutoARIMA算法':
AutoARIMA(df, type, split)
elif genre == 'LSTM算法':
LongShortTM(df, type, split)
选择不同的算法会有不同的预测效果。正如前面几篇博客总结的那样，LSTM在这个数据集上会有比较好的预测效果。
3.6 其他说明
侧边栏我们可以通过streamlit.sidebar实现
st.sidebar.image('BigDataCenter.jpg',width=300)
st.sidebar.header("预测分析常用机器学习算法简介")
choose = st.sidebar.selectbox("",('移动平均算法','线性回归算法',
'最近邻算法','AutoARIMA算法','LSTM算法'))
if choose == '移动平均算法':
st.sidebar.write('')
st.sidebar.image('MVPicture.png',width=300)
st.sidebar.write()
elif choose == '线性回归算法':
st.sidebar.write()
elif choose == '最近邻算法':
st.sidebar.write()
elif choose == 'AutoARIMA算法':
st.sidebar.write()
elif choose == 'LSTM算法':
st.sidebar.write()
但是对于下面这种排版格式，streamlit是没有办法直接做到的，但是我们可以将写好的HTML+CSS文件传到streamlit，其中components.html()可以帮助我们做到这一点。
4.源码下载
代码和数据放在了我的Github上，需要的朋友可以自行下载。
Python：3.8.5
requirements：
