streamlit快速部署-SCADA数据分析
作者：互联网
通过建立一个SCADA数据分析的web app，简单介绍一下streamlit的使用及部署上线。
文中代码请详见GitHub:
https://github.com/SooHooLee/test
项目的web app请详见：
https://share.streamlit.io/soohoolee/test/data_analysis.py
Streamlit快速部署
1. 什么是Streamlit
Streamlit：针对机器学习和数据科学团队的应用开发框架，是构建和共享数据应用的最快方式，不需要前端经验，可以在几分钟内在python中快速搭建可共享的用户交互友好型web app。
2. Streamlit安装与运行
安装：打开Anaconda Prompt，在命令行模式下，直接pip安装。
$ pip install streamlit
运行：在文件目录下，运行streamlit文件
$ streamlit run 文件名.py
3. SCADA数据分析实践
引入Streamlit：import streamlit as st
streamlit主界面只能分为左侧和右侧，虽然没有HTML/CSS的样式好看，但是好在简洁明了吧。在本项目中，左侧用于操作，右侧实时显示。在streamlit的语句中添加.sidebar.就可以将其置于左侧界面了。
3.1 导库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
import streamlit as st
from windrose import WindroseAxes
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif'] = ['SimHei'] #正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #正常显示负号
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf
3.2 数据读入
（1）标题：st.header('This is a header')
（2）副标题：st.subheader('This is a subheader')
（3）导入文件：st.file_uploader(label, type=None, accept_multiple_files=False, key=None, help=None, on_change=None, args=None, kwargs=None)
参数详解：
label (str)：简短的标签，提示用户上传器的用途；
type (str/list/str/None)：允许的扩展名数组。[‘png’, ‘jpg’] 默认为 None，表示允许所有扩展名；
accept_multiple_files (bool)：如果为 True，则允许用户同时上传多个文件，在这种情况下，返回值将是文件列表。默认值：False；
key (str/int)：可选的字符串或整数，用作小部件的唯一键；
help (str)：显示在文件上传器旁边的工具提示。
on_change (callable)：file_uploader 的值可选回调。
args (tuple)：传递给回调的可选参数元组。
kwargs (dict)：传递给回调的 kwargs 可选字典。
（4）将数据框显示为交互性表格：st.dataframe(data)
st.sidebar.subheader('* 数据上传 *')
st.subheader('* 数据说明 *')
file = st.sidebar.file_uploader('上传数据', type=['csv'], key=None)
scada_data = pd.read_csv(file)
st.dataframe(scada_data)
3.3 选择时间序列
（5）滑动条：st.slider(label, min_value=None, max_value=None, value=None, step=None, format=None, key=None, help=None, on_change=None, args=None, kwargs=None)
参数详解：
label (str)：简短的标签，提示用户滑动条的用途；
min_value：最小允许值。如果值为 int，则默认为 0，如果为浮点数，则为 0.0，如果为日期/日期时间，则为 value - timedelta(days=14)，如果为时间，则为 time.min；
max_value：最大允许值。如果值为 int，则默认为 100，如果为浮点数，则为 1.0，如果为日期/日期时间，则为 value + timedelta(days=14)，如果为时间，则为 time.max；
value：滑块首次渲染时的值。如果在此处传递一个包含两个值的元组/列表，则会呈现具有这些下限和上限的范围滑块。例如，如果设置为(1, 10)，滑块将有一个介于 1 和 10 之间的可选范围。默认为 min_value。
step(int/float/timedelta/None)：步长间隔，如果值为整数，则默认为 1，如果为浮点数，则默认为 0.01，如果是日期/日期时间，则默认为 0.01，如果是日期/日期时间，则默认为 timedelta(minutes=15)（或者如果 max_value - min_value < 1 天）；
format (str/None)：printf 样式的格式字符串，控制界面应如何显示数字。这不会影响返回值。int/float 格式器支持：%d %e %f %g %i 日期/时间/日期时间格式器使用 Moment.js 符号
（6）写入：st.write(*args, **kwargs)
write（）是个百宝箱，可以根据（）里的命令显示相应的内容，比如：
write(string) : 打印格式化的 Markdown 字符串，使用支持 LaTeX 表达式和表情符号短代码。
write(data_frame) ：将 DataFrame 显示为表格。
write(error) ：专门打印异常。
write(func) ：显示有关函数的信息。
write(module) ：显示有关模块的信息。
write(dict) ：在交互式小部件中显示 dict。
write(mpl_fig) ：显示 Matplotlib 图。
write(altair) ：显示 Altair 图表。
write(keras) ：显示 Keras 模型。
write(graphviz) ：显示 Graphviz 图。
write(plotly_fig) ：显示 Plotly 图。
write(bokeh_fig) ：显示散景图。
write(sympy_expr) ：使用 LaTeX 打印 SymPy 表达式。
write(htmlable) ：如果可用，则为对象打印 repr_html() 。
write(obj) ：如果其他未知，则打印 str(obj)
等等等等…
# ---------------------------选择时间序列-----------------------
st.sidebar.subheader('* 时间序列 *')
st.subheader('* 时间序列 *')
options = np.array(scada_data['real_time']).tolist()
(start_time, end_time) = st.select_slider("请选择时间序列：", options=options,value=(options[0], options[len(options) - 1]))
# setting index as date
scada_data['real_time'] = pd.to_datetime(scada_data['real_time'], format='%Y-%m-%d')
scada_data.index = scada_data['real_time']
st.write("序列开始时间：", start_time)
st.write("序列结束时间：", end_time)
scada_data = scada_data[start_time:end_time]
st.dataframe(scada_data)
3.4 时变特性分析
（7）选择框：st.selectbox(label, options, index=0, format_func=special_internal_function, key=None, help=None, on_change=None, args=None, kwargs=None)
注意： #选择框内的元素是SCADA数据中的标签，可按照实际的标签修改；
（8）折线图：st.line_chart(data)
# ---------------------------数据分析-----------------------
st.header('------------------------数据分析------------------------')
st.sidebar.header('-----------------数据分析-----------------')
# -----------时变特性分析-----------------
st.sidebar.subheader('* 时变特性分析 *')
st.subheader('* 时变特性分析 *')
type = st.sidebar.selectbox('请选择分析对象：',
('ActivePower', 'WindSpeed', 'NacellePosition', 'WindDirction', 'AirPressure',
'Temperature', 'PitchAngle', 'ErrorMode', 'OperationMode', 'GeratorSpeed', 'RotorSpeed',
'AirDensity'))
st.write("选择的分析对象为：", type)
st.line_chart(scada_data[type])
3.5 风玫瑰图
python中可以使用windrose库绘制玫瑰图。
先安装：$ pip install windrose
后引入：from windrose import WindroseAxes
具体使用方法，请详见官方文档。
官方给出的例子：
from windrose import WindroseAxes
from matplotlib import pyplot as plt
import matplotlib.cm as cm
import numpy as np
# Create wind speed and direction variables
ws = np.random.random(500) * 6
wd = np.random.random(500) * 360
ax = WindroseAxes.from_ax()
ax.bar(wd, ws, normed=True, opening=0.8, edgecolor='white')
ax.set_legend()
然后依葫芦画瓢，先画玫瑰图，再显示图。
（9）显示matplotlib.pyplot 的图：st.pyplot(fig)
# -----------风玫瑰图-----------------
st.sidebar.subheader('* 风玫瑰图 *')
st.subheader('* 风玫瑰图 *')
ws = scada_data['WindSpeed']
wd = scada_data['WindDirction']
ax = WindroseAxes.from_ax()
fig = ax.bar(wd, ws, normed=True, opening=0.8, edgecolor='white')
st.set_option('deprecation.showPyplotGlobalUse', False)
st.pyplot(fig)
3.6 相关性分析
3.6.1 Pearson相关性
# -----------相关性分析-----------------
st.sidebar.subheader('* 相关性分析 *')
st.subheader('* 相关性分析 *')
# data.corr()计算相关系数
# Pearson相关性
st.sidebar.subheader(" (1) Pearson相关系数")
st.subheader(" (1) Pearson相关系数")
corr = scada_data.corr()
st.write("相关性系数:", corr)
fig, ax = plt.subplots(figsize=(8, 8)) # 调整画布大小
ax = sns.heatmap(corr, vmax=.8, square=True, annot=True) # 画热力图 annot=True 显示系数
st.pyplot(fig)
3.6.2 自相关性
# 自相关性acf
st.sidebar.subheader(" (2) 自相关性")
st.subheader(" (2) 自相关性")
type_acf = st.sidebar.selectbox('请选择自相关性分析对象：',
(
'ActivePower', 'WindSpeed', 'NacellePosition', 'WindDirction', 'AirPressure',
'Temperature',
'PitchAngle', 'ErrorMode', 'OperationMode', 'GeratorSpeed', 'RotorSpeed',
'AirDensity'))
st.write("选择的自相关性分析对象为：", type_acf)
lags = st.sidebar.number_input("请输入自相关性的阶数：", min_value=1, max_value=200, value=30, step=1)
st.write("选择的自相关性阶数为：", lags)
data_acf = acf(scada_data[type_acf], unbiased=False, nlags=lags, qstat=False, fft=None, alpha=None, missing='none')
st.write("自相关性系数：", data_acf)
plot_acf(scada_data[type_acf])
st.pyplot()
4. 本地运行
Step1：打开CMD，在命令行模式进入文件夹路径
我的文件位置是：D:\project\test\data_analysis.py
Step2：运行streamlit文件streamlit run 文件名.py
Step3：会显示URL，在浏览器打开URL，就可以本地打开了。
还有一种方法，是在pycharm的terminal中打开streamlit run 文件名.py，这样就不用在cmd内进入文件夹位置了。
我们可以看到，本地部署的url是8502的端口，如果需要展示的话，不能关掉程序哦，要保持程序开着，url才能打开，这样是不是很不方便，接下来我们就快速部署，不用本地也能打开链接了。
5. Streamlit快速部署
首先我们来看看官方文档怎么部署的：
Step1：将你的App添加到 GitHub；
Step2：在streamlit cloud上部署你的App
Step3：部署的高级设置；
Step4：等待部署
关于Streamlit的快速部署，官方文档就给出了以上4个步骤，是不是很简单！好多，接下来我们一步一步来。
5.1 将App添加到GitHub
首先，你得有GitHub的账户，这一步省略。。这里是用Pycharm中将整个文件夹上传的哈。Pycharm关联GitHub和Git，这里也省略哈。
test文件夹包含两个文件，data_analysis.py为上述数据分析的代码，requirements.txt是APP需要装的依赖。
Step1：VCS --> Import into Version Control -->Share Project on GitHub
Step2：填写项目信息
Step3：初次提交的文件
Step4：上传成功
5.2 streamlit cloud上部署App
Step1：进入streamlit cloud关联GitHub账户，点击“New app”
Step3：配置APP。要么自己填，要么复制GitHub URL，一键部署。
将GitHub的URL复制上去就可以了：https://github.com/SooHooLee/test/blob/master/data_analysis.py
5.3 部署的高级设置
可以选择python的版本等，
Step4：等待部署
App正在部署，大多数只需几分钟即可部署，但如果很多依赖项，则首次部署可能需要一些时间。初始部署后，任何不涉及依赖项的更改都应立即显示。
等放气球就是部署好了，web app URL 的标准结构：
https://share.streamlit.io/[user name]/[repo name]/[branch name]/[app path]
例如：http://share.streamlit.io/streamlit/demo-self-driving/master/streamlit_app.py
文中代码请详见GitHub:
https://github.com/SooHooLee/test
项目的web app请详见：
https://share.streamlit.io/soohoolee/test/data_analysis.py
关于一些问题的碎碎念：
1、没有上传数据会出现ValueError，上传数据就好了(因为streamlit是从上到下依次执行的，没有上传数据的话，后面找不到data，所以报错）。
2、关于数据的格式：数据的属性名称需要按照给定的来选择，不然后面选择时间序列分析找不到相应的数据内容了。都是SCADA数据的常规标签。
数据不便给出，可以上传自己的数据试试，或者造数据测试一下。
3、也有使用其他方法来部署的，比如：docker+阿里服务器，heroku等，
参考：
1、Streamlit
2、Streamlit 部署指南 (wiki)
标签：数据分析,None,st,write,streamlit,scada,data,SCADA 来源： https://blog.csdn.net/weixin_39671962/article/details/121840161