仪表盘 (Dashboard),可简单的理解为一个交互式网页,在其中,用户可以不懂代码,拖拖拽拽即可与数据交互、做数据探索建模分析、展示自己关注的结果
。
本文汇总了Python/R/Julia中5款仪表盘 (Dashboard)工具
,简单比较其使用场景、学习难度、成熟度、支持语言等。
![74f165421812e5b88e0e3fd678a2c768.png](https://i-blog.csdnimg.cn/blog_migrate/2d9886ddf220d5683d76209c3e1cf71c.png)
Dash
Dash和前面介绍的plotly出自同一家公司,可基于Python, R, Julia和 F#语言高效开发仪表盘
,为机器学习和数据科学结果提供良好展示;Dash专注于企业级仪表板的创建
,部分功能
开源(人名币玩家可尝试全功能企业版本),高级API plotly-express的发布使Dash更容易上手;一个简单的Python Dash例子
,使用熟悉的iris数据集,代码存入dash.t.py中,内容如下,
import dash
from dash import dcc
from dash import html
from dash.dependencies import Input, Output
import plotly.express as px
df = px.data.iris()
all_dims = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
app = dash.Dash(__name__)
app.layout = html.Div([
dcc.Dropdown(id="dropdown",
options=[{
"label": x,
"value": x
} for x in all_dims],
value=all_dims[:2],
multi=True),
dcc.Graph(id="splom"),
])
@app.callback(Output("splom", "figure"), [Input("dropdown", "value")])
def update_bar_chart(dims):
fig = px.scatter_matrix(df, dimensions=dims, color="species")#plotly.express可视化
return fig
app.run_server(debug=True)
python dash.t.py
Dash is running on http://xxx/
浏览器中打开 http://xxx/进一步学习:https://github.com/plotly/dash
Streamlit
相较于Dash,Streamlit只能基于Python开发仪表盘
,但是完全开源
;比Dash更容易上手,几分钟即可创建一个仪表盘
,可节省更多时间做数据分析。一个简单Python Streamlit例子
,求任意数平方,代码存入stre.t.py中,内容如下,
import streamlit as st
x = st.slider('Select a value')
st.write(x, 'squared is', x * x)
streamlit run stre.t.py
You can now view your Streamlit app in your browser.Local URL: http://xx
打开http://xx更复杂的例子,利用自动驾驶数据集,使用YOLO做对象检测,
进一步学习:https://github.com/streamlit/streamlit
Shiny
Shiny是R中的工具,能非常友好的融合R中的其它工具
,譬如ggplot2等,推荐R用户使用
;Shiny功能不及Dash强大,特别是Dash的企业收费版本
。
一个例子,和ggplot2一样,创建的页面非常优雅,
进一步学习:https://github.com/rstudio/shiny
https://shiny.rstudio.com/tutorial/
Voila
Jupyter Notebook重度玩家首选
,Voila快速将Jupyter Notebook变成仪表盘;
Voila非常轻量级
,当需要将Jupyter Notebook结果展示给非技术团队时推荐。
Python Voila一个简单例子
,
进一步学习:https://github.com/voila-dashboards/voila
Panel
需要快速将Jupyter Notebook变成仪表盘,但是Voila又不能充分满足这个需求时,推荐Panel
。
进一步学习:https://github.com/holoviz/panel
比较结果
比较结果汇总,参考6个指标 :
成熟度 (Maturity)
知名度 (Popularity)
上手难度 (Simplicity)
应用灵活度 (Adaptability)
聚焦场景 (Focus)
支持语言 (Language support)
结果划分分A、B、C三个等级:
-END-
往期精彩回顾
适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑
交流群
欢迎加入机器学习爱好者微信群一起和同行交流,目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群,请扫描下面的微信号加群,备注:”昵称-学校/公司-研究方向“,例如:”张小明-浙大-CV“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~(也可以加入机器学习交流qq群772479961)