DEV Community

Mirina-Gonzales
Mirina-Gonzales

Posted on

Streamlit desde cero: cómo crear una app para explorar y visualizar datos desde un CSV

#python #streamlit #datascience #dataengineering

Streamlit desde cero: cómo cargar, explorar y graficar datos desde un archivo CSV

📚 Índice

🧭 Introducción

En este artículo se usará Streamlit desde cero para construir una aplicación interactiva que permita cargar, explorar y visualizar datos desde un archivo CSV de manera local.

El objetivo es que puedas crear rápidamente una app para análisis exploratorio de datos (EDA), utilizando Python y librerías relacionadas a datos.

El repositorio es el siguiente: https://github.com/Mirina-Gonzales/tech-talks-with-miri/tree/main/demo-local-streamlit

🏗️ Arquitectura Propuesta

Esta es la arquitectura que se implementará

Arqutectura a implementar

✏️ Tecnologías Utilizadas

  • Python es un lenguaje de programación de alto nivel, fácil de aprender y muy versátil, utilizado ampliamente en desarrollo web, automatización, ciencia de datos, inteligencia artificial y muchas otras áreas.
  • Pandas es una biblioteca de Python diseñada para manipular, limpiar y analizar datos de forma eficiente, ofreciendo estructuras como DataFrames.
  • Streamlit es un framework de Python de código abierto que permite a científicos de datos e ingenieros de IA/ML crear aplicaciones interactivas de datos con solo unas pocas líneas de código.
  • Github es una plataforma en la nube basada en el sistema de control de versiones git, que se utiliza para alojar, compartir y colaborar en proyectos de software.

👷🏼 Implementación Paso a Paso

📌 Preparar el ambiente en el ordenador:

  • Crear un ambiente virtual: se recomienda crear un ambiente virtual, ya que ayuda a evitar conflictos de versiones entre proyectos y a mantener un entorno de trabajo limpio.

  • Instalar librerías: Se puede instalar la librería desde un archivo que se tiene en el repositorio que se llama requirements o instalar cada una de las librerías. Recomiendo la primera opción.

Se usarán las siguientes librerías:

  • streamlit
  • pandas
  • numpy
  • matplotlib
  • seaborn
  • plotly
  • scikit-learn

#### Crear un ambiente en el ordenador llamado env-local-streamlit y listar los paquetes instalados. 

# Crear ambiente
python -m venv env-local-streamlit

# Activar ambiente
source env-local-streamlit/bin/activate

# Listar librerías antes de instalar
pip list
Enter fullscreen mode Exit fullscreen mode

comandos de crear ambiente

📌 Instalar los paquetes, usando el archivo requirements.txt 

# Instalar paquetes
pip install -r requirements.txt
Enter fullscreen mode Exit fullscreen mode

Listar las librerías luego de instalar los requerimientos
Listar librerías luego de ejecutar el requirements

📌 Análisis del código

  • Se pueden usar st.header, st.subheader y st.write para mostrar títulos y textos en la aplicación. 
st.header("Probar Streamlit de manera local")

st.subheader("3. Presentación de gráficos para análisis exploratorio de datos (EDA)")

st.write("⭐ ¿Cuál es la distribución de los diferentes estados de fumador dentro de los grupos de personas con y sin diabetes?")
Enter fullscreen mode Exit fullscreen mode

Imprimir las tres opciones de texto

  • Configuración de la página 
st.set_page_config( page_title="Streamlit local", page_icon="📁", layout="wide" )
st.title("💻 Probar Streamlit de manera local")
st.write("""
Esta aplicación demuestra cómo cargar y explorar un conjunto de datos localmente usando Streamlit.
El conjunto de datos utilizado es un conjunto de datos ficticio sobre diabetes.
""")
Enter fullscreen mode Exit fullscreen mode
  • Para importar los datos desde un archivo CSV local se utiliza Pandas. 
uploaded_file = "data/diabetes_dataset.csv"
df = pd.read_csv(uploaded_file)
st.success(" ✅ Archivo cargado correctamente.")
Enter fullscreen mode Exit fullscreen mode
  • Para imprimir un dataframe usamos st.dataframe 
st.dataframe(df.head())
st.dataframe(df.describe())
st.write("Filas y columnas:", df.shape)
Enter fullscreen mode Exit fullscreen mode

Imprimir dataframe

  • Puedes experimentar con diferentes filtros para las visualizaciones en este caso st.slider 
visualizacionn = st.slider("Número de filas", 5, 100, 5)
st.dataframe(df.head(n))
Enter fullscreen mode Exit fullscreen mode

visualizar el filtro de slide

  • Imprimir un Treemap 
fig = px.treemap(
    df,
    path=["diagnosed_diabetes", "smoking_status"],
    title="Treemap jerárquico: Diabetes → Fumador"
)
st.plotly_chart(fig, use_container_width=True)
Enter fullscreen mode Exit fullscreen mode

imprimir treemap

  • Imprimir Pie Chart 
st.subheader("Diabéticos")
diab = df[df["diagnosed_diabetes"] == 1]["smoking_status"].value_counts()

fig1, ax1 = plt.subplots(figsize=(5,5))
ax1.pie(diab, labels=diab.index, autopct="%1.1f%%")
ax1.set_title("Fumadores (Diabéticos)")
st.pyplot(fig1)
Enter fullscreen mode Exit fullscreen mode

imprimir pie chart

🏃🏼‍♀️ Ejecutar aplicación

Para ejecutar la aplicación, primero se debió instalar los paquetes y debes estar dentro de la carpeta en la terminal

streamlit run src/main.py
Enter fullscreen mode Exit fullscreen mode

ejemplo de ejecutar aplicacion streamlit

Imagen de la aplicación ejecutandose

🧠 Conclusiones

Streamlit es una herramienta que facilita la visualización de datos. En este blog vimos como desplegar una primera aplicación usando streamlit de manera local y tener el primer contacto con streamlit sin preocuparte por servicios en la nube.

⭐ Recursos Recomendados

⭐ Sobre la Autora

Mirina Gonzales

Data Engineer | Women Techmakers Ambassador

🔗 LinkedIn: linkedin.com/in/mirina-gonzales-rodriguez/

💻 GitHub: github.com/Mirina-Gonzales

✍️ Blog: dev.to/mirinagonzales | medium.com/@mirina.gonzales

Top comments (0)