Streamlit для аналітиків даних: інтерактивні дашборди на Python

Що таке Streamlit і для чого він аналітику

Streamlit — це відкрита Python-бібліотека, яка перетворює звичайний скрипт на інтерактивний вебдодаток. Ви пишете код так само, як пишете аналіз у Jupyter Notebook, а Streamlit рендерить результат у браузері з готовими віджетами — слайдерами, фільтрами, таблицями, графіками.

Для аналітика даних це означає: більше не потрібно надсилати статичні Excel-звіти або чекати розробника для деплою дашборду. Ви пишете логіку самостійно і ділитесь посиланням.

Коли Streamlit підходить аналітику:

• Потрібен інтерактивний прототип дашборду швидше, ніж за день
• Дані в Python/Pandas, а не в Google Sheets
• Стейкхолдери мають змогу самостійно фільтрувати дані
• Потрібно показати ML-модель або результати A/B-тесту наочно
• Немає бюджету на Tableau або Power BI

Встановлення та перший запуск

pip install streamlit pandas plotly sqlalchemy

Створіть файл app.py і додайте:

import streamlit as st
import pandas as pd
import plotly.express as px

st.title("Мій перший дашборд")

df = pd.DataFrame({
    "Місяць": ["Січ", "Лют", "Бер", "Кві", "Тра"],
    "Виручка": [120000, 145000, 138000, 162000, 175000]
})

fig = px.bar(df, x="Місяць", y="Виручка", title="Виручка по місяцях")
st.plotly_chart(fig, use_container_width=True)
st.dataframe(df)

Запустіть:

streamlit run app.py

Браузер відкриється автоматично на http://localhost:8501. Будь-яке збереження файлу — дашборд оновлюється миттєво.

Ключові компоненти для аналітики

Фільтри та віджети

import streamlit as st
import pandas as pd

df = pd.read_csv("sales.csv")

# Сайдбар з фільтрами
st.sidebar.header("Фільтри")

regions = st.sidebar.multiselect(
    "Регіон",
    options=df["region"].unique(),
    default=df["region"].unique()
)

date_range = st.sidebar.date_input(
    "Діапазон дат",
    value=(df["date"].min(), df["date"].max())
)

# Застосування фільтрів
filtered = df[
    (df["region"].isin(regions)) &
    (df["date"] >= str(date_range[0])) &
    (df["date"] <= str(date_range[1]))
]

st.metric("Загальна виручка", f"${filtered['revenue'].sum():,.0f}")
st.dataframe(filtered)

Метрики KPI

col1, col2, col3 = st.columns(3)

col1.metric(
    label="Виручка",
    value="$162,400",
    delta="+12.3% vs минулий місяць"
)
col2.metric(
    label="Замовлення",
    value="1,847",
    delta="+8.1%"
)
col3.metric(
    label="Середній чек",
    value="$87.9",
    delta="-2.1%",
    delta_color="inverse"  # червоний для зростання — коли менше = краще
)

Підключення до SQL бази даних

Streamlit має вбудований коннектор для більшості баз даних через st.connection (доступний з версії 1.22).

import streamlit as st
import pandas as pd

# Підключення через st.connection (рекомендовано)
conn = st.connection("postgresql", type="sql")

# Запит з кешуванням на 10 хвилин
@st.cache_data(ttl=600)
def load_sales():
    return conn.query("""
        SELECT
            DATE_TRUNC('month', order_date) AS month,
            region,
            SUM(revenue)                    AS revenue,
            COUNT(*)                        AS orders
        FROM orders
        WHERE order_date >= NOW() - INTERVAL '12 months'
        GROUP BY 1, 2
        ORDER BY 1
    """, ttl=600)

df = load_sales()
st.line_chart(df.pivot(index="month", columns="region", values="revenue"))

Налаштування підключення зберігається у .streamlit/secrets.toml:

[connections.postgresql]
dialect = "postgresql"
host = "localhost"
port = 5432
database = "analytics"
username = "analyst"
password = "your_password"

Розгортання на Streamlit Cloud

Streamlit Cloud — безкоштовний хостинг для публічних репозиторіїв GitHub:

1. Завантажте app.py та requirements.txt у GitHub-репозиторій
2. Зайдіть на share.streamlit.io і увійдіть через GitHub
3. Натисніть New app → виберіть репозиторій і файл
4. Додайте секрети у розділі Advanced settings → Secrets
5. Натисніть Deploy

Через 1–2 хвилини дашборд доступний за публічним посиланням вигляду yourapp.streamlit.app.

Streamlit vs Power BI vs Tableau