4Geeks logo
4Geeks logo

Bootcamps

Explora nuestra extensa colección de cursos diseñados para ayudarte a dominar varios temas y habilidades. Ya seas un principiante o un aprendiz avanzado, aquí hay algo para todos.

Academia

Aprende en vivo

Únete a nosotros en nuestros talleres gratuitos, webinars y otros eventos para aprender más sobre nuestros programas y comenzar tu camino para convertirte en desarrollador.

Próximos eventos en vivo

Catálogo de contenidos

Para los geeks autodidactas, este es nuestro extenso catálogo de contenido con todos los materiales y tutoriales que hemos desarrollado hasta el día de hoy.

Tiene sentido comenzar a aprender leyendo y viendo videos sobre los fundamentos y cómo funcionan las cosas.

Full-Stack Software Developer - 16w

Data Science and Machine Learning - 16 wks

Buscar en lecciones


IngresarEmpezar
← Regresar a lecciones

Weekly Coding Challenge

Todas las semanas escogemos un proyecto de la vida real para que construyas tu portafolio y te prepares para conseguir un trabajo. Todos nuestros proyectos están construidos con ChatGPT como co-pilot!

Únete al reto

Podcast: Code Sets You Free

Un podcast de cultura tecnológica donde aprenderás a luchar contra los enemigos que te bloquean en tu camino para convertirte en un profesional exitoso en tecnología.

Escuchar el podcast
Editar en Github

Implementar Modelo Usando Streamlit y Heroku

Implementación de un modelo de Machine learning usando Streamlit y Heroku

Implementación de un modelo de Machine learning usando Streamlit y Heroku

Imagina que puedes convertir secuencias de comandos simples de Python en hermosas aplicaciones web. Bueno, esa herramienta existe y se llama Streamlit.

Streamlit es un marco de código abierto para crear aplicaciones de ciencia de datos y Machine Learning para la exploración de datos de la manera más rápida posible. Incluso te brinda una experiencia de codificación en tiempo real. Puedes iniciar tu aplicación streamlit y cada vez que guardes, ¡verás tu código reflejado en el navegador al mismo tiempo!

Los principios básicos de Streamlit:

  1. Adopta las secuencias de comandos de Python. Si sabes cómo escribir secuencias de comandos de Python, puedes escribir aplicaciones Streamlit. Por ejemplo, así es como se escribe en la pantalla:
1import streamlit as st 2st.write('Hello, world!')

streamlit1

  1. Trata los widgets como variables. ¡No hay devoluciones de llamada en Streamlit! Cada interacción simplemente vuelve a ejecutar el script de arriba abajo. Este enfoque conduce a un código realmente limpio:
1import streamlit as st 2x = st.slider('x') 3st.write(x, 'squared is', x * x)

streamlit2

  1. Reutiliza datos y cálculos. ¿Qué sucede si descargas muchos datos o realizas cálculos complejos? La clave es reutilizar de forma segura la información entre ejecuciones. Streamlit presenta una primitiva de caché que se comporta como un almacén de datos persistente e inmutable de forma predeterminada que permite que las aplicaciones de Streamlit reutilicen la información de forma segura y sin esfuerzo. Mira el siguiente ejemplo:
1import streamlit as st 2import pandas as pd 3 4# ¡Reutiliza estos datos en las ejecuciones! 5read_and_cache_csv = st.cache(pd.read_csv) 6 7BUCKET = "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/" 8data = read_and_cache_csv(BUCKET + "labels.csv.gz", nrows=1000) 9desired_label = st.selectbox('Filter to:', ['car', 'truck']) 10st.write(data[data.label == desired_label])

streamlit3

Ahora, sigamos adelante e instalemos Streamlit usando pip:

1pip install --upgrade streamlit

Una vez completada la instalación, usa el siguiente comando para ver una demostración de una aplicación con código de ejemplo:

1streamlit hello

Ahora puedes ver tu aplicación en su navegador: http://localhost:8501

La simplicidad de estas ideas no te impide crear aplicaciones increíblemente ricas y útiles con Streamlit.

  • Las aplicaciones Streamlit son archivos Python puros. Para que puedas usar tu editor y depurador favorito con Streamlit.

  • Los scripts de Python puro funcionan a la perfección con Git y otro software de control de código fuente, incluidas confirmaciones, solicitudes de incorporación de cambios, problemas y comentarios. Debido a que el lenguaje subyacente de Streamlit es Python puro, obtiene todos los beneficios.

  • Streamlit proporciona un entorno de codificación en vivo de modo inmediato. Simplemente haz clic en Volver a ejecutar siempre cuando Streamlit detecte un cambio en el archivo de origen.

  • Streamlit está diseñado para GPU. Streamlit permite el acceso directo a primitivas a nivel de máquina como TensorFlow y PyTorch y complementa estas bibliotecas.

streamlit4

Características básicas de Streamlit

Aquí explicaremos algunas de las características básicas, pero para obtener una documentación completa de Streamlit, puedes hacer clic en el siguiente enlace: https://docs.streamlit.io/

Widgets de selección

Hay muchos widgets disponibles, incluidos los siguientes:

  • SelectBox
1age = streamlit.selectbox("Choose your age:", np.arange(18, 66, 1))

streamlit_selectbox

Otra opción:

1select = st.selectbox('Select a State',data['State'])

El primer parámetro es el título del cuadro de selección y el segundo parámetro define una lista de valores que se completarán en el cuadro de selección. Aquí, el segundo parámetro es un nombre de columna "Estado" en el archivo .csv que cargamos.

  • Slider
1age = streamlit.slider("Choose your age: ", min_value=16, 2 max_value=66, value=35, step=1)

streamlit_slider

  • Multiselect
1artists = st.multiselect("Who are your favorite artists?", 2 ["Michael Jackson", "Elvis Presley", 3 "Eminem", "Billy Joel", "Madonna"])

streamlit_multiselect

  • Checkbox
1st.sidebar.checkbox("Show Analysis by State", True, key=1)

El primer parámetro en la casilla de verificación define el título de la casilla de verificación, el segundo parámetro define Verdadero o Falso si está marcada de forma predeterminada o no y el tercer parámetro define la clave única para la casilla de verificación.

Almacenamiento en caché

El problema con muchas herramientas de tablero es que los datos se vuelven a cargar cada vez que seleccionas una opción o cambia de página. Afortunadamente, Streamlit tiene una opción increíble que te permite almacenar en caché los datos y solo ejecutarlos si no se han ejecutado antes. Puedes almacenar en caché cualquier función que crees. Esto puede incluir cargar datos, pero también preprocesarlos o entrenar un modelo complejo una vez.

1import pandas as pd 2import streamlit as st 3 4@st.cache 5def load_data(): 6 df = pd.read_csv("your_data.csv") 7 return df 8 9# Solo se ejecutará una vez si ya está en caché 10df = load_data()

Visualización

Streamlit admite muchas bibliotecas de visualización, incluidas: Matplotlib, Altair, Vega-Lite, Plotly, Bokeh, Deck.GL y Graphviz. ¡Incluso puede cargar audio y video!

1import pandas as pd 2import numpy as np 3import altair as alt 4import streamlit as st 5 6df = pd.DataFrame(np.random.randn(200, 3), columns=['a', 'b', 'c']) 7c = alt.Chart(df).mark_circle().encode(x='a', y='b', size='c', 8 color='c') 9st.altair_chart(c, width=-1)

streamlit_visualization

Un ejemplo diferente:

1def get_total_dataframe(dataset): 2 total_dataframe = pd.DataFrame({ 3 'Status':['Confirmed', 'Active', 'Recovered', 'Deaths'], 4 'Number of cases':(dataset.iloc[0]['Confirmed'], 5 dataset.iloc[0]['Active'], dataset.iloc[0]['Recovered'], 6 dataset.iloc[0]['Deaths'])}) 7 return total_dataframe 8state_total = get_total_dataframe(state_data) 9if st.sidebar.checkbox("Show Analysis by State", True, key=2): 10 st.markdown("## **State level analysis**") 11 st.markdown("### Overall Confirmed, Active, Recovered and " + 12 "Deceased cases in %s yet" % (select)) 13 if not st.checkbox('Hide Graph', False, key=1): 14 state_total_graph = px.bar( 15 state_total, 16 x='Status', 17 y='Number of cases', 18 labels={'Number of cases':'Number of cases in %s' % (select)}, 19 color='Status') 20 st.plotly_chart(state_total_graph)

streamlit_visualization2

Para trazar el gráfico, usamos el método de barra de la biblioteca plotly.express. El primer parámetro es el marco de datos que queremos trazar, el segundo parámetro es la columna del eje x, el tercer parámetro es la columna del eje y, el parámetro de etiquetas es opcional en caso de que desees cambiar el nombre de una columna para el gráfico y el parámetro de color aquí es para codificar por color el gráfico sobre la base de la columna Estado del marco de datos.

Markdown

Podemos generar Markdown y hermosos README con una sola función:

1import streamlit as st 2st.markdown("### 🎲 The Application") 3st.markdown("This application is a Streamlit dashboard hosted on Heroku that can be used" 4 "to explore the results from board game matches that I tracked over the last year.") 5st.markdown("**♟ General Statistics ♟**") 6st.markdown("* This gives a general overview of the data including" 7 "frequency of games over time, most games played in a day, and longest break" 8 "between games.")

streamlit_markdown

Write

La función Write se comporta de manera diferente en función de su entrada. Por ejemplo, si agregas una figura de Matplotlib, automáticamente te mostrará esa visualización.

Algunos ejemplos:

write(string) : Prints the formatted Markdown string. write(data_frame) : Displays the DataFrame as a table. write(dict) : Displays dictionary in an interactive widget. write(keras) : Displays a Keras model. write(plotly_fig) : Displays a Plotly figure.

Creando la aplicación

Veamos cómo podemos crear una aplicación web de ejemplo muy básica. Primero crearemos un archivo python app.py e importaremos las bibliotecas que necesitaremos.

1import streamlit as st 2import pandas as pd 3import numpy as np 4import plotly.express as px

Luego importamos los datos:

1@st.cache(ttl=60*5, max_entries=20) 2def load_data(): 3 data = pd.read_csv('https://github.com/4GeeksAcademy/machine-learning-content/blob/master/assets/titanic_train.csv') 4 return data 5 6data = load_data()

En el método load_data(), estamos leyendo el archivo .csv usando la biblioteca Pandas y estamos haciendo que nuestro código sea eficiente almacenando en caché los datos. Si estos datos siguieran cambiando, borramos nuestra memoria caché cada 5 minutos o para un máximo de 20 entradas. Si los datos no cambian con mucha frecuencia, simplemente podemos usar @st.cache(persist=True). El código anterior es un ejemplo, pero para el modelo Titanic, podríamos mantener persist=True.

Ahora vamos a crear un título, algo de contenido y un menú lateral.

1st.markdown('<style>description{color:blue;}</style>', unsafe_allow_html=True) 2st.title('Titanic survival prediction') 3st.markdown("<description>The sinking of the Titanic is one of the most infamous shipwrecks in history. " + 4"On April 15, 1912, during her maiden voyage, the widely considered “unsinkable” RMS Titanic sank after colliding" + 5"with an iceberg. Unfortunately, there weren’t enough lifeboats for everyone onboard, resulting in the death of " + 6"1502 out of 2224 passengers and crew. While there was some element of luck involved in surviving, it seems some" + 7" groups of people were more likely to survive than others. </description>", unsafe_allow_html=True) 8st.sidebar.title('Select the parameters to analyze survival prediction')

La descripción se muestra en color azul porque usamos HTML para dar el color personalizado como azul. También podemos usar encabezado y subencabezado como usamos st.title() para diferentes encabezados. O podemos usar Markdown para ese propósito.

Cualquier cosa que llamemos con barra lateral se mostrará en la barra lateral.

Una vez que hayas terminado de crear tu propia aplicación, puedes ejecutarla usando:

1streamlit run app.py

Implementación

Ahora que tenemos una aplicación web muy básica, podemos mostrársela a otros al implementarla en Heroku. Por supuesto, Heroku no es la única opción gratuita en el mercado. Una opción gratuita diferente podría ser Amazon EC2 y muchas otras.

Si ya habías instalado la interfaz de línea de comandos (CLI) de Heroku, entonces estás listo para comenzar. Si no, puedes hacerlo desde aquí: https://devcenter.heroku.com/articles/getting-started-with-python#set-up

Esto lo ayudará a administrar su aplicación, ejecutarla localmente, ver sus registros y mucho más.

Proceso de implementación

  • Abre tu cmd.exe e ingresa a la carpeta de la aplicación.

  • Inicia sesión en Heroku con heroku login. Seráa redirigido a una pantalla de inicio de sesión en tu navegador preferido.

  • Mientras tienes tu cmd abierto en la carpeta de su aplicación, primero ejecuta heroku create para crear una instancia de Heroku.

  • Hazle push a todo tu código a esa instancia con git push heroku master.

Esto creará una instancia de Heroku y enviará todo el código de la carpeta de la aplicación a esa instancia. Ahora, la aplicación debe implementarse.

  • Con heroku ps:scale web=1 se asegurará de que se esté ejecutando al menos una instancia de la aplicación.

  • Finalmente, ejecuta heroku open para abrir tu aplicación en el navegador.

Fuente:

https://docs.streamlit.io/

https://www.heroku.com/

https://medium.com/towards-data-science/streamlit-101-an-in-depth-introduction-fc8aad9492f2

https://medium.com/insiderfinance/python-streamlit-app-lets-you-get-any-stock-information-with-just-4-lines-of-code-128b784afab8

https://medium.com/towards-data-science/quickly-build-and-deploy-an-application-with-streamlit-988ca08c7e83

https://medium.com/dataseries/interactive-convolutional-neural-network-65bc19d8d698

https://medium.com/towards-data-science/how-to-deploy-a-streamlit-app-using-an-amazon-free-ec2-instance-416a41f69dc3

https://medium.com/swlh/using-streamlit-to-create-interactive-webapps-from-simple-python-scripts-f78b08e486e7

https://towardsdatascience.com/coding-ml-tools-like-you-code-ml-models-ddba3357eace

https://neptune.ai/blog/streamlit-guide-machine-learning