『玩转Streamlit』--可编辑表格
之前介绍过两个数据展示的组件，st.dataframe和st.table。今天介绍的st.data_editor组件，除了展示数据的功能更加强大之外，还可以编辑数据。
1. 概要
st.data_editor组件在数据展示和编辑中都发挥着独特且重要的作用。
首先，在数据展示方面，它的优势在于：
[*]直观性：以表格形式展示数据，使得数据更加直观易懂。通过该组件可以方便地查看数据集的整体结构和细节
[*]适应性：能够自动适应屏幕宽度，并支持水平或垂直滚动，确保用户能方便地浏览整个数据集
[*]交互性：支持对数据进行排序、筛选和搜索等操作，增强了数据的可读性和交互性
在数据编辑方面，优势也很明显：
[*]灵活性：支持类电子表格编辑，可以在界面上直接对数据进行增删改操作，无需通过代码实现，提高了数据编辑的灵活性
[*]定制性：提供了丰富的列定制选项，如通过st.column_config可以设置列的标题、类型、格式以及编辑属性（如最小/最大值或步长）等，以满足不同场景下的数据编辑需求
[*]多数据类型支持：支持多种数据类型的数据编辑，包括数值、文本、日期、时间等，使得数据编辑更加全面和便捷
[*]状态管理：具有状态管理机制，可以记录用户的编辑操作，并在必要时进行回滚或提交。这使得数据编辑过程更加安全和可控
2. 基本用法
st.data_editor组件多用在需要实时编辑数据的情况，它主要参数有：
名称类型说明data-任何适合渲染成表格的数据类型widthint数据编辑器的宽度，单位 pxheightint数据编辑器的高度，单位 pxuse_container_widthbool是否使用父容器宽度hide_indexbool是否隐藏索引列column_order指定列的显示顺序column_configdict配置列的显示方式，例如标题、可见性、类型或格式，以及编辑属性等等num_rowsstr控制用户是否可以在数据编辑器中添加和删除行disabledbool 或 是否禁用编辑keystr组件名称，具有唯一性这里重点关注两个参数，data和column_config。
data这个参数支持的数据类型非常宽泛，具体包括：pandas.DataFrame, pandas.Series, pandas.Styler, pandas.Index, pyarrow.Table, numpy.ndarray, pyspark.sql.DataFrame, snowflake.snowpark.DataFrame, list, set, tuple, dict等等。
几乎所有常用的存储数据的结构都包含了。
column_config这个参数可以高度定制列的显示和编辑行为，极大的增强了st.data_editor的能力，
在后面的高级用法中会详细介绍。
2.1. 使用示例
下面通过一个根据实际应用简化的示例来演示st.data_editor基本用法。
我们构建一个简单的产品库存管理系统，通过一个界面来展示和编辑产品的库存数据。
上面用st.data_editor来编辑表格数据，下面用st.dataframe同步显示编辑后的数据。
import streamlit as st
import pandas as pd
# 模拟产品库存数据
inventory_data = pd.DataFrame(
{
"Product ID": ,
"Product Name": ["Apple", "Banana", "Cherry"],
"Quantity": ,
"Price": ,
}
)
# 使用st.data_editor展示和编辑库存数据
st.title("产品库存管理系统")
edited_inventory = st.data_editor(
inventory_data,
width=600,
height=300,
num_rows="dynamic",
)
# 显示编辑后的数据（可选，此处仅为展示效果）
st.write("编辑后的库存数据：")
st.dataframe(edited_inventory)
3. 高级用法
结合column_config参数，我们可以高度定制st.data_editor的列的显示和编辑行为。
比如：
[*]自定义列显示：设置列的标题、帮助信息、格式等，使数据编辑器的界面更加友好和易读
[*]控制列编辑行为：指定列的数据类型、最小值、最大值、步长等，从而控制用户对该列的编辑行为。例如，可以将一列设置为数字类型，并限制其输入范围
[*]添加特殊类型的列：支持多种特殊类型的列，如图表列、进度条列、链接列等，这些特殊类型的列可以提供更丰富的数据展示和编辑体验
3.1. 使用示例
下面我们构建一个学生成绩管理系统，使用st.data_editor展示和编辑学生成绩，
并通过st.column_config定制列的显示和编辑行为。
下面的示例中，定义了每个列的标题，同时定义了各科目的最高分和显示的format。
import streamlit as st
import pandas as pd
# 模拟学生成绩数据
student_grades = pd.DataFrame(
{
"Student Name": ["Alice", "Bob", "Charlie"],
"Math": ,
"Science": ,
"English": ,
}
)
# 定义列配置
column_config = {
"Student Name": {"label": "学生姓名"},
"Math": st.column_config.NumberColumn(
label="数学成绩",
min_value=0,
max_value=150,
format="%d 分",
),
"Science": st.column_config.NumberColumn(
label="科学成绩",
min_value=0,
max_value=40,
format="%d 分",
),
"English": st.column_config.NumberColumn(
label="英语成绩",
min_value=0,
max_value=120,
format="%d 分",
),
}
# 使用st.data_editor展示和编辑学生成绩，并应用列配置
st.title("学生成绩管理系统")
edited_grades = st.data_editor(
student_grades,
width=500,
height=300,
column_config=column_config,
num_rows="dynamic",
)
# 显示编辑后的数据（用于确认更改）
st.write("编辑后的学生成绩：")
st.dataframe(edited_grades)
下面构造一个更复杂的列的示例，其中使用了下拉框，进度条和柱状图作为列。
注意，进度条和柱状图的列是不能编辑的。
# 模拟项目数据
project_data = pd.DataFrame(
{
"Project Name": ["Project A", "Project B", "Project C"],
"Status": ["In Progress", "Completed", "Pending"],
"Progress": ,# 进度百分比
"Sales": [
,
,
,
],# 销售额
}
)
# 定义状态选项列表
statuses = ["In Progress", "Completed", "Pending", "On Hold"]
# 定义列配置
column_config = {
"Project Name": {"label": "项目名称"},
"Status": st.column_config.SelectboxColumn(
"状态",
options=statuses,
),
"Progress": st.column_config.ProgressColumn(
"进度",
min_value=0,
max_value=100,
format="%d%%",# 显示百分比
),
"Sales": st.column_config.BarChartColumn(
"销售额变化",
y_min=100,
y_max=2000,
),
}
# 使用st.data_editor展示和编辑项目数据（不包含图表列）
st.title("项目管理系统")
edited_projects = st.data_editor(
project_data,
width=500,
height=300,
column_config=column_config,
num_rows="dynamic",
)
4. 总结
总之，st.data_editor是Streamlit中一个功能强大的组件，它提供了类似电子表格的方式在线编辑DataFrame或其他类似结构的数据，直观易用。
然而，它也存在一些劣势，如状态管理复杂性、性能问题以及定制化限制等。
在实际应用中，需要根据具体需求权衡利弊，并结合Streamlit的其他组件和Python的强大生态来实现更复杂的数据处理和分析功能。
来源:https://www.cnblogs.com/wang_yb/p/18576592
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]