Aprender Streamlit Visualización de datos y gráficos

La visualización de datos es el núcleo de la mayoría de aplicaciones Streamlit. La biblioteca ofrece desde gráficos nativos de uso inmediato hasta integraciones completas con las principales bibliotecas de visualización del ecosistema Python: Matplotlib, Seaborn, Plotly y Altair.

Gráficos nativos

Los gráficos nativos de Streamlit son la forma más rápida de visualizar datos desde un DataFrame de Pandas o un array de NumPy:

import streamlit as st
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(20, 3), columns=["Serie A", "Serie B", "Serie C"])

st.line_chart(df)
st.bar_chart(df)
st.area_chart(df)
st.scatter_chart(df, x="Serie A", y="Serie B", size="Serie C")

Todos los gráficos nativos son interactivos por defecto (zoom, selección de series) y responden a los temas de la aplicación.

Mapas geoespaciales

import pandas as pd
import streamlit as st

# Mapa de puntos básico con lat/lon
df_mapa = pd.DataFrame({
    "lat": [40.416, 41.385, 39.470],
    "lon": [-3.703, 2.173, -0.376]
})
st.map(df_mapa)

# Mapa avanzado con PyDeck
import pydeck as pdk
st.pydeck_chart(pdk.Deck(
    map_style="mapbox://styles/mapbox/light-v9",
    initial_view_state=pdk.ViewState(latitude=40.416, longitude=-3.703, zoom=5),
    layers=[pdk.Layer("ScatterplotLayer", data=df_mapa, get_position=["lon", "lat"])]
))

Matplotlib y Seaborn

import matplotlib.pyplot as plt
import seaborn as sns

fig, ax = plt.subplots(figsize=(10, 5))
sns.histplot(df["Serie A"], kde=True, ax=ax)
ax.set_title("Distribución de Serie A")
st.pyplot(fig)

Plotly (gráficos interactivos avanzados)

import plotly.express as px

fig = px.scatter(df, x="Serie A", y="Serie B", color="Serie C",
                 title="Gráfico de dispersión interactivo")
st.plotly_chart(fig, use_container_width=True)

Altair y Graphviz

import altair as alt

chart = alt.Chart(df.reset_index()).mark_line().encode(
    x="index:Q", y="Serie A:Q"
).properties(title="Serie A con Altair")
st.altair_chart(chart, use_container_width=True)

# Grafos de dependencias
st.graphviz_chart("digraph { Datos -> Modelo -> Predicción -> Dashboard }")

Este módulo convierte a los estudiantes en usuarios avanzados de la capa de visualización de Streamlit, capaces de elegir la herramienta adecuada para cada tipo de dato y audiencia.