python開發實時可視化儀表盤的示例
本文示例代碼已上傳至我的Github倉庫https://github.com/CNFeffery/DataScienceStudyNotes
1 簡介
這是我的系列教程「Python+Dash快速web應用開發」的第十五期，在前面的一系列教程中，我們針對Dash中的各種常用基礎概念作瞭比較詳細的介紹，如果前面的教程你有認真學習，那麼相信到今天你已經有能力開發初具規模的Dash應用瞭。
而在Dash生態中還有一系列功能比較特殊但又非常實用的部件，今天的文章我們就來學習這些常用的「特殊部件」。
2 Dash中的常用特殊功能部件
2.1 用Store()來存儲數據
在dash_core_components中有著很多功能特殊的部件，Store()就是其中之一，它的功能十分的簡單，就是用來存儲數據的，譬如存儲一些數值、字符串等基礎數據類型或者把Python中的列表、字典等作為json格式數據存進去。
Store()的主要參數/屬性除瞭id之外，還有：
data，代表其所存放的數據，也是我們編寫回調函數時關註的屬性；
modified_timestamp，用於記錄最後一次data屬性被修改的時間戳，通常用不到；
storage_type，用於設置存儲數據的生命周期，有3種，storage_type=’memory’時生命周期最短，隻要頁面一刷新，data就會恢復初始狀態；storage_type=’session’時，隻有瀏覽器被關閉時data才會被重置；而最後一種storage_type=’local’時，會將數據存儲在本地緩存中，隻有手動清除，data才會被重置。
話不多說，直接來看一個直觀的例子：
app1.py
import dash
import dash_core_components as dcc
import dash_bootstrap_components as dbc
from dash.dependencies import Input, Output
app = dash.Dash(__name__)
app.layout = dbc.Container(
[
dbc.Form(
[
dbc.FormGroup(
[
dbc.Label('storage = "memory"時'),
dbc.Input(id='input-memory1', autoComplete='off'),
dbc.Input(id='input-memory2', style={'margin-top': '3px'}),
dcc.Store(id='data-in-memory')
]
),
dbc.FormGroup(
[
dbc.Label('storage = "session"時'),
dbc.Input(id='input-session1', autoComplete='off'),
dbc.Input(id='input-session2', style={'margin-top': '3px'}),
dcc.Store(id='data-in-session', storage_type='session')
]
),
dbc.FormGroup(
[
dbc.Label('storage = "local"時'),
dbc.Input(id='input-local1', autoComplete='off'),
dbc.Input(id='input-local2', style={'margin-top': '3px'}),
dcc.Store(id='data-in-local', storage_type='local')
]
),
]
)
],
style={
'margin-top': '100px',
'max-width': '600px'
}
)
# memory對應回調
@app.callback(
Output('data-in-memory', 'data'),
Input('input-memory1', 'value')
)
def data_in_memory_save_data(value):
if value:
return value
return dash.no_update
@app.callback(
Output('input-memory2', 'placeholder'),
Input('data-in-memory', 'data')
)
def data_in_memory_placeholder(data):
if data:
return data
return dash.no_update
# session對應回調
@app.callback(
Output('data-in-session', 'data'),
Input('input-session1', 'value')
)
def data_in_session_save_data(value):
if value:
return value
return dash.no_update
@app.callback(
Output('input-session2', 'placeholder'),
Input('data-in-session', 'data')
)
def data_in_session_placeholder(data):
if data:
return data
return dash.no_update
# local對應回調
@app.callback(
Output('data-in-local', 'data'),
Input('input-local1', 'value')
)
def data_in_local_save_data(value):
if value:
return value
return dash.no_update
@app.callback(
Output('input-local2', 'placeholder'),
Input('data-in-local', 'data')
)
def data_in_local_placeholder(data):
if data:
return data
return dash.no_update
if __name__ == '__main__':
app.run_server(debug=True)
可以看到，不同storage參數對應的數據，生命周期有著很大的區別：
就是憑借著這種自由存儲數據的特性，Store()可以幫助我們完成很多非常實用的功能，我們會在本文最後的例子裡進行展示。
2.2 用Interval()實現周期性回調
同樣是dash_core_components中的組件，Interval()的功能也很有意思，它可以幫助我們實現周期性自動回調，譬如開發一個實時股價系統，每隔一段時間就從後臺獲取最新的數據，無需我們手動刷新頁面，其主要的參數/屬性有：
n_intervals，Interval()的核心屬性，所謂的自動更新實際上就是自動對n_intervals的遞增過程；
interval，數值型，用於設置每隔多少毫秒對n_intervals的值進行一次遞增，默認為1000即1秒；
max_intervals，int型，用於設置在經歷多少次遞增後，不再繼續自動更新，默認為-1即不限制；
disabled，bool型，默認為False，用於設置是否停止遞增更新過程，如果說max_intervals控制的過程是for循環的話，disabled就是while循環，我們可以利用它自行編寫邏輯在特定的條件下停止Interval()的遞增過程。
下面我們從一個偽造數據的股價實時更新系統例子中進一步理解Interval()的作用：
app2.py
import dash
import numpy as np
import dash_core_components as dcc
import dash_html_components as html
import dash_bootstrap_components as dbc
from dash.dependencies import Input, Output, State
app = dash.Dash(__name__)
app.layout = dbc.Container(
[
html.P(
[
html.Strong('貴州茅臺(600519)'),
'最新股價：',
html.Span('2108.94', id='latest-price')
]
),
dcc.Interval(id='demo-interval', interval=1000)
],
style={
'margin-top': '100px'
}
)
@app.callback(
[Output('latest-price', 'children'),
Output('latest-price', 'style')],
Input('demo-interval', 'n_intervals'),
State('latest-price', 'children')
)
def fake_price_generator(n_intervals, latest_price):
fake_price = float(latest_price) + np.random.normal(0, 0.1)
if fake_price > float(latest_price):
return f'{fake_price:.2f}', {'color': 'red', 'background-color': 'rgba(195, 8, 26, 0.2)'}
elif fake_price < float(latest_price):
return f'{fake_price:.2f}', {'color': 'green', 'background-color': 'rgba(50, 115, 80, 0.2)'}
return f'{fake_price:.2f}', {'background-color': 'rgba(113, 120, 117, 0.2)'}
if __name__ == '__main__':
app.run_server(debug=True)
哈哈，是不是非常的實用~
2.3 利用ColorPicker()進行交互式色彩設置
接下來我們要介紹的這個很有意思的部件來自Dash的官方依賴dash_daq，它並不是自帶的，我們需要用pip進行安裝。
ColorPicker()的功能是渲染出一個交互式的色彩選擇部件，使得我們可以更方便更直觀地選擇色彩值，其主要參數/屬性有：
label，字符串或字典，若隻傳入字符串，則傳入的文字會作為渲染出的色彩選擇器的標題，若傳入字典，其label鍵值對用於設置標題文本內容，style參數用於自定義css樣式；
labelPosition，字符型，top時標題會置於頂部，bottom時會置於底部；
size，設置部件整體的像素寬度
value，字典型，作為參數時可以用來設定色彩選擇器的初始色彩，作為屬性時可以獲取當前色彩選擇器的選定色彩，hex鍵值對可以直接獲取十六進制色彩值，rgb鍵對應的值為包含r、g、b和a四個鍵值對的字典，即構成rgba色彩值的三通道+透明度值。
讓我們通過下面這個簡單的例子來認識它的工作過程：
app3.py
import dash
import dash_daq as daq
import dash_html_components as html
import dash_bootstrap_components as dbc
from dash.dependencies import Input, Output
app = dash.Dash(__name__)
app.layout = dbc.Container(
[
daq.ColorPicker(
id='color-picker',
label={
'label': '色彩選擇器',
'style': {
'font-size': '18px',
'font-family': 'SimHei',
'font-weight': 'bold'
}
},
size=400,
value=dict(hex="#120E03")
),
html.P(
'測試'*100,
id='demo-p',
style={
'margin-top': '20px'
}
)
],
style={
'margin-top': '30px',
'max-width': '500px'
}
)
app.clientside_callback(
"""
function(color) {
return {'color': color.hex, 'margin-top': '20px'};
}
""",
Output('demo-p', 'style'),
Input('color-picker', 'value')
)
if __name__ == '__main__':
app.run_server(debug=True)
動圖錄制出來因為被壓縮瞭所以色彩區域看起來跟打瞭碼似得：
實際上是這樣的：
2.4 利用DashDatetimepicker()進行時間范圍選擇
接下來我要給大傢介紹的這個部件DashDatetimepicker()也是來自第三方庫，它基於react-datetime，可以幫助我們創建進行日期選擇功能的部件（其實dash-core_components中也有類似功能的DatePickerRange()部件，但是太醜瞭，而且對中文支持的不好）。
使用pip install dash_datetimepicker完成安裝之後，默認的部件月份和星期的名稱顯示都是英文的，我通過對相關的js源碼略加修改之後，便可以使用中文瞭，大傢使用的時候把本期附件中的dash_datetimepicker.min.js放到assets目錄下即可。
DashDatetimepicker()使用起來非常簡單，除瞭id之外，我們隻需要在回調中獲取它的startDate與endDate屬性即可捕獲到用戶設置的日期時間范圍（在回調中我們接收到的開始結束時間需要加上8個小時，這是個bug）：
app4.py
import dash
import pandas as pd
import dash_datetimepicker
import dash_html_components as html
import dash_bootstrap_components as dbc
from dash.dependencies import Input, Output
app = dash.Dash(__name__)
app.layout = dbc.Container(
[
dash_datetimepicker.DashDatetimepicker(id="datetime-picker"),
html.H6(id='datetime-output', style={'margin-top': '20px'})
],
style={
'margin-top': '100px',
'max-width': '600px'
}
)
@app.callback(
Output('datetime-output', 'children'),
[Input('datetime-picker', 'startDate'),
Input('datetime-picker', 'endDate')]
)
def datetime_range(startDate, endDate):
# 修正8小時時間差bug並格式化為字符串
startDate = (pd.to_datetime(startDate) + pd.Timedelta(hours=8)).strftime('%Y-%m-%d %H:%M')
endDate = (pd.to_datetime(endDate) + pd.Timedelta(hours=8)).strftime('%Y-%m-%d %H:%M')
return f'從 {startDate} 到 {endDate}'
if __name__ == "__main__":
app.run_server(debug=True)
3 動手打造一個實時可視化大屏
在學習完今天的內容之後，我們就可以做一些功能上很amazing的事情——搭建一個實時更新的可視化儀表盤。
思路其實很簡單，主要用到今天學習到的Interval()與Store()，原理是先從官網靜態的案例中移植js代碼到Dash的瀏覽器端回調中，構建出輸入為Store()的data的回調函數；
再利用Interval()的n_intervals觸發Store()的data更新，從而實現這套從數據更新到圖表更新的鏈式反應。效果如下：
而代碼涉及到多個文件，這裡就不直接放出，你可以在文章開頭的地址中找到對應本期的附件進行學習。
以上就是python開發實時可視化儀表盤的示例的詳細內容，更多關於python開發實時可視化儀表盤的資料請關註WalkonNet其它相關文章！
推薦閱讀：
- 利用Python實現一個簡單的Web匯率計算器
- 地圖可視化神器kepler.gl python接口的使用方法
- 基於Python Dash庫制作酷炫的可視化大屏
- vue實現檢測敏感詞過濾組件的多種思路
- 如何理解Vue簡單狀態管理之store模式