Es posible que haya tenido que visualizar los datos de una manera más elegante y orgánica que usando comandos de pandas (como df.plot y, para seaborn, el excelente sns.pairplot) tal vez simplemente porque necesita una interfaz web (incluso si es un servidor local) al que puede acceder un usuario externo no especializado y no desea recurrir a fastapi.
Entonces piensa en Dash y Streamlit.
Tanto Dash como Streamlit están diseñados para facilitar la creación de aplicaciones web dedicadas a la ciencia de datos, pero destacan por algunas características:
Abstracción:
Dash: proporciona un mayor nivel de abstracción, lo que le permite crear diseños interactivos complejos utilizando un lenguaje que recuerda a HTML, CSS y JavaScript. Esto le brinda más control sobre la interfaz de usuario, pero lleva un poco más de tiempo aprenderlo.
Streamlit: Tiene una API más simple y directa, enfocada a mostrar datos rápidamente. Es perfecto para crear prototipos o paneles básicos rápidamente.
Componentes:
Dash: Incluye una amplia gama de componentes ya preparados, como gráficos, mapas y tablas, aunque para necesidades especiales puede ser necesario desarrollar componentes personalizados.
Streamlit: Tiene menos componentes que Dash, pero la oferta está creciendo. Su simplicidad lo hace adecuado para muchos escenarios comunes.
Disposición:
Dash: adopta un enfoque tradicional con cuadrículas y contenedores para gestionar el diseño, lo que permite un mayor control sobre los elementos, pero requiere más código.
Streamlit: utiliza un método más simple y declarativo, donde los elementos se agregan secuencialmente, haciendo que el proceso sea rápido e intuitivo.
Comunidad y ecosistema:
Dash: tiene una comunidad más grande y establecida, con muchos recursos y tutoriales disponibles.
Streamlit: Su comunidad es más joven pero está creciendo rápidamente.
¿Cuándo usar uno u otro?
Dash: es la mejor opción si necesita paneles de control muy personalizados e interactivos, con un control preciso sobre la interfaz de usuario. Ideal para proyectos complejos y equipos con conocimiento de tecnologías web.
Streamlit: Perfecto si desea crear prototipos o paneles simples rápidamente, especialmente para científicos de datos que desean compartir resultados sin profundizar en el desarrollo web.
En resumen: ambas herramientas son útiles para la visualización de datos, pero la elección entre Dash y Streamlit depende de tus necesidades y habilidades. Si buscas flexibilidad y control, Dash es más adecuado; Si busca simplicidad y velocidad, Streamlit es para usted.
Consideraciones adicionales:
Integración con otras bibliotecas: ambas se pueden integrar con bibliotecas como Pandas, NumPy y scikit-learn.
Implementación: Dash y Streamlit se pueden implementar en plataformas como Heroku, AWS y otras.
Ejemplos
Es muy fácil encontrar código ya escrito usando estas 2 bibliotecas: un ejemplo de Amanda Kieswetter
o este tutorial Introduction to Dash Plotly – Data Visualization in Python by Charming Data.