数据展示组件在Streamlit各类组件中占据了至关重要的地位，
它的核心功能是以直观、易于理解的方式展示数据。
本次介绍的数据展示组件st.dataframe和st.table，能够将复杂的数据集以表格、图表等形式清晰地呈现出来，使得用户能够快速把握数据的整体情况和细节特征。
1. st.dataframe
st.dataframe以易读且美观的方式展示pandas的DataFrame。
无论是处理小型数据集还是庞大的数据表，st.dataframe都能轻而易举展示数据。
st.dataframe适用于需要在Web应用中展示复杂数据集的场景。
首先，它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。
此外，st.dataframe还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。
2. st.table
st.table也是用于在Web应用中显示表格数据，
它可以显示交互式表格，并提供多种自定义设置来满足各类需求。
与st.dataframe相比，st.table更适用于当数据集不是特别庞大且需要保持清晰可读性的场景。
它允许用户通过简单的配置来调整表格的显示方式，如列宽、行高等。
3. 两者区别
这两个组件都用于展示数据，都支持多种类型的数据对象作为输入，比如pandas.DataFrame，numpy.ndarray、Iterable、dict等等。
但是在交互性，显示方式和功能丰富度上面是有区别的，
下面通过一个示例来演示两者在使用上的区别，
先使用 st.dataframe 显示一个包含用户信息的静态DataFrame，如姓名、年龄和邮箱。
DataFrame将显示为可滚动、可排序和可搜索的表格。还可以将数据保存为CSV文件。
同样使用 st.table 显示相同的用户信息数据集，但表格样式会更加简洁，功能相对较少（例如，不支持搜索）。
import streamlit as st import pandas as pd # 创建静态数据集 data = { "姓名": ["张三", "李四", "王五"], "年龄": [25, 30, 35], "邮箱": ["zhangsan@example.com", "lisi@example.com", "wangwu@example.com"], } df = pd.DataFrame(data) st.header("st.dataframe") # 使用st.dataframe显示 st.dataframe(df) st.header("st.table") # 使用st.table显示 st.table(df) 
除了功能比较丰富以外，st.dataframe对于展示千上万行的大型数据集时，可以调整其高度和宽度，可以搜索过滤和排序，因此更方便遇查看数据。
而st.table由于功能相对简单，会将所有数据直接展示出来，浏览和分析大量数据不那么方便。
比如，下面模拟了一个一万条数据的场景。
st.dataframe展示时，可以固定一块位置；而st.table将所有数据平铺下去展示，加装时间也明显长很多。
# 创建大数据集 np.random.seed(0) data = { "ID": np.arange(1, 10001), "值1": np.random.rand(10000), "值2": np.random.rand(10000), # ... 可以添加更多列 } df = pd.DataFrame(data) st.header("st.dataframe", width=400, height=600) # 使用st.dataframe显示大数据集 st.dataframe(df) st.header("st.table") # 使用st.table显示大数据集（可能性能不佳） # 对于大数据集，st.table可能不是最佳选择 st.table(df)
4. 总结
总得来看，st.dataframe 更适合需要高级功能和动态交互的场景，
而 st.table 则更适合简单、快速的表格展示。
