Steamlit虽然也自带了一些绘图组件（比如折线图，柱状图和散点图等等），但是都比较简单，
和Python传统的可视化库比起来，功能上差了很多。
本篇介绍如何在Streamlit App中使用Matplotlib库来绘图。
1. st.pyplot函数
st.pyplot函数专门用于在Steamlit应用中显示 Matplotlib 绘制的图形。
这个函数能够直接将Matplotlib Figure对象直接渲染到页面的指定位置上。
st.pyplot的参数不多，主要有：
| 名称 | 类型 | 说明 |
|---|---|---|
| fig | Figure对象 | 要渲染的 Matplotlib Figure 对象 |
| clear_figure | bool | 控制图形渲染后是否清除 |
| use_container_width | bool | 决定是否使用父容器的宽度覆盖图形的原始宽度 |
最重要的就是fig参数，它是通过 Matplotlib 的常规绘图方式创建图形对象。
也就是说，我们绘制图形时，完全不用考虑Streamlit，正常使用Matplotlib来绘图，
绘制之后直接将Matplotlib的fig对象传给st.pyplot函数即可。
2. Matplotlib兼容性问题
在使用 Matplotlib 与 Streamlit 结合时，可能会遇到一些兼容性问题。
Matplotlib 支持多种 Backend，如果在使用过程中出现错误，可以尝试将Backend设置为TkAgg。
具体的设置方法如下：
- 打开
~/.matplotlib/matplotlibrc文件，如果不存在就创建一个 - 在上面的文件中添加一行：
backend: TkAgg
如果是windows系统，上面的文件路径改为：C:Users%username%.matplotlibmatplotlibrc
此外，Matplotlib 在多线程环境下可能会出现问题，因为它本身对线程的支持并不完善。
当部署和共享应用程序时，由于可能存在并发用户，这个问题可能会更加突出。
为了解决这个问题，建议使用RendererAgg.lock来包裹 Matplotlib 相关代码，如下所示：
from matplotlib.backends.backend_agg import RendererAgg _lock = RendererAgg.lock with _lock: fig.title('sample figure') fig.plot([1,20,3,50]) st.pyplot(fig) 3. 使用示例
下面通过两个根据实际情况简化的示例来演示两者结合的效果。
3.1. 模拟数据分析项目
这个示例中，我们使用 np.random 函数生成了包含三列不同类型随机数据的 DataFrame。
在数据分析与可视化部分，根据选择的列进行不同类型的绘图操作，
- 当选择
Column1或Column2时绘制柱状图或直方图 - 当选择
Column3时可选择绘制Column1和Column2的散点图
本示例主要展示了 Streamlit 与 Matplotlib 结合在数据探索和分析可视化方面的便利性与交互性。
import streamlit as st import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import numpy as np import matplotlib # 为了显示中文 matplotlib.rcParams["font.sans-serif"] = ["Microsoft YaHei Mono"] matplotlib.rcParams["axes.unicode_minus"] = False # 生成随机数据 @st.cache_data def generate_data(): # 生成 100 行 3 列的随机数据 data = { "Column1": np.random.randint(1, 100, 100), "Column2": np.random.normal(50, 10, 100), "Column3": np.random.choice(["A", "B", "C"], 100), } return pd.DataFrame(data) data = generate_data() # 数据探索部分 st.subheader("数据探索") st.write(data.head()) # 数据分析与可视化 st.subheader("数据分析与可视化") # 选择分析的列 selected_column = st.selectbox("选择要分析的列", data.columns) # 使用 Matplotlib 绘制柱状图 if selected_column in ["Column1", "Column2"]: fig, ax = plt.subplots() if selected_column == "Column1": sns.countplot(data=data, x=selected_column, ax=ax) else: sns.histplot(data=data, x=selected_column, kde=True, ax=ax) ax.set_title(f"{selected_column} 分布情况") ax.set_xlabel(selected_column) ax.set_ylabel("数量") st.pyplot(fig) # 绘制散点图（以 Column1 和 Column2 为例） elif selected_column == "Column3": if st.checkbox("显示散点图"): fig2, ax2 = plt.subplots() ax2.scatter(data["Column1"], data["Column2"]) ax2.set_title("Column1 与 Column2 的关系") ax2.set_xlabel("Column1") ax2.set_ylabel("Column2") st.pyplot(fig2) 运行效果：
3.2. 模拟数据监控与报告
在这个数据监控与报告应用示例中，通过get_live_data 函数模拟获取实时数据（实际应用中可替换为真实的数据获取逻辑）。
然后通过一个循环，不断获取新数据并合并到总的数据集中，再使用 Matplotlib 绘制折线图展示数据随时间的变化趋势。
这样就构建了一个简单的实时数据监控应用，在实际业务场景中，例如监控服务器性能指标、生产线上的关键数据等，可以让相关人员实时直观地了解数据的变化情况，及时发现异常并做出决策。
import streamlit as st import matplotlib.pyplot as plt import time import random import pandas as pd import matplotlib # 为了显示中文 matplotlib.rcParams["font.sans-serif"] = ["Microsoft YaHei Mono"] matplotlib.rcParams["axes.unicode_minus"] = False # 模拟获取实时数据的函数 def get_live_data(): # 这里可以替换为真实的获取数据逻辑，比如从数据库或 API 获取 new_data = pd.DataFrame( { "time": [time.strftime("%H:%M:%S")], "value": [random.randint(-10, 10)], } ) return new_data # 初始化数据 data = pd.DataFrame(columns=["time", "value"]) # 实时数据监控应用标题 st.title("实时数据监控") # 创建一个占位符用于更新图表 chart_placeholder = st.empty() while True: # 获取新数据 new_data = get_live_data() # 合并新数据到总数据 data = pd.concat([data, new_data], ignore_index=True) # 使用 Matplotlib 绘制折线图 fig, ax = plt.subplots() ax.plot(data["time"], data["value"]) ax.set_title("实时数据趋势") ax.set_xlabel("时间") ax.set_ylabel("数值") ax.set_xticklabels(data["time"], rotation=45) # 在 Streamlit 中更新图表 chart_placeholder.pyplot(fig) # 每隔一段时间更新数据（这里设置为 2 秒） time.sleep(2) 运行效果：
4. 总结
Streamlit 与 Matplotlib 结合的关键点在于，Streamlit 提供便捷的应用构建框架，Matplotlib 专注强大的绘图功能，二者通过 st.pyplot 函数紧密相连。
在数据处理流程上，可先在 Matplotlib 中依据数据特性灵活创建各类图形对象，再借助 Streamlit 整合进应用。
它们结合的优势也非常明显，首先，在可视化效率方面，能快速将 Matplotlib 绘制的图形嵌入 Streamlit 应用，减少开发时间与代码量。
其次，在交互性上，Streamlit 的丰富交互组件可与 Matplotlib 图形联动，如通过按钮、滑块等控制图形展示内容或范围，让用户更方便的进行数据探索。
