Streamlit 完全指南 2026：Python 数据应用

Q: st.cache_data 和 st.cache_resource 应该选哪个？

看返回值是否可以序列化。DataFrame、字典、numpy 数组、SQL 查询结果等可序列化数据用 st.cache_data （每次返回副本，多用户隔离）；数据库连接、机器学习模型、Tokenizer 等不可序列化对象用 st.cache_resource （全局共享单例）。选错会导致内存暴涨或数据串扰。

Q: Streamlit 支持哪些图表库？

Streamlit 原生支持所有主流 Python 可视化库：Matplotlib（ st.pyplot ）、Plotly（ st.plotly_chart ）、Altair（ st.altair_chart ）、Bokeh（ st.bokeh_chart ）、Vega-Lite、PyDeck（3D 地图）、Graphviz。它还提供轻量原生图表 st.line_chart 、 st.bar_chart 、 st.scatter_chart 用于快速原型。

Q: 如何在 Streamlit 中实现用户登录和权限控制？

Streamlit 1.42+ 内置了 st.experimental_user 和原生 OIDC 认证，配置 secrets.toml 中的 OAuth 提供商（Google、GitHub、Auth0 等）即可开箱即用。自托管场景推荐用反向代理层（Nginx + OAuth2 Proxy）或 streamlit-authenticator 第三方库，避免在应用层重复实现认证逻辑。

更新时间：2026 年 7 月 21 日

Streamlit 是一个纯 Python 的开源 Web 应用框架，让数据科学家和机器学习工程师在无需前端知识的情况下，用几十行代码就能构建交互式数据应用。相比 Flask 或 Django，Streamlit 能把开发时间从数天压缩到几小时，是 2026 年数据科学团队做快速原型、内部工具和模型演示的首选方案。本文会带你从零安装、掌握核心组件与缓存机制，最后把一个完整的机器学习应用部署到生产环境。

Streamlit 1.40+ 引入 st.fragment 局部刷新装饰器，可将不必要的整页重跑减少 60% 以上，是性能优化最重要的新特性。
缓存必须区分 st.cache_data（用于返回可序列化数据的函数）与 st.cache_resource（用于返回不可序列化对象，如数据库连接、ML 模型）。
Session State（st.session_state）是构建多步骤表单、聊天界面、工作流的关键，避免每次交互丢失状态。
Streamlit 原生支持 pandas、Polars、Matplotlib、Plotly、Altair、PyDeck、Vega-Lite 等主流数据栈，无需额外适配层。
生产部署有三条路线：Streamlit Community Cloud（免费、GitHub 集成）、Docker 容器化（自托管）、Kubernetes（企业规模）。
Streamlit vs Gradio：前者更适合数据仪表板与多页应用，后者更适合 LLM 与快速 ML 演示。

什么是 Streamlit？为什么它主导数据科学 Web 开发

Streamlit 是一个开源的 Python Web 应用框架，专为数据科学、机器学习和数据工程场景设计。跟传统 Web 框架（Flask、Django、FastAPI）不一样，Streamlit 的核心哲学是"脚本即应用"，你写的仍然是普通 Python 脚本，Streamlit 运行时会把它渲染成一个响应式 Web 界面。这套模式极大降低了数据从业者构建可视化和交互式工具的门槛。

说点背景。Streamlit 由前 Google 工程师 Adrien Treuille、Amanda Kelly 和 Thiago Teixeira 于 2019 年推出，2022 年被 Snowflake 以 8 亿美元收购。截至 2026 年 7 月，官方版本已经推进到 1.44 系列，GitHub 上 star 数超过 40k，PyPI 月下载量突破 1500 万次。它在 Kaggle、Hugging Face Spaces、内部数据仪表板等场景里占据统治地位。

老实说，Streamlit 能这么快铺开，主要是三个原因：纯 Python 编程（不用碰 HTML/CSS/JS）、响应式模型（脚本自上而下重跑，任何交互都会触发状态更新）、丰富的生态集成（原生支持 pandas、Polars、Matplotlib、Plotly、Altair、Bokeh、PyDeck 等）。对于需要在几小时内做出模型演示、A/B 结果面板、数据探索工具的团队，Streamlit 基本没什么替代品。

我自己是从 0.60 开始用的，2026 年的 Streamlit 跟当年的架构完全不是一回事：引入了 st.fragment 局部刷新、改进了 st.dialog 模态框、支持 native chat 元素、Session State API 稳定化，并且和 Polars、Arrow、DuckDB 等新数据栈的集成越来越紧密。如果你已经熟悉 Polars DataFrame 高性能数据处理，把它接入 Streamlit 前端算是水到渠成的下一步。

安装 Streamlit 与搭建第一个应用

Streamlit 需要 Python 3.9 或更高版本（推荐 3.11 或 3.12，性能明显好于 3.9）。在虚拟环境中安装：

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install streamlit==1.44.*

# 验证安装
streamlit hello

streamlit hello 会启动官方演示应用，包含图表、地图、数据帧等示例，帮助你验证环境是否就绪。默认端口是 8501，浏览器会自动打开 http://localhost:8501。

接下来创建 app.py 作为你的第一个真正应用：

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

st.set_page_config(
    page_title="我的第一个数据应用",
    page_icon="📊",
    layout="wide",
)

st.title("销售数据快速分析")
st.write("这是一个用 Streamlit 构建的最小可用应用。")

# 生成示例数据
rng = np.random.default_rng(42)
df = pd.DataFrame({
    "日期": pd.date_range("2026-01-01", periods=30),
    "销售额": rng.integers(1000, 5000, size=30),
    "订单数": rng.integers(20, 100, size=30),
})

# 交互控件
threshold = st.slider("筛选阈值（销售额）", 1000, 5000, 2000)
filtered = df[df["销售额"] >= threshold]

st.metric("符合条件的天数", len(filtered), delta=len(filtered) - 15)
st.dataframe(filtered, use_container_width=True)
st.line_chart(filtered.set_index("日期")["销售额"])

用 streamlit run app.py 启动。你会立刻拥有一个带标题、滑块、指标卡、数据表和折线图的完整 Web 应用，代码量不到 25 行。这就是 Streamlit 的杀手锏。

核心组件：Widgets、布局与 Session State

Streamlit 提供了 40 多个内置组件（widgets），几乎覆盖了数据应用所有的交互需求。常用的输入类组件包括：

st.text_input、st.number_input、st.text_area：文本与数字输入
st.selectbox、st.multiselect、st.radio：单选与多选
st.slider、st.date_input、st.time_input：范围与时间选择
st.file_uploader：文件上传（支持 CSV、Excel、图片等）
st.button、st.form_submit_button：触发动作
st.chat_input、st.chat_message：LLM 聊天界面（2024 年新增）

布局：Columns、Tabs、Container、Sidebar

Streamlit 支持四种主要布局容器。st.sidebar 用于左侧固定侧栏；st.columns 把主区分为水平列；st.tabs 创建标签页；st.expander 折叠区块。看个例子：

import streamlit as st

with st.sidebar:
    dataset = st.selectbox("选择数据集", ["销售", "用户", "库存"])
    date_range = st.date_input("日期范围", value=[])

col1, col2, col3 = st.columns(3)
col1.metric("总营收", "￥1.2M", "+12%")
col2.metric("活跃用户", "8,421", "-3%")
col3.metric("转化率", "4.5%", "+0.8%")

tab1, tab2 = st.tabs(["📈 趋势", "📋 明细"])
with tab1:
    st.line_chart({"销售": [10, 20, 30, 25, 40]})
with tab2:
    st.write("原始数据表")

Session State：跨交互保存状态

st.session_state 是一个类似字典的对象，用来在脚本重跑之间持久化数据。这对购物车、多步骤表单、聊天历史这些场景来说，几乎是必需品：

import streamlit as st

# 初始化
if "count" not in st.session_state:
    st.session_state.count = 0
if "history" not in st.session_state:
    st.session_state.history = []

if st.button("增加计数"):
    st.session_state.count += 1
    st.session_state.history.append(st.session_state.count)

st.write(f"当前计数：{st.session_state.count}")
st.write(f"历史：{st.session_state.history}")

数据展示：DataFrame、图表与交互编辑

Streamlit 内置了一套面向数据科学的展示组件。st.dataframe 渲染出来的是可排序、可搜索、可导出 CSV 的交互式表格，底层用 Apache Arrow 传输，处理几十万行毫无压力。st.data_editor 更进一步，允许用户在浏览器里直接编辑单元格，编辑后的 DataFrame 会作为返回值传回 Python，这在标注工具、审核界面里极为实用。

import streamlit as st
import pandas as pd

df = pd.DataFrame({
    "产品": ["A", "B", "C"],
    "价格": [99.9, 199.0, 49.5],
    "在售": [True, False, True],
})

edited = st.data_editor(
    df,
    column_config={
        "价格": st.column_config.NumberColumn(format="￥%.2f"),
        "在售": st.column_config.CheckboxColumn(),
    },
    num_rows="dynamic",
)

if st.button("保存修改"):
    edited.to_csv("products.csv", index=False)
    st.success("已保存！")

图表集成：从原生到 Plotly、Altair、Matplotlib

Streamlit 提供三类图表 API。原生极简图（st.line_chart、st.bar_chart、st.area_chart、st.scatter_chart）适合快速原型；专业库集成（st.plotly_chart、st.altair_chart、st.vega_lite_chart、st.pyplot、st.bokeh_chart）适合生产可视化；地图（st.map、st.pydeck_chart）则用于地理数据。

import plotly.express as px
import streamlit as st

df = px.data.gapminder().query("year == 2007")
fig = px.scatter(
    df, x="gdpPercap", y="lifeExp",
    size="pop", color="continent",
    log_x=True, hover_name="country",
    title="2007 年各国 GDP 与预期寿命",
)
st.plotly_chart(fig, use_container_width=True)

如果你的数据分析基于 Pandas 3.0 Copy-on-Write 或 DuckDB 嵌入式分析数据库，可以直接把结果 DataFrame 传给 st.dataframe 或 st.plotly_chart，Streamlit 会自动完成序列化和渲染。

缓存机制：st.cache_data 与 st.cache_resource 深度解析

Streamlit 的"脚本重跑"模型意味着每次用户交互都会重新执行整个脚本。如果不缓存耗时操作（读文件、查数据库、加载 ML 模型），用户体验会灾难性地卡顿。Streamlit 2023 年重构了缓存 API，把老式 st.cache 拆分为两个专用装饰器：

特性	st.cache_data	st.cache_resource
用途	返回可序列化数据（DataFrame、dict、list、numpy 数组）	返回不可序列化对象（DB 连接、ML 模型、Tokenizer）
存储方式	每次调用返回副本（安全隔离）	全局共享单个实例
典型示例	读取 CSV、SQL 查询、API 请求	加载 PyTorch/TF 模型、创建数据库连接池
TTL 支持	是（`ttl="1h"`）	是
最大条目	是（`max_entries=100`）	是
失效方式	`.clear()` 或参数变化	`.clear()` 或参数变化

典型使用模式：

import streamlit as st
import pandas as pd
import joblib

@st.cache_data(ttl=3600, show_spinner="加载销售数据…")
def load_sales(source: str) -> pd.DataFrame:
    return pd.read_parquet(source)

@st.cache_resource
def load_model(path: str):
    return joblib.load(path)

df = load_sales("s3://mybucket/sales.parquet")
model = load_model("models/rf_v2.joblib")

pred = model.predict(df.drop(columns=["target"]))

部署机器学习模型：从 scikit-learn 到 Streamlit 应用

把训练好的模型包装成 Streamlit 应用，是数据团队最常见的用例之一。下面这个示例展示了一个完整的鸢尾花分类应用，配合 scikit-learn 1.8 GPU 加速训练出来的模型：

import streamlit as st
import numpy as np
import joblib
from pathlib import Path
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

MODEL_PATH = Path("iris_rf.joblib")

@st.cache_resource
def get_model() -> RandomForestClassifier:
    if MODEL_PATH.exists():
        return joblib.load(MODEL_PATH)
    X, y = load_iris(return_X_y=True)
    model = RandomForestClassifier(n_estimators=200, random_state=42)
    model.fit(X, y)
    joblib.dump(model, MODEL_PATH)
    return model

st.title("🌸 鸢尾花分类预测")
st.caption("基于 scikit-learn RandomForest 的实时推理演示")

model = get_model()
CLASSES = ["Setosa", "Versicolor", "Virginica"]

with st.form("prediction_form"):
    col1, col2 = st.columns(2)
    with col1:
        sepal_len = st.slider("花萼长度 (cm)", 4.0, 8.0, 5.4)
        sepal_wid = st.slider("花萼宽度 (cm)", 2.0, 4.5, 3.4)
    with col2:
        petal_len = st.slider("花瓣长度 (cm)", 1.0, 7.0, 1.3)
        petal_wid = st.slider("花瓣宽度 (cm)", 0.1, 2.5, 0.2)
    submitted = st.form_submit_button("预测", type="primary")

if submitted:
    X = np.array([[sepal_len, sepal_wid, petal_len, petal_wid]])
    proba = model.predict_proba(X)[0]
    pred_idx = int(np.argmax(proba))

    st.success(f"预测类别：**{CLASSES[pred_idx]}**（置信度 {proba[pred_idx]:.1%}）")
    st.bar_chart({c: p for c, p in zip(CLASSES, proba)})

几个关键设计点：@st.cache_resource 确保模型只加载一次；st.form 把多个输入组合为原子事务，避免每次滑块变动都触发预测；st.form_submit_button 是唯一的触发器，能保证用户体验流畅。这套模式可以直接迁移到 XGBoost、LightGBM、PyTorch 或 Hugging Face Transformers 模型。

多页面应用与 st.fragment 局部刷新

随着应用变复杂，把所有逻辑塞进单个 app.py 会失控。Streamlit 从 1.10 起原生支持基于文件的多页面路由：在项目根目录创建 pages/ 子目录，每个 .py 文件自动成为一个页面。1.36 之后官方推荐使用 st.navigation + st.Page 的编程式路由，灵活性更好：

import streamlit as st

pages = [
    st.Page("home.py", title="首页", icon="🏠", default=True),
    st.Page("dashboard.py", title="仪表板", icon="📊"),
    st.Page("model.py", title="模型预测", icon="🤖"),
    st.Page("settings.py", title="设置", icon="⚙️"),
]

nav = st.navigation(pages)
nav.run()

st.fragment：局部刷新，性能利器

st.fragment（在 1.33 稳定）是 2024 年以来最重要的性能特性。用它装饰一个函数后，函数内部的重跑不会触发外部脚本重跑，只会刷新局部区域。这对实时更新时间戳、股票价格、聊天流响应等场景至关重要。

import streamlit as st
import time
import pandas as pd

st.title("实时监控面板（st.fragment 演示）")

# 全局筛选（触发整页重跑）
symbol = st.selectbox("股票代码", ["AAPL", "NVDA", "TSLA"])

@st.fragment(run_every=2)  # 每 2 秒刷新一次此片段
def live_price(symbol: str):
    price = round(150 + 10 * (time.time() % 60) / 60, 2)
    st.metric(f"{symbol} 实时价格", f"${price}", f"{price - 150:+.2f}")

live_price(symbol)

# 这一部分只在 symbol 变化时才会重跑
st.subheader("历史 K 线")
st.line_chart(pd.DataFrame({"close": [148, 150, 152, 149, 151]}))

在旧版 Streamlit 里，要实现"每 2 秒更新价格"必须用 st.rerun() 或 time.sleep 循环，代价就是整页重跑。st.fragment 让局部刷新变得声明式，官方基准测试显示，对于典型 5 组件仪表板，用 fragment 后整体渲染时间下降 60% 到 75%。我自己那个跑在内网的运营看板，用了 fragment 之后从"用户拖一次滑块要卡 3 秒"变成基本无感。

Streamlit vs Gradio vs Dash 对比

2026 年 Python 数据应用框架的格局，主要由三个玩家占据。选型标准取决于用例、团队能力和目标用户：

维度	Streamlit	Gradio	Dash (Plotly)
主要定位	数据仪表板 / 内部工具	ML/LLM 模型演示	企业级分析应用
学习曲线	极低（数小时上手）	极低（数小时上手）	中等（需了解 React 概念）
响应模型	脚本重跑 + fragment	事件驱动	回调（Callback）
UI 定制性	中等（主题 + 少量 HTML）	低（预设组件为主）	高（完全可定制 CSS）
多页面支持	原生 `st.navigation`	Tab 或多个接口	Dash Pages
典型社区托管	Streamlit Community Cloud	Hugging Face Spaces	Dash Enterprise（付费）
2026 GitHub Star	~40k	~35k	~22k
最适合	数据探索、A/B 分析、报表	LLM 聊天、图像生成 Demo	金融 / 医疗 / 制造业仪表板

简短建议：数据科学团队做内部工具或仪表板选 Streamlit；要把模型 Demo 发到公开社区就选 Gradio；需要品牌化 UI 和复杂布局的企业应用选 Dash。三者并不是零和关系，Streamlit 和 Gradio 甚至可以嵌入到同一个 Docker 镜像里并存。

生产环境部署：Community Cloud、Docker 与 Kubernetes

开发完成之后，Streamlit 应用有三条主要部署路径。

路线 1：Streamlit Community Cloud（免费快速）

把代码推到 GitHub 公开仓库，在 Streamlit Community Cloud 用 GitHub 账号登录，选择仓库和入口文件，几分钟内就能拿到 https://your-app.streamlit.app 的公开 URL。适合个人项目、演示、开源工具。限制也很清楚：1GB 内存、CPU 有限、公开可访问。

路线 2：Docker 容器化（自托管）

企业环境通常需要私有部署。下面是一个我在多个项目里复用过的生产级 Dockerfile：

FROM python:3.12-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8501

HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health || exit 1

ENTRYPOINT ["streamlit", "run", "app.py", \
    "--server.port=8501", \
    "--server.address=0.0.0.0", \
    "--server.headless=true", \
    "--browser.gatherUsageStats=false"]

构建与运行：

docker build -t my-streamlit-app:latest .
docker run -p 8501:8501 --env-file .env my-streamlit-app:latest

路线 3：Kubernetes（企业规模）

对于需要横向扩展、灰度发布、SSO 集成的团队，Kubernetes 是标准方案。几个关键点：设置 readinessProbe 指向 /_stcore/health；用 sticky session（service.beta.kubernetes.io/aws-load-balancer-target-node-labels 或 Ingress 会话亲和性）保证同一用户始终命中同一 Pod（因为 Session State 是进程本地内存）；生产上建议接入 Redis 或数据库作为共享状态后端。

不管选哪条路线，都建议开启 --server.enableCORS=false（仅内网）、通过反向代理（Nginx、Traefik）终结 HTTPS，并对 st.secrets 敏感值使用 Kubernetes Secret 而非明文。详细参数参见 Streamlit 官方部署文档和 Streamlit GitHub Releases 更新日志。

常见问题

Streamlit 和 Gradio 有什么区别？

两者都是 Python 数据应用框架，但侧重不同。Streamlit 更适合构建多页面数据仪表板、内部工具、A/B 分析面板，UI 元素丰富；Gradio 更擅长封装机器学习模型（尤其是 LLM 与图像生成），提供开箱即用的聊天界面和 Hugging Face Spaces 一键部署。数据探索选 Streamlit，模型演示选 Gradio。

Streamlit 应用如何免费部署上线？

最快的方式是使用 Streamlit Community Cloud：把代码推送到 GitHub 公开仓库，登录 streamlit.io/cloud 用 GitHub 授权，选择仓库和入口文件即可自动构建部署。免费版提供 1GB 内存、公开访问的子域名（*.streamlit.app）和 GitHub push 自动重新部署。

st.cache_data 和 st.cache_resource 应该选哪个？

看返回值是否可以序列化。DataFrame、字典、numpy 数组、SQL 查询结果等可序列化数据用 st.cache_data（每次返回副本，多用户隔离）；数据库连接、机器学习模型、Tokenizer 等不可序列化对象用 st.cache_resource（全局共享单例）。选错会导致内存暴涨或数据串扰。

Streamlit 支持哪些图表库？

Streamlit 原生支持所有主流 Python 可视化库：Matplotlib（st.pyplot）、Plotly（st.plotly_chart）、Altair（st.altair_chart）、Bokeh（st.bokeh_chart）、Vega-Lite、PyDeck（3D 地图）、Graphviz。它还提供轻量原生图表 st.line_chart、st.bar_chart、st.scatter_chart 用于快速原型。

Streamlit 应用可以处理多少并发用户？

单实例 Streamlit 依靠 Tornado 事件循环，实测在中等应用（10-20 个组件、数万行数据）下可稳定支持 20-50 个并发用户。突破此规模需要横向扩展多副本 + 会话亲和性（sticky session）+ 将 Session State 迁移到 Redis。企业场景通常在 Kubernetes 中运行 3-10 个副本。

如何在 Streamlit 中实现用户登录和权限控制？

Streamlit 1.42+ 内置了 st.experimental_user 和原生 OIDC 认证，配置 secrets.toml 中的 OAuth 提供商（Google、GitHub、Auth0 等）即可开箱即用。自托管场景推荐用反向代理层（Nginx + OAuth2 Proxy）或 streamlit-authenticator 第三方库，避免在应用层重复实现认证逻辑。

什么是 Streamlit？为什么它主导数据科学 Web 开发

安装 Streamlit 与搭建第一个应用

核心组件：Widgets、布局与 Session State

布局：Columns、Tabs、Container、Sidebar

Session State：跨交互保存状态

数据展示：DataFrame、图表与交互编辑

图表集成：从原生到 Plotly、Altair、Matplotlib

缓存机制：st.cache_data 与 st.cache_resource 深度解析

部署机器学习模型：从 scikit-learn 到 Streamlit 应用

多页面应用与 st.fragment 局部刷新

st.fragment：局部刷新，性能利器

Streamlit vs Gradio vs Dash 对比

生产环境部署：Community Cloud、Docker 与 Kubernetes

路线 1：Streamlit Community Cloud（免费快速）

路线 2：Docker 容器化（自托管）

路线 3：Kubernetes（企业规模）

常见问题

Streamlit 和 Gradio 有什么区别？

Streamlit 应用如何免费部署上线？

st.cache_data 和 st.cache_resource 应该选哪个？

Streamlit 支持哪些图表库？

Streamlit 应用可以处理多少并发用户？

如何在 Streamlit 中实现用户登录和权限控制？

相关文章

DuckDB 完全实战指南：Python 嵌入式分析数据库从入门到精通

Polars 完全实战指南：下一代 Python DataFrame 库从入门到精通

Scikit-learn 1.8 完全指南：GPU 加速、免GIL多线程与七大新特性实战