Streamlit：Pythonで簡単にウェブアプリを作成するライブラリ

import streamlit as st

# タイトルの表示
st.title("シンプルなStreamlitアプリ")

# テキストの表示
st.write("これは、Streamlitを使ったシンプルなウェブアプリです。")

# スライダーの追加
slider_value = st.slider("スライダーを動かしてください", 0, 100)
st.write(f"スライダーの値: {slider_value}")

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# データの作成
data = pd.DataFrame({
    'A': np.random.rand(100),
    'B': np.random.rand(100)
})

# データフレームの表示
st.write("ランダムデータのデータフレーム", data)

# グラフの作成
fig, ax = plt.subplots()
ax.scatter(data['A'], data['B'])
ax.set_xlabel('A')
ax.set_ylabel('B')
ax.set_title('A vs B Scatter Plot')

# グラフの表示
st.pyplot(fig)

import streamlit as st
import pandas as pd

# ファイルアップロード
uploaded_file = st.file_uploader("ファイルをアップロードしてください", type=["csv", "xlsx"])

if uploaded_file is not None:
    # ファイルの読み込み
    if uploaded_file.name.endswith('.csv'):
        data = pd.read_csv(uploaded_file)
    elif uploaded_file.name.endswith('.xlsx'):
        data = pd.read_excel(uploaded_file)
    
    # データの表示
    st.write("アップロードされたデータ", data)

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

# ランダムな位置データの作成
map_data = pd.DataFrame({
    'lat': np.random.randn(100) / 50 + 35.69,
    'lon': np.random.randn(100) / 50 + 139.70
})

# インタラクティブなマップの表示
st.map(map_data)

import streamlit as st
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# Irisデータセットの読み込み
iris = load_iris()
X = iris.data
y = iris.target

# モデルの訓練
clf = RandomForestClassifier()
clf.fit(X, y)

# ユーザー入力の取得
st.sidebar.header('ユーザー入力')
def user_input_features():
    sepal_length = st.sidebar.slider('萼片の長さ', float(X[:, 0].min()), float(X[:, 0].max()))
    sepal_width = st.sidebar.slider('萼片の幅', float(X[:, 1].min()), float(X[:, 1].max()))
    petal_length = st.sidebar.slider('花弁の長さ', float(X[:, 2].min()), float(X[:, 2].max()))
    petal_width = st.sidebar.slider('花弁の幅', float(X[:, 3].min()), float(X[:, 3].max()))
    data = {
        'sepal_length': sepal_length,
        'sepal_width': sepal_width,
        'petal_length': petal_length,
        'petal_width': petal_width
    }
    return pd.DataFrame(data, index=[0])

input_df = user_input_features()

# 予測の表示
prediction = clf.predict(input_df)
prediction_proba = clf.predict_proba(input_df)

st.subheader('クラスラベルとその対応するインデックス番号')
st.write(iris.target_names)

st.subheader('予測')
st.write(iris.target_names[prediction])

st.subheader('予測確率')
st.write(prediction_proba)