Python Streamlit 資料視覺化儀表板入門教學 2026：從零打造互動分析工具

什麼是 Streamlit？為什麼值得學？

我第一次接觸 Streamlit 是在 2022 年，當時為了展示一個機器學習模型的預測結果，苦苦掙扎了兩週試圖用 Flask 搭配前端框架。後來同事推薦我試試 Streamlit，結果兩個小時內就做出了能互動的展示介面——那個衝擊感讓我印象深刻。

Streamlit 是一個開源的 Python 框架，專為資料科學家與機器學習工程師設計，讓你不需要懂 HTML、CSS 或 JavaScript，就能用純 Python 快速建立互動式 Web 應用程式。它的核心哲學是：用最少的程式碼，做最有力的展示。

2026 年的 Streamlit 已相當成熟，社群龐大，官方整合了更多 AI/ML 展示元件，對於想把 Python 分析成果「視覺化展示」給非技術人員看的工程師來說，幾乎是不二選擇。

如果你也在做資料分析工作，搭配 DuckDB Python分析 來做本地大型資料集查詢，再用 Streamlit 呈現結果，是目前我認為效率最高的組合之一。

安裝與環境設定

Streamlit 的安裝非常簡單，推薦搭配虛擬環境使用：

# 建立虛擬環境
python -m venv streamlit-env
source streamlit-env/bin/activate

# 安裝 Streamlit 與常用套件
pip install streamlit pandas numpy plotly matplotlib

建立第一個測試檔案：

import streamlit as st

st.title("我的第一個 Streamlit 應用")
st.write("Hello, Streamlit！這是 2026 年最值得學的 Python 工具。")

在終端機執行 streamlit run app.py，瀏覽器會自動開啟 http://localhost:8501。這個「儲存即更新」的開發體驗，是 Streamlit 最讓人上癮的地方之一。

核心元件介紹

Streamlit 的 API 設計極度直覺，所有元件都以 st. 開頭呼叫。以下介紹最常用的幾類元件。

圖表元件

Streamlit 內建多種圖表呈現方式，也支援 Plotly、Altair、Matplotlib 等第三方函式庫：

import streamlit as st
import pandas as pd
import plotly.express as px

df = pd.DataFrame({
    "月份": ["1月", "2月", "3月", "4月", "5月", "6月"],
    "銷售額": [120000, 145000, 132000, 178000, 165000, 210000]
})

fig = px.line(df, x="月份", y="銷售額", title="2026 上半年銷售趨勢")
st.plotly_chart(fig, use_container_width=True)
st.dataframe(df, use_container_width=True)

個人偏好用 plotly_chart，因為 Plotly 圖表本身支援互動（hover、縮放），展示給客戶看特別有說服力。

側邊欄與互動元件

Streamlit 真正強大的地方在於互動控制元件，讓儀表板能動態篩選資料：

with st.sidebar:
    st.header("篩選條件")
    selected_year = st.selectbox("選擇年份", [2024, 2025, 2026], index=2)
    min_sales = st.slider("最低銷售額門檻", 0, 500000, 100000, 10000)
    categories = st.multiselect(
        "產品類別",
        ["電子產品", "服飾", "食品", "家居"],
        default=["電子產品", "服飾"]
    )

每當使用者操作這些元件，Streamlit 就會自動重新執行整個腳本，頁面即時更新——這就是它的響應式設計核心。

實戰：打造完整銷售分析儀表板

把上面學到的元件組合起來，做一個完整的銷售分析儀表板：

import streamlit as st
import pandas as pd
import numpy as np
import plotly.express as px

st.set_page_config(page_title="銷售分析儀表板 2026", layout="wide")

@st.cache_data
def load_data():
    np.random.seed(42)
    dates = pd.date_range("2026-01-01", "2026-06-30", freq="D")
    return pd.DataFrame({
        "date": dates,
        "sales": np.random.normal(15000, 3000, len(dates)).clip(5000),
        "category": np.random.choice(["電子", "服飾", "食品", "家居"], len(dates)),
        "region": np.random.choice(["北部", "中部", "南部", "東部"], len(dates))
    })

df = load_data()

with st.sidebar:
    st.header("⚙️ 篩選設定")
    regions = st.multiselect("地區", df["region"].unique().tolist(), default=df["region"].unique().tolist())
    cats = st.multiselect("類別", df["category"].unique().tolist(), default=df["category"].unique().tolist())

fdf = df[df["region"].isin(regions) & df["category"].isin(cats)]

st.title("📊 2026 上半年銷售分析儀表板")

col1, col2, col3 = st.columns(3)
col1.metric("總銷售額", f"${fdf['sales'].sum():,.0f}", delta="+12.5%")
col2.metric("日均銷售", f"${fdf['sales'].mean():,.0f}", delta="+5.3%")
col3.metric("最高單日", f"${fdf['sales'].max():,.0f}")

daily = fdf.groupby("date")["sales"].sum().reset_index()
fig = px.line(daily, x="date", y="sales", title="每日銷售趨勢")
st.plotly_chart(fig, use_container_width=True)

with st.expander("📋 查看原始資料"):
    st.dataframe(fdf, use_container_width=True)
    csv = fdf.to_csv(index=False).encode("utf-8")
    st.download_button("下載 CSV", data=csv, file_name="sales_2026.csv")

@st.cache_data 裝飾器是效能優化的關鍵，確保資料只在第一次載入時執行，後續互動不會重新讀取，在處理大型資料集時能顯著提升響應速度。

Streamlit vs Dash vs Gradio 比較

選工具之前，先了解三者定位差異：

特性	Streamlit	Dash	Gradio
學習曲線	極低	中高	極低
自訂彈性	中	高	低
ML 展示	良好	可行	最佳
資料儀表板	最佳	最佳	勉強
企業級功能	有限	Dash Enterprise	有限

我的建議：資料科學內部工具和快速 PoC 展示，選 Streamlit；需要複雜 callback 邏輯和企業部署，選 Dash；純 AI/ML 模型展示，選 Gradio。三者並不互斥，根據受眾選擇不同展示工具是務實的做法。

部署方式：Streamlit Cloud 與 Docker

方案一：Streamlit Community Cloud（免費）

1. 把程式碼推上 GitHub，確保 requirements.txt 完整
2. 前往 share.streamlit.io 登入 GitHub 帳號
3. 點擊「New app」，選擇倉庫與主程式檔案
4. 在 Secrets 設定環境變數（如 API 金鑰）
5. 點擊部署，約 2-3 分鐘後取得公開網址

方案二：Docker 容器部署

FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8501
ENTRYPOINT ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

Docker 部署讓你的 Streamlit 應用可以和其他後端服務整合，例如搭配 FastAPI WebSocket 做即時資料推送，讓儀表板能顯示真正的即時串流資料。

實用技巧與常見踩坑

1. Session State 管理狀態

Streamlit 每次互動都重新執行腳本，若需要跨互動保存狀態，使用 st.session_state：

if "count" not in st.session_state:
    st.session_state.count = 0

if st.button("點擊計數"):
    st.session_state.count += 1

st.write(f"已點擊 {st.session_state.count} 次")

2. 多頁面應用架構

將不同功能拆分到 pages/ 資料夾，Streamlit 會自動生成側邊欄導航：

your_app/
├── app.py
└── pages/
    ├── 1_銷售分析.py
    ├── 2_客戶分析.py
    └── 3_預測模型.py

3. 搭配資料驗證工具

處理使用者上傳的 CSV 或 API 資料時，搭配 Pydantic v2 做資料驗證，能有效防止格式錯誤導致儀表板崩潰，特別是在接收外部資料來源時非常實用。

4. 常見踩坑

• 忘記 @st.cache_data：每次互動都重新載入大型資料，效能極差
• 在 sidebar 外呼叫 widget 卻期望它出現在 sidebar：必須在 with st.sidebar: 區塊內
• 多人同時使用時的 session 隔離問題：session_state 是獨立的，但全域變數是共享的
• 部署時忘記更新 requirements.txt：務必執行 pip freeze > requirements.txt

結語

Streamlit 之所以在 2026 年依然是資料視覺化儀表板的首選之一，在於它完美解決了「我有分析結果，但不知道怎麼讓別人看到」這個痛點。幾十行 Python 就能做出專業感十足的互動儀表板，對沒有前端背景的資料工程師來說，真的是救星。

從最簡單的 st.write() 到完整的多頁面應用，Streamlit 的學習路徑非常平滑。建議從小專案開始，把日常分析的 Jupyter Notebook 轉換成 Streamlit 應用，是最有效率的練習方式。

如果在儀表板中需要處理大量資料，記得配合 DuckDB Python分析 來加速查詢效能，兩者搭配使用能讓你的分析工具在本地處理 GB 級資料集時依然保持流暢。下一步，嘗試將儀表板部署到 Streamlit Cloud，讓你的分析成果真正被看見。