![Python sul Web. Presentazione delle applicazioni Python su… | di Pier Paolo Ippolito | Ottobre 2023
| Intelligenza-Artificiale Python sul Web. Presentazione delle applicazioni Python su… | di Pier Paolo Ippolito | Ottobre 2023
| Intelligenza-Artificiale](https://intelligenza-artificiale.eu/wp-content/uploads/2023/10/Python-sul-Web-Presentazione-delle-applicazioni-Python-su-di.jpeg)
Utilizzando popolari librerie di visualizzazione Python può essere relativamente semplice creare localmente grafici e dashboard di diverse forme. Tuttavia, può essere molto più complicato condividere i tuoi risultati con altre persone sul web.
Un possibile approccio per farlo è utilizzare librerie come Streamlit, Borraccia, Trama Dash e pagare per un servizio di web hosting per coprire il lato server ed eseguire gli script Python da mostrare sulla pagina web. In alternativa, ad alcuni fornitori piace Plotly Chart o Datapane forniscono anche supporto cloud gratuito per caricare le visualizzazioni Python e quindi incorporarle nel Web. In entrambi gli scenari, potresti ottenere tutto ciò di cui hai bisogno se disponi di un budget limitato per il tuo progetto, ma esiste un modo per ottenere risultati simili gratuitamente?
Come parte di questo articolo, esploreremo 3 possibili approcci:
Per mostrare ciascuno di questi 3 approcci, creeremo una semplice applicazione per esplorare i dati storici sull’inflazione provenienti da tutto il mondo. Per fare ciò, utilizzeremo Il database globale sull’inflazione della Banca Mondiale tutte le informazioni sulla licenza per i dati sono disponibili all’indirizzo questo link (1).
Una volta scaricati i dati, possiamo utilizzare la seguente funzione di pre-elaborazione per modellare meglio il set di dati per la visualizzazione e importare solo i 3 fogli Excel che utilizzeremo come parte dell’analisi (dati sull’inflazione complessiva, inflazione alimentare e prezzi dell’energia).
import pandas as pddef import_data(name):
df = pd.read_excel("Inflation-data.xlsx", sheet_name=name)
df = df.drop(("Country Code", "IMF Country Code", "Indicator Type", "Series Name", "Unnamed: 58"), axis=1)
df = (df.melt(id_vars = ('Country', 'Note'),
var_name = 'Date', value_name = 'Inflation'))
df = df.pivot_table(index='Date', columns='Country',
values='Inflation', aggfunc='sum')
return df
inf_df = import_data("hcpi_a")
food_df = import_data("fcpi_a")
energy_df = import_data("ecpi_a")
Fonte: towardsdatascience.com