]

] ] स्ट्रीमलाइट के साथ शुरू हो रहा है ] आप निम्न कमांड का उपयोग करके स्ट्रीमलाइट स्थापित कर सकते हैं: पिप स्ट्रीमलिट स्थापित करें ] स्ट्रीमलाइट रन app.py

]

1। शीर्षक लिखना और पाठ प्रदर्शित करना

ST के रूप में आयात सुव्यवस्थित # एक शीर्षक लिखना St.Title ("हैलो वर्ल्ड") # सरल पाठ प्रदर्शित करें St.Write ("एक साधारण पाठ प्रदर्शित करना")

२। डेटाफ्रेम प्रदर्शित करना

पीडी के रूप में पांडा आयात करें # एक DataFrame बनाना df = pd.dataframe ({ "पहला कॉलम": [1, 2, 3, 4], "दूसरा कॉलम": [5, 6, 7, 8] }) # DataFrame प्रदर्शित करें St.Write ("डेटाफ्रेम प्रदर्शित करना") सेंट राइट (डीएफ)

pip install streamlit

३। चार्ट के साथ डेटा की कल्पना

streamlit run app.py

४। उपयोगकर्ता इंटरैक्शन: पाठ इनपुट, स्लाइडर्स, और बक्से का चयन करें

import streamlit as st

# Writing a title
st.title("Hello World")

# Display simple text
st.write("Displaying a simple text")

# पाठ इनपुट नाम = st.Text_Input ("आपका नाम है:") यदि नाम: St.Write (f'hello, {नाम} ') # स्लाइडर आयु = St.Slider ("अपनी आयु का चयन करें:", 0, 100, 25) अगर उम्र: St.Write (f'your आयु है: {आयु} ') # बॉक्स का चयन करें विकल्प = ["पायथन", "जावा", "जावास्क्रिप्ट"] लैंग = St.Selectbox ('पसंदीदा प्रोग्रामिंग भाषा', विकल्प) अगर लैंग: St.Write (f'favorite प्रोग्रामिंग भाषा {lang} 'है)

५। फ़ाइल अपलोड

import pandas as pd

# Creating a DataFrame
df = pd.DataFrame({
    "first column": [1, 2, 3, 4],
    "second column": [5, 6, 7, 8]
})

# Display the DataFrame
st.write("Displaying a DataFrame")
st.write(df)

स्ट्रीमलाइट

app:

# CSV फ़ाइलों के लिए फ़ाइल अपलोडर फ़ाइल = st.file_uploader ('एक CSV फ़ाइल चुनें', 'CSV') यदि फ़ाइल: डेटा = pd.read_csv (फ़ाइल) सेंट राइट (डेटा)

import numpy as np

# Generating random data
chart_data = pd.DataFrame(
    np.random.randn(20, 4), columns=['a', 'b', 'c', 'd']
)

# Display the line chart
st.line_chart(chart_data)

स्ट्रीमलाइट के साथ एक मशीन लर्निंग प्रोजेक्ट का निर्माण

] हम प्रसिद्ध आइरिस डेटासेट का उपयोग करेंगे और एक सरल वर्गीकरण

मॉडल

का निर्माण करेंगे। परियोजना संरचना:

डेटासेट लोड करें।

# Text input
name = st.text_input("Your Name Is:")
if name:
    st.write(f'Hello, {name}')

# Slider
age = st.slider("Select Your Age:", 0, 100, 25)
if age:
    st.write(f'Your Age Is: {age}')

# Select Box
choices = ["Python", "Java", "Javascript"]
lang = st.selectbox('Favorite Programming Language', choices)
if lang:
    st.write(f'Favorite Programming Language is {lang}')

एक रैंडमफॉर्स्टक्लासिफायर को प्रशिक्षित करें।

उपयोगकर्ताओं को स्लाइडर्स का उपयोग करके इनपुट सुविधाओं की अनुमति दें।

इनपुट सुविधाओं के आधार पर प्रजातियों की भविष्यवाणी करें।
1। आवश्यक निर्भरताएं स्थापित करें

सबसे पहले, आवश्यक पुस्तकालयों को स्थापित करें:

# File uploader for CSV files
file = st.file_uploader('Choose a CSV file', 'csv')

if file:
    data = pd.read_csv(file)
    st.write(data)

PIP स्ट्रीमलाइट Scikit-Learn Numpy Pandas स्थापित करें

२। आयात पुस्तकालयों और लोड डेटा

आइए आवश्यक पुस्तकालयों को आयात करें और आइरिस डेटासेट लोड करें:

ST के रूप में आयात सुव्यवस्थित पीडी के रूप में पांडा आयात करें sklearn.datasets आयात load_iris से Sklearn.Ensemble आयात रैंडमफॉर्स्टक्लासिफायर से # कुशल लोडिंग के लिए कैश डेटा @st.cache_data def load_data (): iris = load_iris () df = pd.dataframe (iris.data, कॉलम = iris.feature_names) df ["प्रजाति"] = iris.target DF, iris.target_names लौटें df, target_name = load_data ()

३। मशीन लर्निंग मॉडल को प्रशिक्षित करें एक बार जब हमारे पास डेटा होता है, तो हम एक रैंडमफॉर्स्टक्लासिफायर को प्रशिक्षित करेंगे ताकि इसकी विशेषताओं के आधार पर एक फूल की प्रजातियों की भविष्यवाणी की जा सके: # ट्रेन रैंडमफॉर्स्टक्लासिफायर मॉडल = रैंडमफॉर्स्टक्लासिफायर () model.fit (df.iloc [:,: -1], df ["प्रजाति"])

४। इनपुट इंटरफ़ेस बनाना

अब, हम साइडबार में स्लाइडर्स बनाएंगे ताकि उपयोगकर्ताओं को भविष्यवाणियां करने के लिए इनपुट सुविधाओं की अनुमति मिल सके:

• # उपयोगकर्ता इनपुट के लिए साइडबार St.Sidebar.title ("इनपुट फीचर्स") sepal_length = st.sidebar.slider ("सेपल लंबाई", फ्लोट (df ['sepal लंबाई (cm)']। मिनट ()), फ्लोट (df ['sepal लंबाई (cm)']। sepal_width = st.sidebar.slider ("सेपल चौड़ाई", फ्लोट (df ['sepal width (cm)']]। Min ()), फ्लोट (df ['sepal width (cm)']। petal_length = st.sidbar.slider ("पेटल लंबाई", फ्लोट (df ['पंखुड़ी लंबाई (cm)']। मिनट ()), फ्लोट (df ['पंखुड़ी लंबाई (cm)']। Petal_width = st.Sidebar.slider ("पेटल चौड़ाई", फ्लोट (df ['पंखुड़ी चौड़ाई (cm)']। Min ()), फ्लोट (df ['पंखुड़ी चौड़ाई (cm)']। मैक्स ())))
५। प्रजातियों की भविष्यवाणी
उपयोगकर्ता इनपुट प्राप्त करने के बाद, हम प्रशिक्षित मॉडल का उपयोग करके एक भविष्यवाणी करेंगे:
# इनपुट डेटा तैयार करें input_data = [[sepal_length, sepal_width, petal_length, petal_width]] # भविष्यवाणी भविष्यवाणी = model.predict (input_data) PREDICTION_SPECIES = TAMENT_NAME [भविष्यवाणी [0]] # भविष्यवाणी प्रदर्शित करें St.Write ("भविष्यवाणी:") St.Write (f'preded प्रजाति {भविष्यवाणी_स्पेसिस} 'है)

यह ऐसा लगेगा:

pip install streamlit

] ? कोड की कुछ ही पंक्तियों में, हमने एक इंटरैक्टिव ऐप बनाया? यह उपयोगकर्ताओं को इनपुट सुविधाओं और एक फूल की प्रजातियों की भविष्यवाणी करने की अनुमति देता है? मशीन लर्निंग मॉडल का उपयोग करना। ?? हैप्पी कोडिंग! ?