Facile
Conclusion — Séance 2
Cette séance couvrait la construction d'un dashboard interactif en Python pur avec Streamlit.
Ce qui a été construit
- Une sidebar avec des filtres globaux (région, année)
- Des KPI cards avec métriques et indicateurs de variation
- Un tableau interactif avec tri et scroll
- Un graphique en barres pour visualiser la répartition par région
- Le tout alimenté par le repository Python de la séance 1, avec cache Streamlit
Points clés de la séance
- Le modèle de re-run est le concept fondamental : chaque interaction utilisateur réexécute l'intégralité du script
- Le cache (
@st.cache_datapour les données,@st.cache_resourcepour les connexions) évite de relancer les requêtes à chaque re-run - L'architecture en couches (repository indépendant du framework) permet de réutiliser le même code entre Flask et Streamlit
- Le pattern sidebar + colonnes est la structure standard d'un dashboard Streamlit
st.set_page_config()doit toujours être le premier appel du script
Ce qui change en Séance 3
Les graphiques natifs (st.bar_chart, st.line_chart) atteignent vite leurs limites : pas de titre intégré, pas de labels d'axes, pas de personnalisation des couleurs.
La Séance 3 introduit Plotly pour des graphiques personnalisables et interactifs via st.plotly_chart() : barres, lignes, camemberts, scatter plots, heatmaps.
Aperçu de la Séance 3
Plotly Express crée des graphiques en une ligne de code, avec un contrôle total sur le rendu (titres, axes, couleurs, interactions).