Streamit의 개요와 기초 사용법

1. Streamlit 개요
2. 개발 환경 설정 및 실행 방법
3. 기초 사용 방법 및 주요 API 익히기

1. Streamlit 개요

Streamlit이란?
- 데이터 사이언스, 머신러닝, AI 분야의 연구자나 SW 개발자가 복잡한 프론트엔드(HTML/CSS/JavaScript) 지식 없이도
  Python 코드 몇 줄만으로 빠르고 대화형인 웹 애플리케이션을 구축할 수 있게 해주는 오픈소스 Python 라이브러리
- 특히 AI 모델 데모, 데이터 시각화 대시보드, 프로토타입 시스템을 빠르게 프로덕션 수준으로 구현할 때 압도적인 생산성을 자랑함
- 과거에는 데이터 분석 결과나 AI 모델을 웹으로 시각화하기 위해서 Django, Flask, FastAPI 같은 백엔드 프레임워크와 React, Vue 같은 프론트엔드 프레임워크를 연동해야 했으나,
- Streamlit은 이 과정을 대폭 단순화하여 데이터 제품의 프로토타이핑 시간을 극적으로 단축시킴
Streamlit의 주요 특징과 장점
- Streamlit이 기존의 일반적인 웹 프레임워크와 차별화되는 가장 큰 특징은 데이터 흐름(Data Flow) 방식의 아키텍처를 가진다는 점
- Pure Python:
  - 오직 Python만으로 UI 컴포넌트와 비즈니스 로직을 모두 작성
- UI 디자인 자동화 (No Front-end code):
  - 개발자가 버튼, 차트, 사이드바의 HTML/CSS 위치를 직접 지정하지 않아도,
  - Streamlit이 내부적으로 디자인 가이드라인에 맞추어
  - 유려하고 반응형인 UI 레이아웃을 자동으로 배치함
- 스크립트 전체 재실행 (Rerun from top to bottom)
  - Streamlit 앱은 웹 페이지에서 사용자가 버튼을 클릭하거나, 슬라이더를 움직이는 등 위젯과 상호작용(Interaction)할 때마다
    - Python 소스 코드 전체가 위에서 아래로 처음부터 끝까지 다시 실행(Rerun)됨
  - 장점:
    - 복잡한 상태 관리(State Management)나 콜백 함수를 촘촘히 설계하지 않아도 되므로,
    - 코드가 직관적이고 단순한 선형적 흐름을 유지함
  - 단점:
    - 위젯을 하나만 움직여도 무거운 머신러닝 모델을 다시 로드하거나 대용량 데이터를 다시 읽어오는 비효율이 발생할 수 있음
      - 이를 해결하기 위해 ‘캐싱’ 기술이 필수적으로 사용됨
- 캐싱 (Caching)을 통한 성능 최적화
  - 전체 재실행으로 인한 병목 현상을 막기 위해 Streamlit은 강력한 캐싱 메커니즘을 제공함
  - 특정 함수에 캐싱 데코레이터를 지정하면,
    - 함수의 입력 매개변수가 바뀔 때만 함수를 재실행하고
    - 그렇지 않으면 이전 실행 결과를 메모리에서 즉시 꺼내와 웹 페이지에 렌더링
  - @st.cache_data:
    - 파일 로드, 데이터프레임 변환, 일반 API 연산 등 ‘데이터 자체’를 캐싱할 때 사용
  - @st.cache_resource:
    - 머신러닝/DL 모델 객체 로드, DB 커넥션 생성 등 공유 리소스나 네트워크 연결을 유지해야 할 때 사용
- 풍부한 위젯 지원:
  - st.slider, st.button, st.selectbox, st.text_input 등
  - 사용자의 입력을 받아 변수로 바로 할당할 수 있는
  - 다양한 위젯을 한 줄의 코드로 구현
- 시각화 라이브러리와의 높은 호환성:
  - Matplotlib, Seaborn, Plotly, Bokeh, Altair 등 Python 생태계의 주요 데이터 시각화 라이브러리로 그린 차트를
  - st.plotly_chart()와 같은 전용 함수를 통해
  - 웹상에 대화형(Interactive) 상태로 손쉽게 띄울 수 있음
- 실시간 변경 반영 (Live Reloading):
  - 개발 환경에서 .py 소스 코드를 수정하고 저장하면,
  - 실행 중인 웹 브라우저가 이를 감지하여
  - 변경사항을 실시간으로 화면에 업데이트함

웹 프레임워크 간 비교

비교 항목	전통적 웹 (Django/Flask)	Plotly Dash	Streamlit
주 사용 언어	Python + HTML/CSS/JS	Python (대부분)	Pure Python
UI 제어력	매우 높음 (완전 커스텀)	높음 (HTML/CSS 컴포넌트 제어)	중간 (정해진 템플릿/레이아웃)
학습 곡선	가파름 (Front/Back 지식 필요)	완만함 (React 개념 일부 필요)	매우 낮음 (Python 기본만 알면 가능)
개발 속도	느림 (설계 및 구축 시간 소요)	중간	매우 빠름 (몇 시간 내 프로토타입 완성)
주요 목적	대규모 프로덕션 서비스 웹앱	복잡하고 정밀한 데이터 대시보드	AI 데모, 빠른 데이터 시각화 앱

요약 및 활용처
Streamlit은 “가장 최소한의 코딩으로, 가장 빠르게 아이디어를 웹 앱으로 검증하는 도구”
다음과 같은 시나리오에서 현업 생산성을 극대화하는 데 자주 활용됨
AI/ML 모델의 추론 결과를 클라이언트나 비개발자 팀원에게 시각적으로 보여주는 데모(Demo) 페이지
기업 내부에서 수집되는 원시 데이터(Raw Data)나 스마트팩토리 센서 데이터를 실시간으로 모니터링하는 사내 대시보드
정식 웹 서비스를 론칭하기 전, 핵심 기능만 빠르게 검증하는 MVP(Minimum Viable Product, 최소 기능 제품) 개발

2. 개발 환경 설정 및 실행 방법

설치하기
```
  pip install streamlit
```
실행하기
- 스크립트를 실행할 때는 python 명령어가 아닌 streamlit run 명령어를 사용
```
  streamlit run app.py
```
- 실행 시 로컬 서버(http://localhost:8501)가 켜지며 브라우저에서 실시간으로 결과를 확인할 수 있음
- 코드를 수정하고 저장하면 브라우저에 실시간 반영(Live Reloading)됨

3. 기초 사용 방법 및 주요 API 익히기

텍스트 및 제목 작성

import streamlit as st

# 웹 페이지 제목 및 헤더
st.title("Streamlit 기초 가이드")
st.header("1. 텍스트 요소 출력")
st.subheader("서브 헤더 영역입니다.")

# 일반 텍스트 및 마크다운 지원
st.text("일반 텍스트 출력 함수입니다.")
st.markdown("마크다운을 지원하여 **굵은 글씨**나 *이탤릭체*, `code` 표현이 가능합니다.")

데이터 및 테이블 출력

Streamlit은 판다스 데이터프레임(DataFrame)을 매우 깔끔한 대화형 테이블로 시각화함

  import pandas as pd
  import numpy as np

  st.header("2. 데이터 및 테이블")

  # 샘플 데이터 생성
  df = pd.DataFrame(
      np.random.randn(10, 3),
      columns=['A', 'B', 'C']
  )

  # 대화형 테이블 (정렬, 검색 가능)
  st.dataframe(df)

  # 정적 테이블 (단순 노출용)
  st.table(df)

다양한 사용자 입력 위젯

사용자의 입력을 받아 변수에 할당하는 과정이 매우 직관적

  st.header("3. 입력 위젯 활용")

  # 버튼
  if st.button("클릭해 보세요"):
      st.write("버튼이 클릭되었습니다!")

  # 체크박스
  show_data = st.checkbox("데이터 보기 선택")
  if show_data:
      st.write("체크박스가 활성화되었습니다.")

  # 라디오 버튼 & 셀렉트 박스
  choice = st.radio("가장 좋아하는 언어는?", ["Python", "Java", "C++"])
  st.write(f"선택한 언어: {choice}")

  option = st.selectbox("기기를 선택하세요", ["스마트폰", "태블릿", "노트북"])
  st.write(f"선택한 기기: {option}")

  # 슬라이더 및 텍스트 입력
  age = st.slider("나이를 선택하세요", 0, 100, 25)
  st.write(f"선택된 나이: {age}")

  user_input = st.text_input("이름을 입력하세요", "홍길동")
  st.write(f"입력된 이름: {user_input}")

레이아웃 구성 (사이드바 및 컬럼)

화면을 분할하거나 사이드바를 제어하는 것도 간단한 컨텍스트 매니저(with)문으로 가능

  st.header("4. 레이아웃 분할")

  # 사이드바 구성
  with st.sidebar:
      st.header("사이드바 메뉴")
      sidebar_input = st.text_input("사이드바 입력창")
      st.write(f"입력값: {sidebar_input}")

  # 컬럼 나누기 (좌우 배치)
  col1, col2 = st.columns(2)

  with col1:
      st.subheader("Left Column")
      st.write("여기는 왼쪽 영역입니다.")

  with col2:
      st.subheader("Right Column")
      st.write("여기는 오른쪽 영역입니다.")

성능 최적화를 위한 캐싱 (Caching)
- Streamlit은 위젯이 변경될 때마다 전체 스크립트를 재실행함
- 만약 대용량 ERP 데이터를 로드하거나 복잡한 AI 모델을 추론하는 로직이 있다면, 매번 재실행할 때 심각한 병목이 발생
- 이를 방지하기 위해 데코레이터를 제공함
```
  @st.cache_data
  def load_large_data():
      # 이 함수는 처음 한 번만 실행되고, 이후에는 캐싱된 데이터를 바로 반환합니다.
      df = pd.read_csv("large_dataset.csv")
      return df

  @st.cache_resource
  def load_ai_model():
      # 머신러닝 모델 객체나 데이터베이스 연결 등은 cache_resource를 사용합니다.
      model = load_my_llm_model()
      return model
```
  - @st.cache_data: 데이터프레임, API 응답, 텍스트 등 일반적인 ‘데이터’를 캐싱할 때 사용
  - @st.cache_resource: ML 모델, DB 커넥션 등 한 번 로드 후 재사용해야 하는 ‘서버 리소스’를 캐싱할 때 사용

Streamit의 개요와 기초 사용법

1. Streamlit 개요

2. 개발 환경 설정 및 실행 방법

3. 기초 사용 방법 및 주요 API 익히기

AiDA Lectures

Error

1. Streamlit 개요

2. 개발 환경 설정 및 실행 방법

3. 기초 사용 방법 및 주요 API 익히기

Templates (for web app):

Error