데이터 분석 환경 구축 - 09. Streamlit 소개 및 설치, 실제 현업 사용기

이전에 소개했던 Clickhouse에서 실시간 데이터 분석을 위해
대시보드를 가장 빠르게 생성할 수 있는 Streamlit 서비스에 대해 소개합니다.
그리고 실제 현업에서 Streamlit으로 서비스를 구축했던 후기도 짧게 공유합니다.

 

 

데이터 분석 환경 구축 - 05. Clickhouse 실시간 데이터 분석 테이블 생성하기

 

 

🛠️ Streamlit 설치 및 차트 생성

반응형

 

아래 명령어면 streamlit 설치가 완료됩니다.

pip install streamlit

 

그 이후에 streamlit 서버를 실행합니다. 아래 명령어로 tutorial 페이지를 확인할 수 있습니다.

streamlit hello

 

 

streamlit에서 제가 주로 사용했던 차트 라이브러리는 altair_chart 였습니다(https://docs.streamlit.io/develop/api-reference/charts/st.altair_chart). 이 차트 라이브러리는 차트 내에서 추가 액션(예: 버튼 클릭 등)이 가능했기 때문인데요. 해당 라이브러리를 사용하여 만든 앱 예시입니다.

연도별 매출 차트

차트 클릭 시 월별 매출 출력

실제 어플리케이션 동작 예시

 

 

🛠️ Streamlit 차트 생성 코드 예시

import streamlit as st
import pandas as pd
import numpy as np
import altair as alt

# 차트 선택 키 초기화
chart_key = "alt_chart"

if "select_state" not in st.session_state:
    st.session_state["select_state"] = False

# 연도별 데이터 생성
years = list(range(2020, 2025))
sales_data = [100, 200, 150, 300, 250]  # 예시 데이터


annual_data = pd.DataFrame({"year": years, "annual_sales": sales_data})


# State 변경 함수
def change_state():
    st.session_state["select_state"] = True


# 월별 데이터 생성 함수
def generate_monthly_data(selected_year):
    np.random.seed(selected_year)  # 연도별 고유 데이터 생성
    return pd.DataFrame(
        {
            "year": selected_year,
            "month": range(1, 13),
            "monthly_sales": np.random.randint(50, 300, 12),
        }
    )


# Altair 선택 설정
selection = alt.selection_point(
    fields=["year"],  # 카테고리 필드 기준 선택
    on="click",  # 클릭 이벤트 사용
    empty=False,  # 항상 하나의 선택 유지
)

# 바 차트 생성
chart = (
    alt.Chart(annual_data)
    .mark_bar()
    .encode(
        x=alt.X("year:O", title="연도"),  # 순서형(O) 데이터로 처리
        y=alt.Y("annual_sales:Q", title="연간 매출"),
        color=alt.condition(selection, alt.value("#4A90E2"), alt.value("#D3D3D3")),
    )
    .interactive()
    .add_params(selection)
)  # 선택 파라미터 추가

# 차트 표시 (키 지정 필수)
chart_event = st.altair_chart(
    chart,
    key=chart_key,
    on_select=change_state,  # 선택시 앱 리로드
)

if st.session_state["select_state"]:
    # 선택 데이터 처리
    if chart_event and chart_event.get("selection", {}).get("param_1"):
        selected_year = chart_event["selection"]["param_1"][0]["year"]
        monthly_data = generate_monthly_data(selected_year)
        st.dataframe(monthly_data, hide_index=True)
else:
    st.write("차트의 바를 클릭하면 해당 데이터가 표시됩니다.")

위와 같이 streamlit을 사용하면 빠르게 차트 및 대시보드를 만들 수 있습니다.

 

📋 사내 서비스에서 Streamlit을 사용한 짧은 후기

POC와 빠른 시간 내에 대시보드 구성과 데이터 분석 레포트를 실행하는 서비스를 만드는데 가장 최고의 앱
😂 하지만 Streamlit의 한계는 명확합니다.

 

✅ 장점

사내에서 내부적으로 데이터 레포트 환경을 만들기 위해 사용했습니다. 시간이 정말 촉박했고 빠르게 서비스를 올릴 수 있는 프레임워크, 그리고  사내에서 Snowflake를 사용하고 있었기에 분석가와 협업하기 좋은 툴을 선택해야 했습니다.

Snowflake는 자체적으로 Streamlit 앱을 내장하고 있어 분석가가 접근하기 쉬웠고 또한 Python 기반의 프레임워크였기에 학습 곡선이 가파르지 않았습니다. 

 

⚠️ 단점

Streamlit 자체적으로 인증이 없습니다. 이에 AWS 인프라에 Streamlit 서버를 올리면서 Cognito와 ALB 조합으로 이를 해결했습니다. 또한 Streamlit 앱 자체는 Websocket 방식으로 앱이 백그라운드에서 계속 실행되는 구조입니다. 즉 웹 브라우저에 Streamlit 앱을 지속 랜더링하여 차트 및 애니메이션을 보여주는 방식이기 때문인데요, 해당 특징이 데이터 분석 구조에서는 단점이 되었습니다(100만건 이상의 데이터를 로드하거나 대량의 데이터를 분석할 때).

 

종합적으로 일반 사용자(사내에서는 전문적인 데이터 분석가가 아닌) 관점에서 데이터 분석에서 필요한 데이터 건 수가 많지 않다면 Streamlit을 선택하여 빠르게 MVP를 만들어서 팀원에게 피드백 받고 그걸 다시 반영하는 루프를 생성하기는 좋은 앱으로 생각됩니다. 

 

 

📚 다음 글에서는 Streamlit에 clickhouse를 연결하여 실시간 대시보드를 구성하는 앱을 만들어보겠습니다.