在模型调优完成并准备部署之前，需要向各种利益相关者展示结果，无论是直接领导、数据科学家还是客户。通常，会构建一个包含所有视觉元素、数据快照、关键指标指针、各种因素比较以及模型如何实现其目标的故事线的演示文稿。但是，大多数演示/展示并不总是按照计划的方式进行，也无法为所有可能的场景做好准备——因为有太多的因素/组合可以操作。以下是可能会遇到的情况。
客户可能会问：“如果模型中不包含某个特定变量/一组变量，对模型结果有何影响？”或者“由于存在一些质量问题，是否可以排除某个特定数据源——这会改变模型结果的好坏吗？”
领先的数据科学家可能会问：“如果降低学习率会怎样？它会给出更好的结果吗？”或者“不同模型的变量重要性如何变化？”
如果准备了一个包含固定结果和故事线的演示文稿，那么将无法回答许多这些问题。需要回到起点，进行分析，构建一个新的演示文稿，展示发现，然后可能还会被问到更多的问题。这在时间紧迫的情况下并不是一个有效的处理方式。
一种处理方法是构建交互式、直观、易于构建和管理的数据应用，帮助即时回答问题。在本文中，尝试探索使过程更简单的库，节省在冗余任务上的时间，并让更多地关注项目的关键方面，而不是构建演示文稿。
将使用gapminder数据集，该数据集包含了143个国家多年来的寿命预期、人口等数据。以下是数据的快速视图。将在两个示例中使用相同的数据集。
用户界面（UI）：这是定义布局的地方——占位符将在运行时从服务器处理的数据/图表中填充。
服务器：这是编写大部分逻辑、数据整理、绘图等的地方。大部分繁重的工作都在这里完成。
如果是R语言的粉丝，那么shiny是构建数据应用的默认选择。Shiny应用有两个组件，一个用户界面对象和一个服务器函数，这些作为参数传递给创建Shiny应用对象的shiny App函数。让更仔细地看看。
UI：定义应用布局，这种情况下，有两个组件（占位符）
一个条形图
用户可以选择年份的滑块输入。
根据用户从滑块中选择的年份过滤数据。
将使用groupby()聚合数据，并选择前20条记录。
使用ggplot生成图表并定义美学。
运行应用程序：
可以玩滑块，图表会立即更新。
如果是Python的粉丝，会喜欢Dash。Dash是一个高效的Python框架，用于构建Web应用程序。它基于Flask、Plotly.js和React.js构建，Dash广泛用于使用纯Python构建具有高度定制用户界面的数据可视化应用程序。
1. 加载dash库。如果尚未安装库，请安装，例如：
pip install dash
将定义布局，包括一个条形图和一个滑块，类似于Shiny示例。
在Dash中，将使用callback()函数来渲染处理过的数据/图表。
根据用户从滑块中选择的年份过滤数据。
将使用groupby()聚合数据，并选择前20条记录。
使用plotly express生成图表并定义美学。
运行数据应用：
在编辑器/控制台中运行代码，打开浏览器，并访问http://127.0.0.1:8050/在浏览器中查看数据应用
可以玩滑块，图表会立即更新。
如果仔细观察这两个示例，会发现在每个阶段都有很多相似之处，如下所示。所以如果知道其中一个库，那么在另一个库上构建应用程序就相当简单了。唯一变化的是语言、函数调用及其参数。
| Shiny | Dash |
|---|---|
| SliderInput(…) | dcc.Slider(…) |
| server <- function(input, output) {…} | @app.callback(…) |
| groupby() | groupby() |
| mean() | mean() |
| ggplot | plotly express |
| shiny | dash_core_components |
| dash_html_components | |
| R | Python |
现在知道如何添加控件、图表并使它们用户互动，是时候检查更复杂的应用程序了。例如，这是一个基于用户选择构建线性回归模型的Shiny应用程序。
可以在GitHub上找到数据应用的截图以供参考。
本文的目的是映射两者之间的相似之处，并尽可能保持简单。无论选择使用Shiny还是Dash，它们在布局、生成图表、组件之间的交互等方面都是相似的。如果对其中之一有合理的知识，那么应用到另一个是很容易的。唯一变化的是语言、函数调用及其参数。所以不要害怕尝试两者。