在之前的一篇文章中，提到了 Streamlit 这个可以帮你快速构建数据可视化的 web app 框架。
在深入研究和体验后，我发现其特色之一，便是开发工作流。
Streamlit 会自动检测你的源代码修改，并且询问你是否需要自动重新运行。这样，在开发前端应用的过程中，本地修改代码，更新部署服务，再测试的过程，就可以变得更高效快速。如果将 Editor 和浏览器并排显示，那么即时的代码修改就能立即生效。
而 Python 中另一个能产生即时交互体验的工具，便是 Jupyter 了。
Jupyter 是一种由社区支持和维护的开源交互式计算环境。它旨在提供一个功能强大且易于使用的可视化界面，可帮助开发人员运行图形化的计算任务，并为数据科学提供强大的可视化工具。Jupyter 可以让开发者使用不同的编程语言，包括 Python、R、Julia 和 Scala，建立和共享可视化的代码结果。Jupyter 也可以作为一个 web 应用程序，允许多个用户连接并共享相同的代码环境，从而更方便地进行协同开发。
尽管 Jupyter 拥有很强大的功能，但我在具体用的过程中，还是有些不方便的地方，列举如下：
- 适用于小规模的分析或者预处理，但其作为一个单独的
.ipynb文件，很难与一个 python 项目融合放到一起管理，并且文件中会包含输出，也不适合用于版本管理中。
- 定义预处理函数，会占用较长的篇幅，尤其是当预处理计算函数较多的时候，需要反复翻页。有一种办法是将函数定义到文件中，但若函数有修改，就需要重启内核来加载。
- 交互性的缺失。在一些分析性的场景，需要观察某个输入在不同的情况下，会对应产生什么样的效果，就需要写一些 meaningless for 循环，或者是不停修改参数，重新执行。针对这一点，我倒是很喜欢在 Mathematica 中的
Manipulate函数，用一种优雅的 语法 来实现交互。
- 共享代码环境，仅针对开发者而言。当需要共享的只是是结论性内容（不需要代码片段），功能就比较受限。比如我想通过特定的 url 访问包含特定参数的资源，这些场景 Jupyter 就做不到。
这就萌生了用 Streamlit 平行替代 Jupyter 的想法，它有如下的一些优势：
- 本身也是单独的
.py文件，通过良好的模块设计，可以与现有的 Python 项目融合，放到版本管理体系中。
- 预处理函数可以作为函数或模块隐藏在代码中，不会占用 UI 显示资源，可以精细控制要展示的数据和组件。
- 即时开发工作流，使得修改了函数定义后，也能够自动刷新来获取最新的计算结果，而不必重启内核。
- 用很少量的代码来交互效果，可以实现诸如按钮、滑动条等组件，点击后就会触发对应的事件。
顺便在这里介绍一下 Streamlit 的设计思想，分为四步走：
- 完全兼容类似 Python 的语法，可以直接运行，将输出渲染到网页上
- 一行代码写组件：即所有的控件、布局，都可以
等有一些具体案例的时候，再补充相关的细节。
交互创建图表。参考 Manipulate 的相关函数设计。
def fib(n: int) -> int: if n == 0: return 0 elif n == 1: return 1 else: return fib(n-1) + fib(n-2) print(fib(30))
第30项斐波那契数列的值为 832040。
