Skip to content
TheChatArchiveThe Chat Archive
o3-2025-04-16· OpenAIHugging Face LMArena Human Preference 140K

in streamlit ho un dataframe e voglio che selezionando una riga vengano mostrate alcune…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Claudeclaude-3-7-sonnet-20250219-thinking-32k’s answer.
  1. User

    in streamlit ho un dataframe e voglio che selezionando una riga vengano mostrate alcune informazioni aggiuntive sul record selezionato. Il problema è che stramlit fa il rerun di tutta l'app quando seleziono un record e questo comporta una serie di cose non desiderate e lunghe (chiamate a llm ecc...)

  2. Assistant

    In Streamlit ogni interazione con un widget causa l’intero rerun dello script: è proprio il meccanismo che garantisce l’interattività.
    Ciò però non significa che tu debba rifare tutte le operazioni costose ad ogni giro; basta “insegnare” a Streamlit quando può ri-usare ciò che hai già calcolato.

    Di seguito trovi alcune tecniche (con esempi) per:

    1. Selezionare una riga interattivamente.
    2. Mostrare i dettagli.
    3. Evitare che le chiamate lente (LLM, query DB, ecc.) vengano rieseguite inutilmente.

    ──────────────────────────────────

    1. Selezione riga: grid interattiva ────────────────────────────────── Con lo streamlit-component streamlit-aggrid hai una tabella con selezione single click che restituisce le righe scelte senza dover inserire pulsanti/ selectbox.
    # pip install streamlit streamlit-aggrid
    import streamlit as st
    import pandas as pd
    from st_aggrid import AgGrid, GridOptionsBuilder, GridUpdateMode
    
    # -------------------------------------------
    # 1. Caricamento e caching del DataFrame
    # -------------------------------------------
    @st.cache_data
    def load_dataframe():
        # simuliamo un dataset
        return pd.DataFrame({
            "id": range(1, 11),
            "nome": [f"Item {i}" for i in range(1, 11)],
            "descr_breve": [f"Descrizione {i}" for i in range(1, 11)],
        })
    
    df = load_dataframe()
    
    # -------------------------------------------
    # 2. Grid interattiva con selezione singola
    # -------------------------------------------
    gb = GridOptionsBuilder.from_dataframe(df)
    gb.configure_selection("single", use_checkbox=True)  # o click=true per selezione row click
    grid_options = gb.build()
    
    grid_res = AgGrid(
        df,
        gridOptions=grid_options,
        update_mode=GridUpdateMode.SELECTION_CHANGED,
        height=350,
        theme='streamlit',        # dark, light, etc.
        key="my_grid"
    )
    
    selected_rows = grid_res["selected_rows"]
    

    ────────────────────────────────── 2) Dettagli record con LLM + cache ────────────────────────────────── Il rerun avverrà sempre, ma grazie al caching l’inferenza o la chiamata API sarà fatta al massimo una volta per record.

    # -------------------------------------------
    # 3. Funzione costosa (LLM, chiamata DB, ecc.)
    # -------------------------------------------
    import time
    @st.cache_data(show_spinner="⏳ Chiedo a GPT…")
    def get_llm_details(record_id: int) -> str:
        # simuliamo un delay costoso
        time.sleep(4)
        # in realtà qui faresti la chiamata a openai.Completion o simili
        return f"❇️ Risposta LLM per record {record_id}"
    
    # -------------------------------------------
    # 4. Mostra i dettagli solo se c’è selezione
    # -------------------------------------------
    if selected_rows:
        rid = selected_rows[0]["id"]          # id della riga scelta
        st.success(f"Hai selezionato la riga #{rid}")
    
        # Chiamata costosa ma cache-ata
        details = get_llm_details(rid)
        st.markdown(details)
    
    else:
        st.info("Seleziona una riga per vedere i dettagli 👆")
    

    Cosa succede ora? • Quando selezioni una riga la app fa il rerun → Streamlit verifica gli hash delle funzioni @st.cache_data.
    • load_dataframe() è già in cache ⇒ non viene ricalcolata.
    • get_llm_details(rid) viene eseguita solo la prima volta che scegli quel rid. Le volte successive Streamlit prenderà la risposta dal cache istantaneamente.

    ────────────────────────────────── 3) Altre strategie utili ──────────────────────────────────

    1. Prefetch / Lazy load
      Se il numero di record è basso puoi precalcolare tutti i dettagli all’avvio (sempre con cache) e poi leggerli all’istante.

    2. st.session_state
      Per tenere traccia di variabili che non vuoi ricomputare di continuo:

      if 'details' not in st.session_state:
          st.session_state['details'] = {}   # dict id -> testo
      
      def get_details_cached(rid):
          if rid not in st.session_state['details']:
              st.session_state['details'][rid] = get_llm_details(rid)
          return st.session_state['details'][rid']
      
    3. TTL / versioning
      Se temi risposte “vecchie”, @st.cache_data(ttl=3600) ricalcolerà dopo un’ora; oppure passa un parametro che invalidi il cache quando serve.

    4. Chunk & Pagination
      Con dataset giganti non caricare tutto; filtra/pagina prima di visualizzare.

    ────────────────────────────────── 4) Se non vuoi usare componenti esterni ────────────────────────────────── Puoi fare qualcosa di più “classico”:

    row_id = st.selectbox("Scegli record", df["id"])
    st.dataframe(df.set_index("id").loc[[row_id]])
    
    details = get_llm_details(row_id)
    st.write(details)
    

    La UX è meno “table-like” ma il principio caching è identico.

    ────────────────────────────────── TL;DR ────────────────────────────────── • Non puoi evitare il rerun, ma puoi evitare che le parti lente si ripetano usando @st.cache_data / @st.cache_resource + st.session_state.
    • Usa un componente come streamlit-aggrid (o la nuova st.data_editor con disabled=True) per permettere la selezione riga senza aggiungere altri widget.
    • Calcola i dettagli solo la prima volta (o quando scadono) e ri-utilizzali negli altri rerun.

    Con queste accortezze la tua app resterà reattiva anche con chiamate LLM o query pesanti 🚀

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.