in streamlit ho un dataframe e voglio che selezionando una riga vengano mostrate alcune…
- 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...)
- 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:
- Selezionare una riga interattivamente.
- Mostrare i dettagli.
- Evitare che le chiamate lente (LLM, query DB, ecc.) vengano rieseguite inutilmente.
──────────────────────────────────
- 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 quelrid. Le volte successive Streamlit prenderà la risposta dal cache istantaneamente.────────────────────────────────── 3) Altre strategie utili ──────────────────────────────────
-
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. -
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'] -
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. -
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 comestreamlit-aggrid(o la nuovast.data_editorcondisabled=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 🚀
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.