こんにちは、JS2IIUです。
今回はStreamlitと組み合わせて使うと便利なライブラリの中でも人気でかつ相性の良いと思われるトップ10のライブラリをご紹介します。独自のランキング方式を取り入れています。参考になれば幸いです。今回もよろしくお願いします。
Streamlitと相性の良いPythonライブラリ Top10（評価スコア付き）
| 順位 | ライブラリ名 | 総合スコア | GitHub | PyPI/月間 | 連携性 | Docs登場 | SO質問 | 学習負荷 | 特徴スコア | 主な用途 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1位 | Pandas | 98 | 37k | ~22M | 20点 | 10点 | 6点 | 5点 | 5点 | データ処理・可視化準備 |
| 2位 | NumPy | 96 | 26k | ~25M | 20点 | 10点 | 6点 | 5点 | 5点 | 数値計算・行列処理 |
| 3位 | Matplotlib | 90 | 18k | ~12M | 15点 | 10点 | 5点 | 4点 | 4点 | グラフ描画（静的） |
| 4位 | Seaborn | 88 | 10.9k | ~10M | 14点 | 9点 | 5点 | 4点 | 4点 | 統計可視化 |
| 5位 | Scikit-learn | 86 | 63k | ~30M | 15点 | 6点 | 7点 | 4点 | 4点 | 機械学習（分類・回帰など） |
| 6位 | TensorFlow/Keras | 72 | 170k+ | ~20M | 12点 | 5点 | 6点 | 2点 | 4点 | 深層学習モデル |
| 6位（同率） | PyTorch | 72 | 70k+ | ~18M | 12点 | 4点 | 6点 | 3点 | 4点 | 深層学習（特に画像処理） |
| 8位 | Altair | 65 | 9.2k | ~0.8M | 15点 | 8点 | 4点 | 4点 | 4点 | 宣言的グラフ描画 |
| 9位 | Bokeh | 60 | 20k | ~0.4M | 12点 | 7点 | 4点 | 3点 | 4点 | インタラクティブ可視化 |
| 10位 | Plotly | 58 | 13k | ~1M | 11点 | 6点 | 4点 | 3点 | 4点 | リッチなインタラクティブグラフ |
指標の説明（各最大スコア）：
- GitHubスター数：25点（人気度）
- PyPIダウンロード数（月間）：25点（利用度）
- 連携性（Streamlitとの実例/コンポーネント有無）：最大20点
- 公式Docs登場頻度：最大10点
- Stack Overflow質問数（Streamlitとの関連）：最大7点
- 学習コスト：最大5点（学習しやすいほど高得点）
- 特徴スコア：最大5点（Streamlitとの相性・表現力）
1. Streamlitとは？なぜライブラリ選びが重要なのか
近年、Pythonで手軽にインタラクティブなWebアプリを作成できるツールとして、Streamlitが注目されています。Streamlitはシンプルなコードでデータの可視化や機械学習モデルの共有ができるため、データサイエンティストやエンジニアを中心に急速に利用が広がっています。
しかし、Streamlit単体でできることは限られているため、実際には様々なPythonライブラリと組み合わせることが不可欠です。データの前処理、可視化、機械学習、数値計算など、用途に応じて最適なライブラリを選ぶことで、効率的かつ高機能なアプリ開発が可能になります。
そこで本記事では、Streamlitとともに使われる代表的なPythonライブラリTop10を紹介し、それぞれの特徴やStreamlitでの活用例を具体的に解説します。これからStreamlitを使い始める方や、既に使っている方にも役立つライブラリ選びの参考になる内容です。
2. ランキング選定基準
ライブラリをTop10として選定するにあたり、以下の観点から定量的かつ客観的に評価しました。
1. Streamlitとの連携性・相性
- StreamlitのAPIと直接連携できるか
- 表示や操作の柔軟性を高める機能を持つか
2. 使用頻度・人気度
- GitHubのスター数
- PyPIでの月間ダウンロード数
- 実際のプロジェクトやコミュニティでの利用例
3. 機能の重要性
- データ処理、可視化、機械学習などアプリ構築に不可欠な機能を提供しているか
- 専門性の高い分野での代表的なライブラリであるか
4. 学習コストと実用性
- 初心者から使いやすいか
- ドキュメントやサンプルの充実度
- 実用的で応用範囲が広いか
これらを総合的に勘案し、Streamlitと組み合わせて効果的に活用できるPythonライブラリを厳選しました。
次のセクションからは、これらの基準に基づいて選ばれたTop10ライブラリの概要と活用方法を詳しく見ていきましょう。
第1位 Pandas
1. ライブラリ概要
PandasはPythonのデータ操作・分析ライブラリで、2008年に開発されて以来、データサイエンスや機械学習分野で広く使われています。表形式のデータを扱うためのDataFrame構造が特徴で、データの読み込み、加工、集計などの操作が効率的に行えます。金融、統計解析、Webデータ分析など多くの分野で欠かせないツールです。
2. Streamlitとの連携・活用例
StreamlitではPandasのDataFrameを直接表示できるため、データの可視化や前処理結果を簡単にWebアプリ上で共有できます。例えばst.dataframe()やst.table()を使うと、Pandasのデータをインタラクティブまたは静的に表示可能です。さらに、フィルターやソートもUI上でサポートされ、ユーザーが操作しやすい画面が作れます。
3. コードサンプル
import streamlit as st
import pandas as pd
# サンプルのデータフレーム作成
data = {
'名前': ['Alice', 'Bob', 'Charlie', 'David'],
'年齢': [24, 30, 22, 35],
'職業': ['エンジニア', 'デザイナー', '研究者', 'マーケター']
}
df = pd.DataFrame(data)
# StreamlitでDataFrameを表示
st.write("ユーザーデータ一覧")
st.dataframe(df)- このコードはPandasで作成した表形式データをStreamlitのインタラクティブなテーブルとして表示します。
4. メリット・特徴
PandasはPythonのデータ処理の標準であり、Streamlitのデータ表示コンポーネントと自然に連携します。初心者でも使いやすく、豊富なドキュメントと活発なコミュニティが強みです。大量データの処理や欠損値対応も可能で、多彩なデータ解析機能を備えています。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 37,000 ⭐ |
| PyPI月間DL | 約22,000,000 |
| Streamlit連携 | 最高評価（標準API対応） |
| 学習コスト | 低め（初心者でも学びやすい） |
| 特徴スコア | 5点（Streamlit親和性高） |
6. 参考リンク・資料
第2位 NumPy
1. ライブラリ概要
NumPyはPythonにおける数値計算の基盤ライブラリで、主に多次元配列（ndarray）の効率的な操作を可能にします。高速な演算処理を提供し、科学技術計算や機械学習の基礎として広く活用されています。1985年にNumericとして始まり、現在は数値計算分野の標準ツールです。
2. Streamlitとの連携・活用例
StreamlitはNumPy配列をst.write()やst.dataframe()で直接表示可能です。グラフ作成の前処理やシミュレーション結果の可視化に便利で、NumPyの計算結果を簡単にWebアプリ上で共有できます。ほか、MatplotlibやSeabornと組み合わせて可視化を行うケースも多いです。
3. コードサンプル
import streamlit as st
import numpy as np
# 5x5のランダムなNumPy配列を生成
arr = np.random.randn(5, 5)
# StreamlitでNumPy配列を表示
st.write("5x5のランダム配列：")
st.dataframe(arr)- NumPyで生成した乱数行列をStreamlit上でインタラクティブに閲覧できます。
4. メリット・特徴
高速な数値計算と多彩な数学関数が特徴で、ほぼ全てのPythonベースの科学技術計算プロジェクトで採用されています。Streamlitとの親和性も高く、数値配列の可視化・共有が簡単です。学習コストは低めで、初心者から専門家まで幅広く使われています。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 26,000 ⭐ |
| PyPI月間DL | 約25,000,000 |
| Streamlit連携 | 最高評価（標準API対応） |
| 学習コスト | 低め（初心者でも学びやすい） |
| 特徴スコア | 5点（Streamlit親和性高） |
6. 参考リンク・資料
第3位 Matplotlib
1. ライブラリ概要
MatplotlibはPythonで最も広く使われているグラフ描画ライブラリで、静的な2Dグラフの作成に強みがあります。2003年に開発されて以来、棒グラフ、折れ線グラフ、散布図など多彩な可視化が可能で、科学技術計算やデータ分析に欠かせません。Seabornなどの上位ラッパーライブラリもMatplotlibを基盤にしています。
2. Streamlitとの連携・活用例
StreamlitはMatplotlibのグラフをst.pyplot()で簡単にWebアプリに表示可能です。静的なグラフをそのまま貼り付けられるため、グラフ作成後の共有やレポート作成に非常に便利です。また、Matplotlibは細かなカスタマイズが可能なので、複雑な図を描きたい場合にも役立ちます。
3. コードサンプル
import streamlit as st
import matplotlib.pyplot as plt
import numpy as np
# データ生成
x = np.linspace(0, 10, 100)
y = np.sin(x)
# グラフ描画
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title("Sin波のグラフ")
# Streamlitで表示
st.pyplot(fig)- NumPyで生成したデータをMatplotlibでグラフ化し、Streamlitで表示しています。
4. メリット・特徴
豊富な描画機能と細かいカスタマイズ性が魅力で、ほとんどのPython可視化プロジェクトで利用されています。Streamlitとの連携もスムーズで、初心者からプロまで幅広い層に支持されています。静的グラフ表示に強い反面、インタラクティブ機能は他ライブラリに譲ります。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 18,000 ⭐ |
| PyPI月間DL | 約12,000,000 |
| Streamlit連携 | 高評価（標準API対応） |
| 学習コスト | 中程度（基本操作は簡単） |
| 特徴スコア | 4点（静的グラフ描画で強み） |
6. 参考リンク・資料
第4位 Seaborn
1. ライブラリ概要
SeabornはMatplotlibをベースにしたPythonの統計的データ可視化ライブラリです。2012年に開発されて以来、データの分布や関係性を簡単に美しく表現できる機能が豊富に揃っています。箱ひげ図やヒートマップ、ペアプロットなど統計解析向けのグラフ作成に適しています。
2. Streamlitとの連携・活用例
StreamlitではSeabornで作成したグラフをMatplotlibの図としてst.pyplot()に渡して表示します。簡単なコードで統計的な可視化を行い、インタラクティブなWebアプリに組み込めるため、データ分析の結果共有に非常に便利です。
3. コードサンプル
import streamlit as st
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
import pandas as pd
# Irisデータセットの読み込み
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)
# ペアプロット作成
fig = sns.pairplot(df, hue='species').fig
# Streamlitで表示
st.pyplot(fig)- Irisデータセットの特徴量をSeabornのペアプロットで視覚化し、Streamlitに表示しています。
4. メリット・特徴
Seabornは統計的なデータ構造を直感的に可視化するのに優れており、Matplotlibよりも美しいデフォルトのスタイルを提供します。初心者でも扱いやすく、分析結果を視覚的にわかりやすく伝えたい場合に最適です。ただし、細かいカスタマイズはMatplotlibの知識が必要になることもあります。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 10,900 ⭐ |
| PyPI月間DL | 約10,000,000 |
| Streamlit連携 | 高評価（Matplotlib経由） |
| 学習コスト | 低め（統計可視化に特化） |
| 特徴スコア | 4点（簡単に美しい統計グラフ） |
6. 参考リンク・資料
第5位 Scikit-learn の個別解説
1. ライブラリ概要
Scikit-learnはPythonで最も有名な機械学習ライブラリで、分類・回帰・クラスタリングなどのアルゴリズムを簡単に使えるAPIで提供しています。2010年にリリースされ、シンプルさと豊富な機能で初心者から専門家まで幅広く利用されています。機械学習モデルの構築や評価において標準的なツールです。
2. Streamlitとの連携・活用例
Streamlitと組み合わせることで、機械学習モデルの学習、予測、評価をインタラクティブに実行・可視化できます。たとえば、ユーザー入力を使ったリアルタイム予測や、モデルのパラメータ調整画面を作ることが可能です。Scikit-learnの結果をグラフや表にして表示するのも簡単です。
3. コードサンプル
import streamlit as st
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# データの読み込み
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
iris.data, iris.target, test_size=0.3, random_state=42)
# モデルの学習
model = RandomForestClassifier()
model.fit(X_train, y_train)
# 予測
y_pred = model.predict(X_test)
# 精度表示
accuracy = accuracy_score(y_test, y_pred)
st.write(f"テストデータに対する正解率: {accuracy:.2f}")- Irisデータセットでランダムフォレストを使い、学習と予測を行い結果を表示します。
4. メリット・特徴
多くの機械学習アルゴリズムを扱いやすく統一されたAPIで提供し、学習コストが比較的低いです。豊富なドキュメントとサンプルがあり、コミュニティも活発です。Streamlitとの連携でモデルのデモ作成や解析結果の共有が容易になります。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 63,000 ⭐ |
| PyPI月間DL | 約30,000,000 |
| Streamlit連携 | 高評価（機械学習UIに最適） |
| 学習コスト | 中程度（機械学習の基礎知識必須） |
| 特徴スコア | 4点（豊富なアルゴリズム対応） |
6. 参考リンク・資料
第6位 TensorFlow/Keras
1. ライブラリ概要
TensorFlowはGoogleが開発したオープンソースの機械学習フレームワークで、深層学習モデルの構築・学習に広く使われています。KerasはTensorFlowの高レベルAPIで、シンプルかつ直感的にモデルを定義できるため初心者から専門家まで支持されています。大規模なニューラルネットワークの実装に適しています。
2. Streamlitとの連携・活用例
Streamlitを使うことで、TensorFlow/Kerasで構築した深層学習モデルの推論結果や学習過程の可視化を簡単にWebアプリに組み込めます。画像認識や自然言語処理のデモをリアルタイムで操作・共有できるため、研究発表やプロトタイプ作成に非常に便利です。
3. コードサンプル
import streamlit as st
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np
# 簡単なニューラルネットワークモデルの定義
model = Sequential([
Dense(10, activation='relu', input_shape=(4,)),
Dense(3, activation='softmax')
])
# モデルのコンパイル
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# ランダムな入力データで推論
input_data = np.random.rand(1, 4)
pred = model.predict(input_data)
st.write("ランダム入力データ：", input_data)
st.write("モデルの出力確率：", pred)- Kerasで定義したシンプルなモデルに対し、ランダムデータを入力し推論結果をStreamlitで表示しています。
4. メリット・特徴
大規模かつ複雑な深層学習モデルの開発に強く、高い拡張性があります。Kerasの直感的なAPIでモデル設計が容易であり、TensorFlowエコシステム全体のサポートも充実。Streamlitとの組み合わせでインタラクティブなAIデモ作成が効率的です。一方で学習コストはやや高めです。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 170,000 ⭐ |
| PyPI月間DL | 約20,000,000 |
| Streamlit連携 | 高評価（推論表示や可視化に便利） |
| 学習コスト | 高め（深層学習の専門知識必要） |
| 特徴スコア | 4点（高機能かつ親和性あり） |
6. 参考リンク・資料
同率6位 PyTorch
1. ライブラリ概要
PyTorchはFacebook（Meta）が開発したオープンソースの深層学習ライブラリで、動的計算グラフを特徴とし、研究者や開発者に人気があります。Pythonとの親和性が高く、柔軟で直感的なモデル構築が可能です。特に画像処理や自然言語処理の分野で広く使われています。
2. Streamlitとの連携・活用例
Streamlitと組み合わせて、PyTorchで構築したモデルの推論結果や中間層の可視化をリアルタイムに表示可能です。画像認識やカスタムAIモデルのデモを簡単に作成でき、UIからパラメータを操作しながら学習・推論を体験できます。
3. コードサンプル
import streamlit as st
import torch
import torch.nn as nn
import numpy as np
# シンプルなニューラルネットワーク定義
class SimpleNN(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(4, 10)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(10, 3)
def forward(self, x):
x = self.relu(self.fc1(x))
x = self.fc2(x)
return x
model = SimpleNN()
# ランダム入力データ
input_data = torch.rand(1, 4)
# 推論
with torch.no_grad():
output = model(input_data)
prob = torch.softmax(output, dim=1)
st.write("入力データ：", input_data.numpy())
st.write("出力確率：", prob.numpy())- PyTorchで定義したモデルにランダムデータを入力し、Streamlitで推論結果を表示します。
4. メリット・特徴
動的グラフにより直感的にモデルを定義でき、研究開発の現場で高い支持を得ています。Pythonのコード感覚で書けるため学習コストが比較的低く、コミュニティも活発。StreamlitでのAIデモ作成にも適しており、画像認識などのタスクに強みがあります。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 70,000 ⭐ |
| PyPI月間DL | 約18,000,000 |
| Streamlit連携 | 高評価（動的モデル表示に便利） |
| 学習コスト | 中程度（動的グラフで扱いやすい） |
| 特徴スコア | 4点（柔軟性と親和性のバランス良し） |
6. 参考リンク・資料
第8位 Altair
1. ライブラリ概要
AltairはPythonの宣言型データ可視化ライブラリで、簡潔なコードで美しい統計グラフを作成できます。Vega-Liteを基盤にしており、インタラクティブなチャート作成に強みがあります。初心者にも使いやすく、データ分析や報告資料の作成で人気です。
2. Streamlitとの連携・活用例
Streamlitはst.altair_chart()でAltairのグラフを簡単に表示できます。インタラクティブなフィルターやズーム機能をそのまま活用できるため、ユーザーが操作しやすいダッシュボード作成に最適です。JSONベースの仕様を活かしたカスタマイズも可能です。
3. コードサンプル
import streamlit as st
import altair as alt
import pandas as pd
# サンプルデータ作成
data = pd.DataFrame({
'カテゴリ': ['A', 'B', 'C', 'D'],
'値': [4, 7, 1, 2]
})
# 棒グラフ作成
chart = alt.Chart(data).mark_bar().encode(
x='カテゴリ',
y='値'
)
# Streamlitで表示
st.altair_chart(chart, use_container_width=True)- PandasのデータをAltairで棒グラフ化し、Streamlit上でインタラクティブに表示しています。
4. メリット・特徴
シンプルなコードで多彩なインタラクティブグラフを作成できる点が魅力。Vega-Liteの仕様に準拠しているため高い柔軟性を持ちつつ、学習コストは低めです。Streamlitとの親和性が高く、洗練されたダッシュボード作成に役立ちます。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 6,000 ⭐ |
| PyPI月間DL | 約1,500,000 |
| Streamlit連携 | 高評価（専用APIで簡単表示） |
| 学習コスト | 低め（宣言型で習得しやすい） |
| 特徴スコア | 4点（インタラクティブに強み） |
6. 参考リンク・資料
第9位 Bokeh
1. ライブラリ概要
BokehはPythonでインタラクティブなWeb対応グラフを作成するためのライブラリです。JavaScriptベースの描画エンジンを使い、複雑なインタラクションを持つダッシュボードやビジュアライゼーションを作成可能です。大規模データのリアルタイム可視化に適しています。
2. Streamlitとの連携・活用例
Streamlitではst.bokeh_chart()を使ってBokehで作成したグラフを簡単に埋め込めます。ユーザー操作に応じたフィルターやズーム機能を活用できるため、インタラクティブな分析アプリに適しています。Bokehの高度なカスタマイズもStreamlitで利用可能です。
3. コードサンプル
import streamlit as st
from bokeh.plotting import figure
from bokeh.models import ColumnDataSource
# データ準備
data = {'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5]}
source = ColumnDataSource(data=data)
# グラフ作成
p = figure(title="Bokeh サンプルグラフ", x_axis_label='X軸', y_axis_label='Y軸')
p.line('x', 'y', source=source, line_width=2)
# Streamlitで表示
st.bokeh_chart(p, use_container_width=True)- Bokehで作成した折れ線グラフをStreamlit上でインタラクティブに表示しています。
4. メリット・特徴
高度なインタラクティブ機能と豊富なウィジェットを備え、Webアプリでのデータ可視化に強みがあります。大規模データのリアルタイム描画に適しており、カスタマイズ性も高いです。学習コストはやや高めですが、その分強力な表現力を持ちます。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 8,600 ⭐ |
| PyPI月間DL | 約1,700,000 |
| Streamlit連携 | 高評価（専用APIあり） |
| 学習コスト | 中程度〜高め（多機能ゆえに） |
| 特徴スコア | 4点（高度なインタラクティブ） |
6. 参考リンク・資料
第10位 Plotly
1. ライブラリ概要
PlotlyはPythonで高度なインタラクティブグラフを作成できるライブラリで、Web対応の美しいチャートを簡単に作成可能です。折れ線グラフ、散布図、3Dグラフ、地図表示など多様なグラフタイプをサポートし、Dashフレームワークとも親和性が高いです。
2. Streamlitとの連携・活用例
Streamlitではst.plotly_chart()を使ってPlotlyグラフを簡単に表示できます。豊富なインタラクション機能を保持したままWebアプリに埋め込み可能で、ユーザーがグラフを操作しながら分析を行うインタラクティブダッシュボード作成に適しています。
3. コードサンプル
import streamlit as st
import plotly.express as px
import pandas as pd
# サンプルデータ作成
df = pd.DataFrame({
'カテゴリ': ['A', 'B', 'C', 'D'],
'値': [10, 20, 30, 40]
})
# 棒グラフ作成
fig = px.bar(df, x='カテゴリ', y='値', title='Plotly 棒グラフ')
# Streamlitで表示
st.plotly_chart(fig, use_container_width=True)- Plotly Expressで簡単に棒グラフを作成し、Streamlitでインタラクティブに表示しています。
4. メリット・特徴
直感的なAPIで複雑なグラフも簡単に作成可能。豊富なグラフタイプと高いカスタマイズ性、インタラクティブ性を兼ね備えています。Webアプリにおけるダッシュボード作成で強力なツールですが、ライブラリサイズが大きめな点は留意が必要です。
5. 定量評価スコア抜粋（例）
| 指標 | スコア/特徴 |
|---|---|
| GitHubスター | 16,000 ⭐ |
| PyPI月間DL | 約6,000,000 |
| Streamlit連携 | 高評価（専用API対応） |
| 学習コスト | 中程度（使いやすいが多機能） |
| 特徴スコア | 4点（多機能で柔軟性あり） |
6. 参考リンク・資料
最後まで読んでいただきありがとうございました。
ご感想、ご意見はコメント欄へよろしくお願いします。
コメント