【Streamlit】JupyterからStreamlitへの移行方法

Jupyter to Streamlit Streamlit
2025/11/04
この記事は約13分で読めます。

こんにちは、JS2IIUです。
Jupyter Notebookは、データ分析の定番ツールとして広く使われています。Pythonとpandas、NumPyを使えば、手軽にデータの前処理や可視化が可能です。しかし――あなたが一度は感じたことがあるかもしれません。

「分析結果を他の人に見せたいけど、Notebookのままではちょっと不便……」

まさにこの課題を解決してくれるのが Streamlit です。
Streamlitを使えば、Jupyterで書いた分析コードをほぼそのまま、インタラクティブなWebダッシュボードとして公開できます。しかもHTMLやJavaScriptの知識は不要です。

本記事では、Jupyterの分析コードをStreamlitアプリに変換し、さらにHerokuやGCPを使ってWeb上にデプロイするまでの流れを丁寧に解説します。今回もよろしくお願いします。

Jupyter Notebookでの分析プロセスを振り返る

まずは、典型的なNotebook分析の流れを確認しておきましょう。
ここでは、仮の売上データ（CSV）を例に使います。

Python
import pandas as pd
import matplotlib.pyplot as plt

# CSVデータを読み込み
df = pd.read_csv("sales_data.csv")

# 日付をDatetime型に変換
df['date'] = pd.to_datetime(df['date'])

# 日別売上を集計
daily_sales = df.groupby('date')['amount'].sum()

# 可視化
plt.figure(figsize=(8,4))
plt.plot(daily_sales.index, daily_sales.values, marker='o')
plt.title("Daily Sales")
plt.xlabel("Date")
plt.ylabel("Sales Amount")
plt.show()

このコードはシンプルですが、「他のユーザーが自分で日付範囲を選べたら便利」など、インタラクティブ性を求めるとNotebookでは限界があります。
次に、これをStreamlitに変換していきましょう。

StreamlitでインタラクティブなUIを作る

Streamlitとは？

Streamlitは、Pythonコードを数行書くだけでWebアプリ化できるフレームワークです。
データ分析結果を可視化したり、ユーザーが操作できるUIを簡単に作成できます。

インストール

Bash
pip install streamlit pandas matplotlib

インストール後、以下のコマンドでアプリを起動できます。

Bash
streamlit run app.py

基本構成

Streamlitアプリは、次のように非常にシンプルな構造で動きます。

Python
import streamlit as st

st.title("Hello Streamlit!")
st.write("Streamlitアプリの基本構造です。")

これを実行するだけで、ブラウザ上に美しいUIが表示されます。

実装例：Jupyter分析をStreamlitダッシュボードに変換

ここでは、先ほどの売上データ分析をStreamlitでダッシュボード化してみましょう。

Python
import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt

# タイトル
st.title("売上データ分析ダッシュボード")

# ファイルアップロード
uploaded_file = st.file_uploader("CSVファイルをアップロードしてください", type=["csv"])

if uploaded_file:
    df = pd.read_csv(uploaded_file)
    df['date'] = pd.to_datetime(df['date'])

    # 日付範囲スライダー
    min_date = df['date'].min()
    max_date = df['date'].max()
    start_date, end_date = st.slider("日付範囲を選択", min_date, max_date, (min_date, max_date))

    # 選択範囲でフィルタリング
    filtered_df = df[(df['date'] >= start_date) & (df['date'] <= end_date)]

    # 集計
    daily_sales = filtered_df.groupby('date')['amount'].sum()

    # グラフ描画
    fig, ax = plt.subplots(figsize=(8,4))
    ax.plot(daily_sales.index, daily_sales.values, marker='o')
    ax.set_title("Daily Sales")
    ax.set_xlabel("Date")
    ax.set_ylabel("Sales Amount")
    st.pyplot(fig)

    # 集計結果の表示
    st.dataframe(filtered_df)
else:
    st.info("まずCSVファイルをアップロードしてください。")

このアプリでは、

  • CSVファイルをアップロード
  • 日付範囲をスライダーで指定
  • グラフとデータテーブルを自動更新

といった流れがすべてWebブラウザ上で完結します。
これが「JupyterからStreamlitへの進化」です。

アプリをデプロイする（Heroku / GCP / Docker）

Herokuでのデプロイ（最も簡単な方法）

  1. Heroku CLIのインストール
Bash
   brew install heroku
   heroku login
  1. 必要ファイルの準備
Plaintext
   app.py
   requirements.txt
   Procfile

Procfile の中身は次のように書きます：

Plaintext
   web: streamlit run app.py --server.port=$PORT
  1. デプロイ
Bash
   git init
   git add .
   git commit -m "first commit"
   heroku create
   git push heroku master

Streamlit Cloudでのデプロイ（最も簡単で推奨）

  1. GitHubにコードをpush# まだリポジトリがない場合 git init git add . git commit -m "Deploy to Streamlit Cloud" git branch -M main git remote add origin git@github.com:<ユーザー>/<リポジトリ>.git git push -u origin main
    • プライベートリポジトリでも可ですが、初回はStreamlit CloudにGitHubアクセスを許可する必要があります。
  2. Streamlit Cloud上でアプリを作成
    • https://streamlit.io/cloud にログイン（GitHub認証）
    • 「New app」→ 対象のリポジトリとブランチを選択 → Main file に app.py を指定 → 「Deploy」
  3. 必要なファイルと設定
    • app.py（Streamlitアプリ本体）
    • requirements.txt（依存パッケージ。例：streamlit, pandas, matplotlib）
    • （任意）.streamlit/config.toml（テーマやセッション設定など）
    • 環境変数・シークレットは Streamlit Cloud の「Settings」→「Secrets」から追加し、アプリ内では st.secrets で参照します。
  4. 自動デプロイと運用
    • GitHub に push すると自動的に再デプロイされます（CI/CDのような運用が簡単にできます）。
    • プライベートリポジトリの場合は、Streamlit Cloud に対してリポジトリへのアクセス権を付与してください。
  5. 注意点
    • Procfile や --server.port の指定は不要です。Streamlit Cloud がホスティングとポート管理を行います。
    • 大きなデータファイルはリポジトリに含めず、クラウドストレージや外部URLから読み込むようにしてください。
    • ローカルで streamlit run app.py により動作確認を行ってからデプロイするとトラブルが減ります。
    簡潔に言えば、requirements.txt に必要ライブラリを記載して GitHub に push → Streamlit Cloud で「New app」を実行するだけで、数クリックで公開できます。

Dockerでのデプロイ（GCP Cloud Run向け）

Plaintext
FROM python:3.10
WORKDIR /app
COPY . /app
RUN pip install -r requirements.txt
CMD ["streamlit", "run", "app.py", "--server.port=8080", "--server.address=0.0.0.0"]

Dockerイメージをビルドし、GCP Cloud Runにデプロイすればスケーラブルに公開可能です。

まとめ

Jupyter Notebookでの分析は、個人利用には最適ですが、他者と共有して価値を高めるためにはStreamlitが非常に有効です。
Streamlitを使えば、

  • NotebookのコードをほぼそのままWeb化
  • インタラクティブUIの構築が容易
  • HerokuやGCPでの無料デプロイも可能

と、分析から共有までのプロセスが驚くほどスムーズになります。

データ分析を「見るもの」から「触れるもの」へ変える――
それが、JupyterからStreamlitへの一歩です。

参考

最後まで読んでいただきありがとうございました。

コメント

タイトルとURLをコピーしました