Durante muchos años, desarrollar aplicaciones web requería conocimientos avanzados de tecnologías como HTML, CSS, JavaScript o frameworks específicos de backend. Esto suponía una barrera importante para analistas, científicos de datos e ingenieros que simplemente querían mostrar resultados, compartir modelos o crear herramientas interactivas para usuarios de negocio.
La aparición de Streamlit cambió por completo este escenario.
Gracias a su simplicidad, Streamlit permite crear aplicaciones web interactivas utilizando únicamente Python. En cuestión de minutos es posible transformar un script o un notebook en una aplicación accesible desde un navegador, sin necesidad de experiencia previa en desarrollo web.
En este artículo veremos qué es Streamlit, por qué se ha vuelto tan popular dentro del ecosistema de datos y cómo configurar una primera aplicación desde cero.
¿Qué es Streamlit?
Streamlit es un framework open source desarrollado para facilitar la creación de aplicaciones web orientadas a datos.
Su principal objetivo es permitir que científicos de datos, analistas e ingenieros puedan construir interfaces interactivas utilizando únicamente Python.
Con Streamlit es posible crear:
- Dashboards.
- Herramientas internas.
- Aplicaciones analíticas.
- Visualizaciones interactivas.
- Prototipos de inteligencia artificial.
- Interfaces para modelos de Machine Learning.
Todo ello sin necesidad de escribir código frontend tradicional.
¿Por qué Streamlit se ha vuelto tan popular?
La popularidad de Streamlit no es casualidad.
Muchas herramientas de visualización o desarrollo web requieren una curva de aprendizaje considerable.
Streamlit apuesta por un enfoque mucho más sencillo:
- Instalación rápida.
- Código fácil de leer.
- Integración natural con Python.
- Despliegue simplificado.
- Excelente experiencia para proyectos de datos.
Esto permite que los equipos se centren en generar valor a partir de los datos en lugar de invertir tiempo construyendo interfaces complejas.
Casos de uso habituales
Streamlit se utiliza en una enorme variedad de proyectos.
Algunos ejemplos comunes incluyen:
Dashboards empresariales
Visualización de indicadores de negocio de forma rápida e interactiva.
Herramientas internas
Aplicaciones utilizadas por equipos operativos, comerciales o financieros.
Ciencia de datos
Interfaces para probar modelos predictivos o visualizar resultados.
Inteligencia artificial
Aplicaciones que permiten interactuar con modelos de IA generativa o sistemas de recomendación.
Automatización de procesos
Herramientas que facilitan tareas repetitivas sin necesidad de utilizar hojas de cálculo complejas.
Instalación de Streamlit
El primer paso consiste en instalar la librería.
La instalación puede realizarse mediante pip.
pip install streamlit
Una vez completada la instalación, podemos verificar que todo funciona correctamente.
streamlit hello
Este comando ejecuta una aplicación de ejemplo incluida en la propia herramienta.
Si el navegador se abre correctamente, la instalación ha sido exitosa.
Crear la primera aplicación
Una de las grandes ventajas de Streamlit es que una aplicación básica puede construirse con muy pocas líneas de código.
Creamos un archivo llamado:
app.py
Y añadimos el siguiente contenido:
import streamlit as st
st.title(«Mi primera aplicación Streamlit»)
st.write(«Hola mundo desde Streamlit»)
Este sencillo script ya genera una página web funcional.
Ejecutar la aplicación
Para lanzar la aplicación basta con ejecutar:
streamlit run app.py
Automáticamente Streamlit iniciará un servidor local y abrirá la aplicación en el navegador.
Este proceso suele tardar apenas unos segundos.
Añadiendo texto y contenido
Una vez creada la estructura básica, podemos comenzar a incorporar elementos visuales.
Por ejemplo:
import streamlit as st
st.title(«Dashboard de Ventas»)
st.header(«Resumen general»)
st.write(«Este dashboard muestra información comercial.»)
Streamlit proporciona múltiples componentes para organizar el contenido de forma sencilla.
Mostrar datos de Pandas
Una de las funcionalidades más utilizadas consiste en visualizar DataFrames.
Por ejemplo:
import pandas as pd
import streamlit as st
df = pd.DataFrame({
«Mes»: [«Enero», «Febrero», «Marzo»],
«Ventas»: [12000, 15000, 18000]
})
st.dataframe(df)
Esto permite mostrar tablas interactivas directamente dentro de la aplicación.
Para profesionales de datos, esta integración resulta especialmente útil.
Incorporar gráficos
Las aplicaciones suelen ser mucho más útiles cuando incluyen visualizaciones.
Por ejemplo:
st.line_chart(df[«Ventas»])
Con una sola línea de código podemos generar un gráfico interactivo.
Además, Streamlit se integra fácilmente con bibliotecas como:
- Matplotlib.
- Plotly.
- Altair.
- Seaborn.
Esto permite construir dashboards mucho más avanzados.
Crear elementos interactivos
La verdadera potencia de Streamlit aparece cuando añadimos interacción.
Por ejemplo, podemos incorporar un selector.
pais = st.selectbox(
«Selecciona un país»,
[«España», «Francia», «Italia»]
)
st.write(«Has seleccionado:», pais)
Los usuarios pueden interactuar con la aplicación sin necesidad de recargar la página.
Formularios y entradas de usuario
Streamlit facilita la captura de información mediante diferentes componentes.
Por ejemplo:
nombre = st.text_input(«Introduce tu nombre»)
if nombre:
st.write(f»Hola {nombre}»)
También dispone de:
- Casillas de verificación.
- Botones.
- Fechas.
- Deslizadores.
- Cargas de archivos.
- Formularios completos.
Esto permite desarrollar aplicaciones mucho más completas.
Integración con Machine Learning
Uno de los motivos por los que Streamlit ha ganado tanta popularidad es su facilidad para mostrar modelos predictivos.
Por ejemplo, una aplicación puede:
- Solicitar información al usuario.
- Ejecutar un modelo entrenado en Python.
- Mostrar la predicción en tiempo real.
Este enfoque resulta ideal para construir prototipos de inteligencia artificial rápidamente.
Conectando con bases de datos
Las aplicaciones Streamlit también pueden consumir información desde múltiples fuentes.
Entre ellas:
- Snowflake.
- PostgreSQL.
- MySQL.
- SQL Server.
- APIs externas.
- Archivos CSV.
- Data Lakes.
Por ejemplo, un dashboard puede consultar datos almacenados en Snowflake y mostrarlos de forma interactiva para usuarios de negocio.
Streamlit y Snowflake
La relación entre Streamlit y Snowflake es especialmente interesante.
De hecho, Snowflake adquirió Streamlit en 2022 con el objetivo de facilitar la construcción de aplicaciones directamente sobre los datos almacenados en la plataforma.
Esta integración permite:
- Acceder a datos de Snowflake.
- Crear interfaces analíticas.
- Compartir aplicaciones con usuarios finales.
- Desarrollar herramientas sin infraestructura compleja.
Para muchas organizaciones, esta combinación se ha convertido en una solución muy atractiva para crear aplicaciones de datos.
Buenas prácticas al comenzar
Aunque Streamlit es sencillo de utilizar, conviene seguir ciertas recomendaciones.
Mantener el código organizado
A medida que la aplicación crece, es recomendable dividir funcionalidades en distintos módulos.
Evitar consultas innecesarias
Las conexiones a bases de datos deben optimizarse para reducir tiempos de carga.
Utilizar caché
Streamlit permite almacenar temporalmente resultados para mejorar el rendimiento.
Pensar en la experiencia del usuario
Una interfaz clara suele ser más valiosa que una aplicación sobrecargada de elementos.
Validar entradas
Siempre es recomendable controlar la información introducida por los usuarios.
Casos de uso empresariales
Las organizaciones utilizan Streamlit para resolver numerosos problemas de negocio.
Algunos ejemplos incluyen:
Cuadros de mando internos
Visualización de KPIs y métricas operativas.
Herramientas financieras
Seguimiento de presupuestos, ingresos o previsiones.
Aplicaciones de recursos humanos
Análisis de absentismo, productividad o rotación.
Inteligencia artificial generativa
Interfaces para asistentes corporativos basados en modelos de lenguaje.
Automatización operativa
Sustitución de procesos manuales realizados mediante hojas de cálculo.
El futuro de Streamlit
El crecimiento de los datos y la inteligencia artificial está aumentando la necesidad de crear interfaces sencillas para usuarios no técnicos.
Streamlit encaja perfectamente en esta tendencia.
Cada vez más organizaciones buscan herramientas que permitan desarrollar aplicaciones de forma rápida, reutilizando conocimientos existentes en Python y reduciendo la dependencia de equipos especializados en frontend.
Por ello, Streamlit continúa consolidándose como una de las soluciones más populares para construir aplicaciones de datos.
Conclusión
Streamlit ha transformado la forma en que los profesionales de datos desarrollan aplicaciones web. Gracias a su simplicidad, cualquier analista, científico de datos o ingeniero puede crear interfaces interactivas utilizando únicamente Python.
La facilidad de instalación, la integración con bibliotecas de análisis, la compatibilidad con bases de datos y su capacidad para mostrar modelos de inteligencia artificial convierten a Streamlit en una herramienta extremadamente versátil.
Si trabajas con datos y buscas una forma rápida de compartir análisis, construir dashboards o desarrollar aplicaciones internas, Streamlit es una de las mejores opciones para comenzar.
