วิธีใช้ Marimo วิเคราะห์ข้อมูลเชิงโต้ตอบด้วย Python

Python Notebook แบบดั้งเดิมอาจยอดเยี่ยมสำหรับการสำรวจข้อมูล แต่บ่อยครั้งที่การจัดการลำดับของเซลล์ทำได้ยากจนส่งผลให้ผลลัพธ์ไม่สอดคล้องกัน การจะเปลี่ยน Notebook ให้เป็นเครื่องมือเชิงโต้ตอบมักต้องพึ่งพาซอฟต์แวร์เพิ่มเติม หรือต้องเขียนโค้ดใหม่ทั้งหมดในที่อื่น

Marimo เข้ามาแก้ปัญหานี้ด้วยแนวทางที่สะอาดตา โดยเป็น Reactive Python Notebook แบบ Open-source ที่เซลล์จะอัปเดตอัตโนมัติเมื่อค่าในส่วนที่เกี่ยวข้อง (Dependencies) เปลี่ยนแปลง นอกจากนี้ยังจัดเก็บเป็นไฟล์ Python ปกติ ทำให้ง่ายต่อการจัดการเวอร์ชันด้วย Git และการแชร์

ในคู่มือนี้ เราจะสร้างแดชบอร์ดวิเคราะห์ข้อมูลเชิงโต้ตอบอย่างง่ายโดยใช้ Marimo, Pandas และ Altair ตั้งแต่การสร้างชุดข้อมูล เพิ่มตัวกรอง เชื่อมต่อการแสดงผล และรันในรูปแบบแอปพลิเคชัน

1. การติดตั้ง Marimo

เริ่มต้นด้วยการติดตั้ง Marimo พร้อมไลบรารีที่จำเป็นสำหรับการวิเคราะห์ข้อมูล:

pip install marimo pandas altair

คุณยังสามารถติดตั้งผ่าน uv หรือ Conda ได้เช่นกัน หรือเลือกติดตั้งแบบ marimo[recommended] ที่รวมเครื่องมืออย่าง DuckDB และ Polars มาให้ในตัว จากนั้นสร้าง Notebook แรกของคุณด้วยคำสั่ง:

python -m marimo edit analysis.py

Editor จะเปิดขึ้นในเบราว์เซอร์ โดยจุดเด่นของ Marimo คือการบันทึกไฟล์เป็นนามสกุล .py ปกติ ต่างจากรูปแบบ .ipynb ของ Jupyter ที่ซับซ้อนกว่า

2. การสร้างชุดข้อมูล

เราจะเริ่มสร้างชุดข้อมูลการขายจำลองที่ประกอบด้วยข้อมูลผลิตภัณฑ์ ภูมิภาค ไตรมาส จำนวนหน่วย และรายได้ เพื่อใช้ประกอบการสาธิต

import altair as alt
import numpy as np
import pandas as pd
import marimo as mo
 
rng = np.random.default_rng(42)
 
products = [
    ("Laptop", "Tech", 800, 1500),
    ("Phone", "Tech", 500, 1200),
    ("Tablet", "Tech", 250, 800),
    ("Monitor", "Tech", 150, 600),
    ("Keyboard", "Accessories", 30, 150),
    ("Mouse", "Accessories", 15, 90),
    ("Headphones", "Accessories", 50, 400),
    ("Webcam", "Accessories", 40, 250),
]
regions = ["US", "Europe", "Asia"]
region_scale = {"US": 1.0, "Europe": 0.75, "Asia": 0.55}
quarters = ["Q1", "Q2", "Q3", "Q4"]
 
rows = []
for _quarter in quarters:
    for _region in regions:
        for _name, _category, _lo, _hi in products:
            units_sold = int(
                rng.integers(_lo, _hi) * region_scale[_region] * rng.uniform(0.7, 1.3)
            )
            unit_price = round(rng.uniform(_lo, _hi) / 8, 2)
            rows.append(
                {
                    "product": _name,
                    "category": _category,
                    "region": _region,
                    "quarter": _quarter,
                    "units_sold": units_sold,
                    "unit_price": unit_price,
                    "revenue": round(units_sold * unit_price, 2),
                }
            )
 
df = pd.DataFrame(rows)
df

ข้อดีของ Marimo คือคุณไม่ต้องเขียนโค้ดแสดงผลเพิ่มเติม เพียงแค่วางชื่อ df ไว้ท้ายเซลล์ ระบบจะแสดงตารางเชิงโต้ตอบที่สามารถค้นหา จัดเรียง และกรองข้อมูลได้ทันที โดยรองรับทั้ง Pandas และ Polars

3. การเพิ่มตัวควบคุมเชิงโต้ตอบ

ขั้นตอนถัดไปคือการเพิ่ม UI อย่าง Dropdown สำหรับเลือกภูมิภาค และ Slider สำหรับกำหนดเกณฑ์ยอดขายขั้นต่ำ:

region = mo.ui.dropdown(
    options=["All"] + sorted(df["region"].unique().tolist()),
    value="All",
    label="Region",
)
 
min_sales = mo.ui.slider(
    start=0,
    stop=int(df["units_sold"].max()),
    value=0,
    label="Minimum units sold",
)
 
mo.hstack([region, min_sales])

Marimo มีส่วนประกอบ UI สำเร็จรูปให้เลือกใช้มากมาย เช่น Checkbox, ตัวเลือกวันที่, การอัปโหลดไฟล์ และช่องกรอกข้อความ

4. การกรองข้อมูล

เราสามารถเชื่อมต่อตัวควบคุม UI เข้ากับ DataFrame ได้ดังนี้:

filtered_df = df[df["units_sold"] >= min_sales.value]
 
if region.value != "All":
    filtered_df = filtered_df[
        filtered_df["region"] == region.value
    ]
 
mo.ui.table(filtered_df)

คุณไม่จำเป็นต้องรันเซลล์ใหม่ด้วยตนเอง เพราะ Marimo จะตรวจพบว่า filtered_df เชื่อมโยงกับ region และ min_sales จากนั้นจะรันเซลล์ที่เกี่ยวข้องโดยอัตโนมัติเมื่อมีการเปลี่ยนแปลงค่า

5. การสร้างการแสดงผลข้อมูลเชิงโต้ตอบ

เราสามารถนำข้อมูลที่ผ่านการกรองมาสร้างแผนภูมิแท่งโดยใช้ Altair:

chart = (
    alt.Chart(filtered_df)
    .mark_bar()
    .encode(
        x="product:N",
        y="units_sold:Q",
        color="region:N",
        tooltip=["product", "region", "quarter", "units_sold", "revenue"],
    )
    .properties(width=600, height=350)
)
 
chart

เมื่อปรับค่าใน Dropdown หรือ Slider ทั้งตารางและแผนภูมิจะอัปเดตแบบเรียลไทม์

Marimo รองรับไลบรารีชั้นนำทั้ง Matplotlib, Plotly, Altair, Seaborn และ HoloViews แถมยังสามารถส่งค่าที่เลือกจากแผนภูมิกลับไปยัง Python เพื่อการวิเคราะห์ที่ซับซ้อนขึ้นได้

6. การรัน Notebook ในฐานะแอป

ฟีเจอร์เด่นของ Marimo คือการเปลี่ยน Notebook ให้เป็นแอปพลิเคชันพร้อมใช้งานผ่านคำสั่งในเทอร์มินัล:

python -m marimo run analysis.py

คำสั่งนี้จะเปิด Notebook ในโหมดแอปพลิเคชันโดยซ่อนส่วนที่เป็นโค้ดทิ้งไป ช่วยให้คุณแชร์ผลงานเป็นแดชบอร์ดได้ทันทีโดยไม่ต้องพึ่งพาเฟรมเวิร์กอื่น

ความคิดเห็นทิ้งท้าย

Marimo มอบประสบการณ์ที่เรียบง่ายแต่ทรงพลัง คุณสามารถใช้ Python ปกติสร้าง UI และแดชบอร์ดได้โดยไม่ต้องตั้งค่าสภาพแวดล้อมที่ซับซ้อน ทุกอย่างรันได้ในเครื่องผ่านเบราว์เซอร์

การที่ Notebook เป็นไฟล์ Python ปกติทำให้ทำงานร่วมกับ Git ได้อย่างไร้รอยต่อ หมดปัญหาเรื่องลำดับเซลล์ที่มักพบในไฟล์ .ipynb ถือเป็นโซลูชันที่พร้อมใช้งานทันทีสำหรับใครที่ต้องการเปลี่ยนผลการวิเคราะห์ให้เป็นแอปพลิเคชันที่นำเสนอได้อย่างมืออาชีพ