How to Use Marimo for Interactive Data Analysis

KDnuggets

KDnuggets2026年10月1日

How to Use Marimo for Interactive Data Analysis

7.1内容质量

TL;DR · AI 摘要

How to Use Marimo for Interactive Data Analysis - KDnuggets publ: 1-Oct, 2026 - Blog Top Posts About - Topics AI Career...

核心要点

主题聚焦：How to Use Marimo for Interactive Data Analysis
来源：KDnuggets，建议结合原文判断细节。
AI 分析暂不可用，本条为保底评分与摘要。

#AI#编程#前端#后端#安全

打开原文

如何使用 Marimo 进行交互式数据分析 - KDnuggets

publ: 2026年10月1日

博客热门文章

主题 AI 职业建议计算机视觉数据工程数据科学语言模型机器学习 MLOps NLP 编程 Python SQL

数据集

活动

资源快速参考指南推荐技术简报

广告

订阅电子报

#header end

/ad_wrapper

如何使用 Marimo 进行交互式数据分析

学习如何使用 Python、Pandas 和 Altair 通过 Marimo 进行交互式数据分析，并将响应式笔记本转换为可轻松共享的仪表板。

作者：

Abid Ali Awan，KDnuggets 副编辑，2026年10月1日发布于

数据科学

传统的 Python 笔记本非常适合数据探索，但随着使用深入会变得难以管理。单元格可能以错误顺序执行，结果可能变得不一致，而要使笔记本具备交互性通常意味着需要添加更多工具或在其他地方重新构建分析。

Marimo 采用更简洁的方案。它是一个开源的响应式 Python 笔记本，当依赖项发生变化时，单元格会自动更新。笔记本以普通 Python 文件形式存储，这使得结果更易于复现、使用 Git 进行版本控制和共享。

在本指南中，我们将使用 Marimo、Pandas 和 Altair 构建一个简单的交互式数据分析仪表板。我们将创建数据集、添加交互式筛选器、将其连接到分析、构建可视化，并最终将同一笔记本作为交互式应用程序运行。

1. 安装 Marimo

首先安装 Marimo 及分析所需库：

code

pip install marimo pandas altair

你也可以使用 uv 或 Conda 安装 Marimo。还有一个包含 DuckDB、Polars 和 Altair 等实用数据工具的 marimo[recommended] 安装选项。

通过以下命令创建你的第一个笔记本：

code

python -m marimo edit analysis.py

这将在浏览器中打开 Marimo 编辑器。这里一个我很喜欢的特性是，与 Jupyter 的 .ipynb 格式不同，Marimo 将笔记本保存为普通的 .py 文件。

2. 创建数据集

现在，让我们创建一个更现实的销售数据集，用于后续教程。我们将为不同产品、地区和季度生成数据，包括销售单位、定价和收入信息。

code

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

Marimo 的一个优势是您无需添加任何额外代码即可查看 DataFrame。只需在单元格末尾放置 df，Marimo 会自动将其显示为交互式表格，您可以在其中搜索、排序和筛选数据。

它同时支持 Pandas 和 Polars，因此您可以继续使用已熟悉的 DataFrame 库。

3. 添加交互控件

接下来，让我们添加一个用于选择区域的下拉菜单和一个用于设置最低销售额的滑块：

code

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 内置了多种 UI 组件，包括滑块、下拉菜单、复选框、日期选择器、表格、文件上传和文本输入框。

4. 过滤数据

现在我们可以将这些控件连接到 DataFrame：

code

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)

尝试更改区域或移动滑块。

您无需手动重新运行单元格。Marimo 会自动检测 filtered_df 依赖于 region 和 min_sales，因此当这些值发生变化时，会自动重新运行受影响的单元格。

这种响应式执行是 Marimo 与传统笔记本相比的主要区别之一。

5. 创建交互式可视化

现在我们可以使用 Altair 可视化过滤后的数据：

code

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

现在当您更改下拉菜单或滑块时，表格和图表会自动更新。

Marimo 可以与流行的可视化库（如 Matplotlib、Plotly、Altair、Seaborn 和 HoloViews）配合使用。它还可以将支持的图表中的选择传递回 Python，这使得构建更复杂的交互式分析工作流程成为可能。

6. 以应用形式运行笔记本

我最喜欢 Marimo 的功能之一是，相同的笔记本也可以转换为交互式应用程序。

从终端运行：

code

python -m marimo run analysis.py     # 以只读应用形式运行

Marimo 以应用模式启动笔记本并隐藏可编辑的 Python 代码。

这意味着您可以在开发过程中使用同一份文件探索数据，然后无需借助其他框架重新构建所有内容，即可将其作为简单的仪表板或交互式应用程序进行分享。

最后想法

使用 Marimo 后，我非常喜欢整个体验的简洁性。您可以编写标准的 Python 代码，添加交互式控件，可视化数据，并且无需设置独立的仪表板框架，即可将同一份笔记本转换为应用程序。

对于这种工作流程，与传统笔记本设置相比，Marimo 显得更加简洁。它涉及的组件更少，需要管理的额外依赖项也更少。您也不需要托管的 Jupyter 环境或独立的笔记本服务。安装好 Marimo 后，您可以在本地运行所有内容，并直接在浏览器中打开。

分享也更加容易，因为笔记本只是一个普通的 Python 文件。它与 Git 配合良好，其他人运行起来也很方便，不会出现常规的 .ipynb 笔记本状态和单元格顺序问题。

我也非常喜欢 Marimo 默认的精致外观。表格、滑块、下拉菜单和图表让即使是小型分析也能像真正的交互式应用程序一样，无需花费时间构建前端。

对我来说，这是 Marimo 最大的优势。它提供了一种非常简单、开箱即用的解决方案，可以从 Python 分析直接过渡到交互式且可展示的内容，而无需围绕它添加复杂的堆栈。

Abid Ali Awan（@1abidaliawan）是一名认证的数据科学家，热爱构建机器学习模型。目前，他专注于内容创作和撰写关于机器学习和数据科学技术的技术博客。Abid 拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络为有心理健康问题的学生构建 AI 产品。

How to Use Marimo for Interactive Data Analysis

TL;DR · AI 摘要

核心要点

如何使用 Marimo 进行交互式数据分析 - KDnuggets

如何使用 Marimo 进行交互式数据分析

1. 安装 Marimo

2. 创建数据集

3. 添加交互控件

4. 过滤数据

5. 创建交互式可视化

6. 以应用形式运行笔记本

最后想法

更多相关内容

最新文章

热门文章