先看效果

你打开仪表板，左边选州（比如 Indiana），右边立刻显示该州在邻州的薪资排名折线图，以及近5年平均薪资的柱状图。鼠标悬停还能看到具体数字。整个页面只用了一个 Python 文件，部署到 Streamlit Cloud 免费实例上，加载不到3秒。

![image]

这个仪表板解决的问题很直接：当新闻报道说“印第安纳州教师薪资排名38位，邻州倒数第二”时，你想自己验证数据趋势、对比不同州的历年变化，或者把这份能力复用到其他行业排名数据上。

技术选型

数据来源：National Education Association 年度教师薪资调查（假设我们已经整理成 teacher_salary_2020_2025.csv）。如果官方没有公开 CSV，你可以用爬虫从 NEA 报告 PDF 里提取，或者用模拟数据——示例代码里会提供生成脚本。

核心代码实现

1. 读取数据

import pandas as pd

@st.cache_data
def load_data():
    # 用 GitHub raw 地址，避免每次重传
    url = "https://raw.githubusercontent.com/your-org/teacher-salary/master/data/teacher_salary_2020_2025.csv"
    df = pd.read_csv(url)
    df['year'] = pd.to_datetime(df['year'], format='%Y')
    return df

@st.cache_data 是关键——数据只加载一次，后续交互不用重新读取。

2. 按州筛选与动态图表

import plotly.express as px

state = st.sidebar.selectbox("选择州", df['state'].unique())

# 过滤当前州数据
state_df = df[df['state'] == state]

# 历年薪资趋势
fig_line = px.line(state_df, x='year', y='avg_salary', title=f"{state} 平均薪资趋势")
st.plotly_chart(fig_line, use_container_width=True)

# 对比邻州（硬编码邻州列表，或从数据中提取区域关系）
neighbors = ['Illinois', 'Ohio', 'Michigan', 'Kentucky']
neighbor_df = df[df['state'].isin(neighbors) & (df['year'] == df['year'].max())]
fig_bar = px.bar(neighbor_df, x='state', y='avg_salary', color='state', title="2025年邻州薪资对比")
st.plotly_chart(fig_bar)

这里用了 use_container_width=True 让图表自适应宽度，避免横向滚动条。

3. 排名显示

# 最新年份所有州排名
latest_year = df['year'].max()
rank_df = df[df['year'] == latest_year].sort_values('avg_salary', ascending=False)
rank_df['rank'] = range(1, len(rank_df)+1)
st.dataframe(rank_df[['rank', 'state', 'avg_salary']])

直接用 st.dataframe 显示表格，比 st.table 更节省空间，且支持排序。

项目结构

teacher-salary-dashboard/
├── app.py                  # Streamlit 主文件
├── data/
│   └── teacher_salary_2020_2025.csv  # 示例数据（含50州+DC）
├── requirements.txt        # streamlit, pandas, plotly
└── .streamlit/
    └── secrets.toml        # 可选：配置 API 密钥

requirements.txt 内容：

streamlit==1.35.0
pandas==2.2.2
plotly==5.24.0

上线要注意的坑

1. CSV 编码问题：Windows 下导出的 CSV 可能是 gbk，需要在 read_csv 时指定 encoding='utf-8' 或 'latin-1'。
2. 数据更新：如果 NEA 每年更新一次数据，建议用 GitHub Actions 定时抓取并更新 CSV，然后 Streamlit Cloud 会自动从 GitHub 同步（因为代码和 CSV 都在 repo 里）。
3. Streamlit 缓存失效：如果更新了 CSV 但 Streamlit Cloud 继续使用旧缓存，可以手动点一个按钮触发缓存刷新，或者在 load_data 函数里加一个 ttl=3600 参数（一小时后重新加载）。
4. 地图可视化：如果要把排名显示在地图上，可以用 plotly.express.choropleth，但需要确保 CSV 里有 state_code（如 'IN'）而不是全称。

为什么用这个而不是 BI 工具？

Power BI 或 Tableau 当然能做，但开发者需要的是一份能直接跑起来、修改逻辑、甚至嵌入到其他应用里的代码。这个 Streamlit 仪表板可以在本地 streamlit run app.py 启动，也可以一键部署到免费云上，整个项目只有 15KB。当你想快速验证一个数据想法时，这种最小化实现比搭完整的 BI 系统快得多。

下一步可以做什么

• 把数据源换成 JSON API，支持实时更新。
• 添加“预测下一年薪资”功能：用 scikit-learn 的线性回归，在 state_df 上训练，预测下一年的数值并画虚线延伸。
• 对不同维度（如学科、学区类型）进行分析，如果 CSV 有对应的列。

核心收获：你不需要写复杂的前后端代码就能做出一个有交互、有洞察的数据产品。下次看到类似“薪资排名”的新闻，你可以在半小时内做出自己的分析仪表板，而不是只看别人解读。

示例数据和完整项目文件见 GitHub：github.com/your-org/teacher-salary-dashboard