🐍 Python + Streamlit = MVP en minutos

En este tutorial, construiremos un Producto Mínimo Viable (MVP) para análisis de sentimientos utilizando Streamlit y la API de Gemini, mostrando los resultados de forma visual.

¿Qué es Streamlit?

Streamlit es un framework que transforma tus scripts Python aplicaciones web. Cuenta con una galería de widgets que facilita el desarrollo de interfaces.

Aplicación desplegada

Puedes ver un ejemplo del resultado en road-bwai-sucre.streamlit.app

📋 Requisitos

• Python www.python.org/downloads/
• uv docs.astral.sh/uv/#installation

⚙ Configuración inicial

Crea un directorio y dentro del mismo ejecuta los siguientes comandos.

uv init
uv add streamlit google-genai

Activa el entorno virtual según tu S.O.

Linux y macOS

source .venv/bin/activate

Windows

.venv\Scripts\activate

💻 Construyendo la aplicación

1. Hola mundo con Streamlit

En tu archivo main.py importa Streamlit y agrega un widget de texto.

Puedes ver los widgets disponibles en la documentación de Streamlit

main.py

import streamlit as st


def main():
    st.text("Hola mundo!")

if __name__ == "__main__"
    main()

Ejecuta el siguiente comando para abrir tu app en el navegador. Asegúrate de tener activado el entorno virtual.

streamlit run main.py

Streamlit abrirá tu navegador en http://localhost:8501.

2. Agrega la API de Gemini

Crea un archivo secrets.toml dentro del directorio .streamlit en la raíz del proyecto.

• Directorymi-proyecto

  • Directory.streamlit

    • secrets.toml
  • main.py
  • …

Agrega la API key de Gemini al archivo.

secrets.toml

GEMINI_API_KEY = "AIzaS..."

Carga la API key en tu app usando st.secrets, un sistema seguro para manejar secretos.

main.py

GEMINI_API_KEY = st.secrets["GEMINI_API_KEY"]

Precaución

Agrega el directorio .streamlit al archivo .gitignore para excluir la API key del control de versiones, esto evitará que se suba a tu repositorio cuando decidas desplegar el proyecto.

.gitignore

...
.venv

# streamlit
.streamlit

3. Respuesta estructurada con Gemini

Para graficar las respuestas necesitamos una estructura manejable, Gemini es capaz de responder en formato JSON.

Primero agregamos un modelo de Pydantic con la estructura para cada sentimiento.

main.py

from pydantic import BaseModel

class Sentiment(BaseModel):
    label: str
    score: int
    reason: str

Luego, agregamos una función para enviar el texto del usuario a Gemini, obteniendo una lista de resultados para cada sentimiento. Es necesario agregar el esquema y tipo de respuesta para obtener la respuesta estructurada.

main.py

def get_gemini_response(text):
    prompt = f"""
    Clasifica del 0 al 100 el siguiente texto entre comillas bajo los siguientes sentimientos:
    - Alegría
    - Tristeza
    - Enojo
    - Miedo
    - Desagrado

    Texto: "{text}"
    """

    return client.models.generate_content(
        model="gemini-2.0-flash",
        contents=prompt,
        config={
            "response_mime_type": "application/json",
            "response_schema": list[Sentiment],
        },
    )

4. Interfaz de usuario con Streamlit

Empezamos con widgets básicos st.title y st.text.

Continuamos con un formulario para obtener el texto del usuario y un botón para enviarlo. Cuando el texto es enviado, se muestra un spinner mientras se espera la respuesta de Gemini, la cual se visualiza con el widget st.json.

main.py

def main():
    st.title("Clasificador de sentimientos")
    st.text("Introduce un texto para clasificarlo en diferentes sentimientos")

    with st.form("form"):
        text = st.text_area("Introduce un texto")
        submit = st.form_submit_button("Analizar", type="primary")

    if submit:
        with st.spinner("Clasificando..."):
            response = get_gemini_response(text)

        st.json(response.text)

5. Visualización de resultados

Podemos acceder a la lista de modelos Pydantic en response.parsed, necesitamos convertirla en un dataframe de Pandas para mostrarla en una tabla y un gráfico de barras.

main.py

import pandas as pd

...

sentiments: list[Sentiment] = response.parsed
sentiments_data = [s.model_dump() for s in sentiments]
st.dataframe(sentiments_data)

sentiments_df = pd.DataFrame(sentiments_data)
st.bar_chart(
    sentiments_df,
    x="label",
    y="score",
    color="label",
    horizontal=True
)

🚀 Despliegue en Streamlit Cloud

1. Crea un repositorio en GitHub y sube el proyecto, asegúrate de no incluir el archivo .streamlit/secrets.toml.
2. Crea una cuenta en share.streamlit.io y conecta tu cuenta de GitHub.
3. Selecciona tu repositorio y especifica main.py como archivo principal, también puedes editar la url y validar si está disponible.
4. En “Advanced settings” copia y pega el contenido de tu archivo secrets.toml.
5. Clickea en “Deploy” y tu app estará en internet 🌐.