Análisis comparativo de Streamlit y Bokeh para el desarrollo de dashboards interactivos en Python: características, personalización y facilidad de implementación.
DOI:
https://doi.org/10.64018/conexus.v3i1.24Palabras clave:
dashboards interactivos, Python, , Streamlit, visualización de datos, BokehResumen
El presente artículo tiene como objetivo comparar Streamlit y Bokeh para el desarrollo de dashboards interactivos en Python, considerando criterios de apariencia, actualización durante el desarrollo y facilidad de implementación. La investigación se fundamenta en un análisis documental y comparativo, complementado con la implementación de dos prototipos. Los resultados evidencian que Streamlit facilita el desarrollo mediante componentes predefinidos, mientras que Bokeh ofrece mayores posibilidades de personalización, aunque requiere una implementación más elaborada en el caso estudiado. Se concluye que ambas herramientas presentan ventajas y limitaciones, por lo que su elección depende de los requerimientos y características de cada proyecto.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Stefany Antonella Campaña Lozano (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
