Python交互图表可视化 bokeh(一) -- 绘图空间基本操作

最新推荐文章于 2024-05-10 11:30:00 发布

Jepson2017

最新推荐文章于 2024-05-10 11:30:00 发布

阅读量1.9k

点赞数 2

分类专栏： Python数据可视化

本文链接：https://blog.csdn.net/d1240673769/article/details/118784096

版权

Python数据可视化专栏收录该内容

24 篇文章 20 订阅

订阅专栏

常见可视化工具

pandas和matplotlib就可以直接出分析的图表了，最基本的出图方式，是面向数据分析过程中出图的工具；
Seaborn相比matplotlib 封装了一些对数据的组合和识别的功能；
用Seaborn出一些针对seaborn的图表是很快的，比如说分布图、热图、分类分布图等。
如果用matplotlib需要先group by先分组再出图；

Seaborn在出图的方式上，除了图表的可视化好看，还多了出图的公用性的东西；
关联数据用get去做，空间数据用echart、powmart去做。

什么是Bokeh

基于web端的python数据可视化工具包，可交互

matplotlib和seaborn都是面向过程的，在数据分析过程中可以呈现；Bokeh是在最后的结果呈现，可做动图，可只打开一张表，也可以做仪表盘的排版，可做图表的联动。

Boeh和matplotlib、seaborn的区别

不是基于numpy基础上做的工具包，bokeh专用于可视化操作
可支持除图表之外的功能，如交互、webgl等
数据结构支持dict、list、ndarry、dataframe，同时拥有自己的数据结构：ColumnDataSource
图表逻辑从绘图角度出发，全手动的绘图空间

绘图空间基本设置

### 创建绘图空间

import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

# 不发出警告
import warnings
warnings.filterwarnings('ignore')

# 创建绘图空间
from  bokeh.plotting import figure,show

在jupyter notebook中创建绘图空间

# 导入图表绘制、图表展示模块
from bokeh.io import output_notebook

output_notebook()

# 简单示例
p = figure(plot_width=400, plot_height=400)  # 创建绘图空间，设置宽度和高度，400像素点

# 创建一个圆形散点图
p.circle([1,2,3,4,5],[3,5,4,2,6],size=20,color='red')
show(p)  # 输出图表

在这里插入图片描述

在spyder等非notebook中创建绘图空间

# 导入图表绘制、图表展示模块
from bokeh.plotting import figure, show, output_file
# output_file -> 非notebook中创建绘图空间

import os
# 创建工作目录
os.chdir('E:/test/')

# notebook绘图命令，创建html文件
output_file('test.html')
# 运行绘图命令后会弹出html窗口

# 简单示例
p = figure(plot_width=400, plot_height=400)  # 创建绘图空间，设置宽度和高度，400像素点

# 创建一个圆形散点图
p.circle([1,2,3,4,5],[3,5,4,2,6],size=20,color='blue', alpha=0.5)
show(p)  # 输出图表

在这里插入图片描述

创建图表工具

# 创建数据
df = pd.DataFrame(np.random.randn(100,2), columns=['A','B'])
df.head()

# 创建图表，设置基本参数
p = figure(plot_width=600, plot_height=400, # 图表宽度、高度
           tools='pan,wheel_zoom,box_zoom,save,reset,help',  # 设置工具栏，默认是全部
           toolbar_location='above',  # 工具栏位置：above、below、left、right
           x_axis_label='A', y_axis_label='B',   # x/y轴label
           x_range=[-3,3], y_range=[-3,3],  # x/y轴范围
           title='测试图表'  # 设置图表title
                  
          )


# 设置标题：颜色、字体、风格、背景颜色
p.title.text_color='white'
p.title.text_font='times'
p.title.text_font_style='italic'  # 斜体
p.title.background_fill_color='black'  # 背景色

p.circle(df['A'], df['B'], size=20, color='blue', alpha=0.5)
show(p)

在这里插入图片描述

颜色设置

#  创建绘图空间
p = figure(plot_width=600, plot_height=400)

# 颜色设置
p.circle(df.index, df['A'], color='blue', size=10, alpha=0.5)  # 147个CSS颜色
p.circle(df.index, df['B'], color='#FF0000', size=10, alpha=0.5)  # RGB颜色
show(p)  # 绘制在一张图里

在这里插入图片描述

图表边框线参数设置

#  创建绘图空间
p = figure(plot_width=600, plot_height=400)

# 绘制散点图
p.circle(df.index, df['A'], color='blue', size=10, alpha=0.5)   
p.circle(df.index, df['B'], color='#FF0000', size=10, alpha=0.5)   

# 设置图表边框
p.outline_line_width=7  # 边框线宽
p.outline_line_alpha=0.3  # 边框线透明度
p.outline_line_color='red'  # 边框线颜色

show(p)

在这里插入图片描述

设置外边界背景

#  创建绘图空间
p = figure(plot_width=600, plot_height=400)

# 绘制散点图
p.circle(df.index, df['A'], color='blue', size=10, alpha=0.5)   
p.circle(df.index, df['B'], color='#FF0000', size=10, alpha=0.5)   

# 设置外边界背景
p.border_fill_color='whitesmoke'  #  外边界背景颜色
p.border_fill_alpha=0.9 # 外边界背景透明度
p.min_border_left=80  #  外边界背景- 左边宽度
p.min_border_right=80 #  外边界背景- 右边宽度
p.min_border_top=10 #  外边界背景- 上宽度
p.min_border_bottom=10 #  外边界背景- 下宽度

show(p)

在这里插入图片描述

轴线标签、轴线宽度、轴线颜色、字体颜色、字体角度

# 绘制图表
p = figure(plot_width=600, plot_height=400)
p.circle([1,2,3,4,5], [2,5,8,2,7], size=10)

# 设置x轴线：标签、线宽、轴线颜色
p.xaxis.axis_label='Temp'
p.xaxis.axis_line_width=3
p.xaxis.axis_line_color='red'
p.xaxis.axis_line_dash=[6,4]  # 虚线比例


# 设置y轴线：标签、字体颜色、字体角度
p.yaxis.axis_label='Pressure'
p.yaxis.major_label_text_color='orange'
p.yaxis.major_label_orientation='vertical'


# 设置刻度
p.axis.minor_tick_in=5  # 刻度往绘图区域内延伸长度
p.axis.minor_tick_out=2 #  刻度往绘图区域外延伸长度

# 设置轴线范围
p.xaxis.bounds=(2,4)

show(p)

在这里插入图片描述

Axes - 轴线设置：标签设置

p = figure(plot_width=400, plot_height=400)
p.circle([1,2,3,4,5], [2,5,8,2,7], size=10)

p.xaxis.axis_label = 'Lot Number'  #标签名称
p.xaxis.axis_label_text_color = '#aa6666'  # 字体颜色
p.xaxis.axis_label_standoff = 20  # 偏移距离

p.yaxis.axis_label = 'Bin Count'
p.yaxis.axis_label_text_font_style = 'italic'  # 设置字体

show(p)

在这里插入图片描述

Grid - 格网设置：线型设置

p = figure(plot_width=600, plot_height=400)

# 绘制散点图
p.circle(df.index, df['A'], color='blue', size=10, alpha=0.5)   
p.circle(df.index, df['B'], color='#FF0000', size=10, alpha=0.5)   

# 颜色设置，None时则不显示
p.xgrid.grid_line_color=None

p.ygrid.grid_line_alpha=0.8  # 设置透明度
p.ygrid.grid_line_dash=[6,4]  # 虚线设置，dash -> 通过设置间隔来做虚线

# minor_line  -> 设置次轴线
p.xgrid.minor_grid_line_color = 'navy'
p.xgrid.minor_grid_line_alpha = 0.1


show(p)

在这里插入图片描述

Grid - 格网设置：颜色填充

p = figure(plot_width=600, plot_height=400)

# 绘制散点图
p.circle(df.index, df['A'], color='blue', size=10, alpha=0.5)   
p.circle(df.index, df['B'], color='#FF0000', size=10, alpha=0.5)   

# 设置颜色为空
p.xgrid.grid_line_color = None

# 设置颜色填充及透明度
p.ygrid.band_fill_alpha=0.1
p.ygrid.band_fill_color='navy'

p.xgrid.band_fill_alpha=0.1
p.xgrid.band_fill_color='black'

# 设置填充边界
#p.grid.bounds=(-1,1)

show(p)

在这里插入图片描述

Legend - 图例设置

# 设置方法：在绘图时设置图例名称 +设置图例位置

# 创建图表
p = figure(plot_width=600, plot_height=400)


# 这值x,y
x = np.linspace(0, 4*np.pi, 100)
y = np.sin(x)

# 绘制line1，设置图例名称
p.circle(x,y,legend="sin(x)")
p.line(x,y,legend="sin(x)")

# 绘制line2，设置图例名称
p.line(x, 2*y, legend="2*sin(x)", line_dash=[4,4], line_color="orange", line_width=2)

# 绘制line3，设置图例名称
p.square(x, 3*y, legend="3*sin(x)", fill_color=None, line_color="green")
p.line(x, 3*y, legend="3*sin(x)", line_color="green")

p.legend.location='bottom_left'
# 设置图例位置：top_left , top_center , top_right(the default) , center_right , bottom_right , bottom_center , bottom_left , center_left , center

# 设置图例排列方向“vertical”(默认) ， “horizontal”
p.legend.orientation = 'vertical'

# 设置图例：字体、风格、颜色、字体大小
p.legend.label_text_font = 'times'
p.legend.label_text_font_style = 'italic' # 斜体
p.legend.label_text_color = 'navy'
p.legend.label_text_font_size = '12pt'

# 设置图例外边线：宽度、颜色、透明度
p.legend.border_line_width = 3
p.legend.border_line_color = 'navy'
p.legend.border_line_alpha = 0.5

# 设置图例背景：颜色、透明度
p.legend.background_fill_color = 'gray'
p.legend.background_fill_alpha = 0.2

show(p)

在这里插入图片描述

总结

Line Properties : 线设置

line_color，设置颜色
line_wdith，设置宽度
line_alpha，设置透明度
line_join，设置连接点样式：'miter' miter_join , 'round'  round_join , 'level' level_join
line_cap，设置线端口样式：'butt' butt_cap , 'round' round_cap , 'square' square_cap
line_dash，设置线条样式：'solid' , 'dashed' , 'dotted' , 'dotdash' , 'dashdot'，或者整型数组的方式（如：[6,4]）

Fill Properties：填充设置

fill_color，设置填充颜色
fill_alpha，设置填充透明度

Text Properties：字体设置

text_font，字体
text_font_size，字体大小：单位为pt或者em，（如：'12pt', '1.5em'）
text_font_style，字体风格：'normal' 正常 , 'italic' 斜体 , 'bold' 加粗
text_color，字体颜色
text_alpha，字体透明度
text_align，字体水平方向位置：'left' , 'right' ,'center'
text_baseline，字体垂直方向位置：'top' , 'middle' , 'bottom' , 'alphabetic' , 'hanging'

可见性

基本参数中都含有 .visible 参数，设置是否可见，如：
p.xaxis.visible = False
p.xgrid.visible = False

Jepson2017

关注

2
点赞
踩
14

收藏

觉得还不错? 一键收藏
打赏
2
评论
Python交互图表可视化 bokeh(一) -- 绘图空间基本操作

Bokehpandas和matplotlib就可以直接出分析的图表了，最基本的出图方式。是面向数据分析过程中出图的工具；Seaborn相比matplotlib封装了一些对数据的组合和识别的功能；用Seaborn出一些针对seaborn的图表是很快的，比如说分布图、热图、分类分布图等。如果用matplotlib需要先group by先分组再出图；Seaborn在出图的方式上，除了图表的可视化好看，还多了出图的公用性的东西；关联数据用get去做，空间数据用echart、powmart去做。什么是Boke
复制链接

扫一扫