GitHub热榜第一，标星近万：这个用Python做交互式图形的项目火了_用r做交互式图形，总是显示没有点在0.25英尺内-CSDN博客

GitHub上，一份用Python做交互式图形的资源火了。这一工具名为Bokeh，官方介绍称，它能读取大型数据集或者流数据，以简单快速的方式为网页提供优美、高交互性能的图形。

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

GitHub上，一份用Python做交互式图形的资源火了。

这一工具名为Bokeh，官方介绍称，它能读取大型数据集或者流数据，以简单快速的方式为网页提供优美、高交互性能的图形。

比如，有人用它做出了这样的图：

有人做出了这样的图：

还有其他各种图：

有人用它做了图去TED上演讲：

“美观、实用”是不少用户给出的评价，甚至有人想让这份工具用起来更方便，尝试去汉化它的官方文档。

Bokeh能为像我这样的数据科学家提供什么？

我起初是作为一名商业智能从业者（BI professional）开始我的数据科学之旅的，随后，又逐渐学习了预测建模，数据科学和机器学习。我主要使用QlikView和Tableau进行数据可视化，用SAS和Python来做预测分析和数据分析。我几乎没有用过JavaScript。

因此，对于我之前所有的数据产品或想法，我只能要么将其外包要么通过网站线框图向别人展示，这两者都不适合创建快速原型。现在，有了Bokeh，我就可以继续使用Python，并且快速创建这些原型。

Bokeh的优势：

Bokeh允许你通过简单的指令就可以快速创建复杂的统计图，
Bokeh提供到各种媒体，如HTML，Notebook文档和服务器的输出
·我们也可以将Bokeh可视化嵌入flask和django程序
Bokeh可以转换写在其它库（如matplotlib, seaborn和ggplot）中的可视化
·Bokeh能灵活地将交互式应用、布局和不同样式选择用于可视化

综合Bokeh的优点及其面临的挑战，Bokeh是当前用于快速开发原型产品的理想工具。然而，如果你想在产品的环境下搞点新东西，D3.js可能仍然是你最好的选择。

Bokeh面临的挑战：

与任何即将到来的开源库一样，Bokeh正在经历不断的变化和发展。所以，你今天写的代码可能将来并不能被完全再次使用。
与D3.js相比，Bokeh的可视化选项相对较少。因此，短期内Bokeh无法挑战D3.js的霸主地位。

用Bokeh实现可视化

Bokeh提供了强大而灵活的功能，使其操作简单并高度定制化。它为用户提供了多个可视化界面，如下图所示：

图表（Charts）：一个高级接口（high-level interface），用以简单快速地建立复杂的统计图表。
绘图（Plotting）：一个中级接口（intermediate-level interface），以构建各种视觉符号为核心。
模块（Models）：一个低级接口（low-level interface），为应用程序开发人员提供最大的灵活性。

本文中，我们仅涉及前两个接口，图表（Charts）和绘图（Plotting）。

图表

如上所述，它是一个高级接口，用于通过标准的可视化方式呈现信息。这些方式包括箱形图、柱状图、面积图、热图、甜甜圈图和许多其它图形。你只需输入数据框（data frames）、numpy数组或字典就可以生成这些图。

让我们来看看创建一个图表的通用方法：

1. 导入库和函数/方法

2. 准备数据

3. 设置输出模式（Notebook文档、Web浏览器或服务器）

4. 创建图表并选择图表的样式（如果需要）

5. 可视化图表

为了更好地理解这些步骤，让我用下面的例子来演示一下：

图表范例-1：使用Bokeh创建一个柱状图并在Web浏览器上显示

我们将遵循上述列出的步骤来创建一个图表：

#导入库函数from bokeh.charts import Bar, output_file, show#在电脑屏幕上使用 output_notebook来可视化数据#准备数据 (模拟数据)data = {"y": [1, 2, 3, 4, 5]}#输出到Line.HTMLoutput_file("lines.html", ) #创建一个新的含有标题和轴标签的窗口在线窗口p = Bar(data, , xlabel='x', ylabel='values', width=400, height=400)#显示结果show(p)

在上面的图表中，你可以看到顶部的工具选项（缩放、调整大小、重置、旋转缩放），这些工具可以帮助你与图表进行互动。同时，你也可以看到多个图表选项（图例、X轴名标注、Y轴名标注、坐标网格线、宽度、高度等）和各种图表的范例。