柱状图/堆叠图/直方图
① 单系列柱状图
② 多系列柱状图
③ 堆叠图
④ 直方图
1.单系列柱状图
importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt%matplotlib inlineimportwarnings
warnings.filterwarnings('ignore')#不发出警告
from bokeh.io importoutput_notebook
output_notebook()#导入notebook绘图模块
from bokeh.plotting importfigure,showfrom bokeh.models importColumnDataSource#导入图表绘制、图标展示模块#导入ColumnDataSource模块
p.vbar（） p.hbar（）
p.vbar(x=[1, 2, 3], width=0.5, bottom=0,top=[1.2, 2.5, 3.7], #color = ['red','blue','green'], alpha = 0.8
line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2],fill_color = 'red',fill_alpha = 0.6 )
#1、单系列柱状图#vbar
df = pd.Series(np.random.randint(0,100,30))#print(df.head())
p= figure(plot_width=400, plot_height=400)
p.vbar(x=[1, 2, 3], width=0.5, bottom=0,top=[1.2, 2.5, 3.7], #x：横轴坐标，width：宽度，bottom：底高度，top：顶高度 ; bottom=[1,2,3]
#color = ['red','blue','green'], alpha = 0.8 # 整体颜色设置，也可单独设置 → color="firebrick"
line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2], #单独设置线参数
fill_color = 'red',fill_alpha = 0.6 #单独设置填充颜色参数
)#绘制竖向柱状图#p.vbar(x=df.index, width=0.5, bottom=0,top=df.values, # x：横轴坐标，width：宽度，bottom：底高度，top：顶高度 ; bottom=[1,2,3]##color = ['red','blue','green'], alpha = 0.8 # 整体颜色设置，也可单独设置 → color="firebrick"#line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2], # 单独设置线参数#fill_color = 'red',fill_alpha = 0.6 # 单独设置填充颜色参数#)
show(p)
#1、单系列柱状图#hbar#df = pd.DataFrame({'value':np.random.randn(100)*10,#'color':np.random.choice(['red', 'blue', 'green'], 100)})#print(df.head())
p = figure(plot_width=400, plot_height=400)
p.hbar(y=[1, 2, 3], height=0.5, left=0,right=[1.2, 2.5, 3.7], #y：纵轴坐标，height：厚度，left：左边最小值，right：右边最大值
color = ['red','blue','green'])#绘制竖向柱状图
#p.hbar(y=df.index, height=0.5, left=0,right=df['value'], # y：纵轴坐标，height：厚度，left：左边最小值，right：右边最大值#color = df['color'])
show(p)
分类标签的设置
p.vbar(x='fruits', top='counts', source=source, width=0.9, alpha = 0.8,color = factor_cmap('fruits', palette=Spectral6, factors=fruits),
legend="fruits")
#1、单系列柱状图 - 分类设置标签#ColumnDataSource
from bokeh.palettes importSpectral6from bokeh.transform importfactor_cmap#导入相关模块
fruits= ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries']
counts= [5, 3, 4, 2, 4, 6]
source= ColumnDataSource(data=dict(fruits=fruits, counts=counts))
colors= [ "salmon", "olive", "darkred", "goldenrod", "skyblue", "orange"]#创建一个包含标签的data，对象类型为ColumnDataSource
p= figure(x_range=fruits, y_range=(0,9), plot_height=350, title="Fruit Counts",tools="") #x_range一开始就要设置成一个字符串的列表；要一一对应
p.vbar(x='fruits', top='counts', source=source, #加载数据另一个方式
width=0.9, alpha = 0.8,
color= factor_cmap('fruits', palette=Spectral6, factors=fruits), #设置颜色
legend="fruits")#绘制柱状图，横轴直接显示标签#factor_cmap(field_name, palette, factors, start=0, end=None, nan_color='gray')：颜色转换模块，生成一个颜色转换对象#field_name：分类名称#palette：调色盘#factors：用于在调色盘中分颜色的参数#参考文档：http://bokeh.pydata.org/en/latest/docs/reference/transform.html
p.xgrid.grid_line_color=None
p.legend.orientation= "horizontal"p.legend.location= "top_center"
#其他参数设置#cmd -->> conda install bokeh ; conda install json
show(p)
2. 多系列柱状图
p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3个柱状图拼到了一起
p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016"))
p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017"))
#2、多系列柱状图#vbar
from bokeh.transform importdodgefrom bokeh.core.properties importvalue#导入dodge、value模块
df= pd.DataFrame({'2015':[2, 1, 4, 3, 2, 4],'2016':[5, 3, 3, 2, 4, 6], '2017':[3, 2, 4, 4, 5, 3]},
index= ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries'])#创建数据
print(df)
fruits= df.index.tolist() #横坐标
years = df.columns.tolist() #系列名
data = {'index':fruits}for year inyears:
data[year]=df[year].tolist()print(data)#生成数据，数据格式为dict; 专门把dataframe转换为字典，然后再转换为ColumnDataSource；可以把这些步骤给都省了，也可以的。
source= ColumnDataSource(data=data) #把上面转换字典步骤直接去掉也是可以的，这时把 data = df#将数据转化为ColumnDataSource对象
p= figure(x_range=fruits, y_range=(0, 10), plot_height=350, title="Fruit Counts by Year",tools="")
p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3个柱状图拼到了一起
p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016"))
p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017"))#绘制多系列柱状图 0.25和width=0.2是柱状图之间的空隙间隔，都是0.2了就没有空隙了#dodge(field_name, value, range=None) → 转换成一个可分组的对象，value为元素的位置（配合width设置）#value(val, transform=None) → 按照年份分为dict
p.xgrid.grid_line_color=None
p.legend.location= "top_left"p.legend.orientation= "horizontal"
#其他参数设置
show(p)
官方示例很多情况是用的列表的形式，bokeh本身不是基于pandas构建的可视化工具，所以它基本上是用的python自己的数据结构字典、列表；我们做数据分析肯定是基于pandas，以上就是做了一个模拟，如果数据结构是DataFrame，怎么把它变成一个字典，再把它变成一个ColumnDataSource，同样的也可以直接用dataframe来创建
from bokeh.transform importdodgefrom bokeh.core.properties importvalue#导入dodge、value模块
df= pd.DataFrame({'2015':[2, 1, 4, 3, 2, 4],'2016':[5, 3, 3, 2, 4, 6], '2017':[3, 2, 4, 4, 5, 3]},
index= ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries'])## 创建数据#print(df)
source= ColumnDataSource(data=df)#将数据转化为ColumnDataSource对象
p= figure(x_range=fruits, y_range=(0, 10), plot_height=350, title="Fruit Counts by Year",tools="")
p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3个柱状图拼到了一起
p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016"))
p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017"))#绘制多系列柱状图 0.25和width=0.2是柱状图之间的空隙间隔，都是0.2了就没有空隙了#dodge(field_name, value, range=None) → 转换成一个可分组的对象，value为元素的位置（配合width设置）#value(val, transform=None) → 按照年份分为dict
p.xgrid.grid_line_color=None
p.legend.location= "top_left"p.legend.orientation= "horizontal"
#其他参数设置
show(p)
df---->> data---->>
3. 堆叠图
p.vbar_stack(["2015", "2016", "2017"], # 设置堆叠值，这里source中包含了不同年份的值
x='fruits', # 设置x坐标
source=source, #包含了2015/2016/2017的数据的；
width=0.9, color=colors,
legend=[value(x) for x in years], name=years) #对整个数据做一个分组集合变成一个列表
#3、堆叠图
from bokeh.core.properties importvalue#导入value模块
fruits= ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries']
years= ["2015", "2016", "2017"]
colors= ["#c9d9d3", "#718dbf", "#e84d60"]
data= {'fruits': fruits,'2015' : [2, 1, 4, 3, 2, 4],'2016' : [5, 3, 4, 2, 4, 6],'2017' : [3, 2, 4, 4, 5, 3]}#df = pd.DataFrame(data)#print(df)#source = ColumnDataSource(data = df) #也可以使用DataFrame
source = ColumnDataSource(data=data)#创建数据
p= figure(x_range=fruits, plot_height=350, title="Fruit Counts by Year",tools="")
renderers= p.vbar_stack(["2015", "2016", "2017"], #可以用years代替，就是上边设置的变量 # 设置堆叠值，这里source中包含了不同年份的值，years变量用于识别不同堆叠层
x='fruits', #设置x坐标
source=source, #包含了2015/2016/2017的数据的； 主要设置的就是这3个参数
width=0.9, color=colors,
legend=[value(x) for x in years], name=years) #对整个数据做一个分组集合变成一个列表#绘制堆叠图#注意第一个参数需要放years
p.xgrid.grid_line_color=None
p.axis.minor_tick_line_color=None
p.outline_line_color=None
p.legend.location= "top_left"p.legend.orientation= "horizontal"
#设置其他参数
show(p)
[value(x)for x in years]
[{'value': '2015'}, {'value': '2016'}, {'value': '2017'}]
#3、堆叠图
from bokeh.palettes importGnBu3, OrRd3#导入颜色模块
fruits= ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries']
years= ["2015", "2016", "2017"]
exports= {'fruits': fruits,'2015' : [2, 1, 4, 3, 2, 4],'2016' : [5, 3, 4, 2, 4, 6],'2017' : [3, 2, 4, 4, 5, 3]}
imports= {'fruits': fruits,'2015' : [-1, 0, -1, -3, -2, -1],'2016' : [-2, -1, -3, -1, -2, -2],'2017' : [-1, -2, -1, 0, -2, -2]}
p= figure(y_range=fruits, plot_height=350, x_range=(-16, 16), title="Fruit import/export, by year")
p.hbar_stack(years, y='fruits', height=0.9, color=GnBu3, source=ColumnDataSource(exports),
legend=["%s exports" % x for x in years]) #绘制出口数据堆叠图
p.hbar_stack(years, y='fruits', height=0.9, color=OrRd3, source=ColumnDataSource(imports),
legend=["%s imports" % x for x in years]) #绘制进口数据堆叠图，这里值为负值
p.y_range.range_padding= 0.2 #调整边界间隔
p.ygrid.grid_line_color =None
p.legend.location= "top_left"p.axis.minor_tick_line_color=None
p.outline_line_color=None#设置其他参数
show(p)
4. 直方图
hist, edges = np.histogram(df['value'],bins=20)
p.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:], # 分别代表每个柱子的四边值，上下左右，top=hist计数的值，第一个箱子的左跟右就是第一个值+第二个值
fill_color="#036564", line_color="#033649")
#4、直方图#np.histogram + figure.quad()#不需要构建ColumnDataSource对象
df= pd.DataFrame({'value': np.random.randn(1000)*100})
df.index.name= 'index'
print(df.head())#创建数据
hist, edges= np.histogram(df['value'],bins=20) #把这1000个值拆分成20个箱子，整个箱子肯定会有一个value值的也就是它的个数
print(hist) #代表不同箱子的个数
print(edges) #把它分成不同箱子之后，每个箱子的位置坐标#将数据解析成直方图统计格式#高阶函数np.histogram(a, bins=10, range=None, weights=None, density=None)#a：数据#bins：箱数#range：最大最小值的范围，如果不设定则为(a.min(), a.max())#weights：权重#density：为True则返回“频率”，为False则返回“计数”#返回值1 - hist：每个箱子的统计值（top）#返回值2 - edges：每个箱子的位置坐标，这里n个bins将会有n+1个edges；假如有10个箱子，就会有10+1个位置
p= figure(title="HIST", tools="save",background_fill_color="#E8DDCB")
p.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:], #分别代表每个柱子的四边值，上下左右，top=hist计数的值，第一个箱子的左跟右就是第一个值+第二个值
fill_color="#036564", line_color="#033649")#figure.quad绘制直方图
show(p)
value
index
0109.879109
1 -49.315234
2 -149.590185
3 83.290324
4 -16.367743[1 2 2 3 21 25 59 85 104 151 140 110 101 82 47 31 22 8 #这里1就是在-356.79345893到-323.021329之间有1个；在-323.021329到-289.2491919906之间有2个
2 4]
[-356.79345893 -323.021329 -289.24919906 -255.47706913 -221.7049392
-187.93280926 -154.16067933 -120.3885494 -86.61641947 -52.84428953
-19.0721596 14.69997033 48.47210027 82.2442302 116.01636013
149.78849006 183.56062 217.33274993 251.10487986 284.8770098
318.64913973]
In [ ]:
1523
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
