python数据分析与可视化交互式_干货 | Bokeh交互式数据可视化快速入门

Bokeh简介

Bokeh是一款交互式可视化库，在浏览器上进行展示。

Bokeh可以通过Python(或其它语言)，快速便捷地为大型流数据集提供优雅简洁的高性能交互式图表。

安装

在python中有多种安装Bokeh的方法，这里建议最简单的方法是使用Anaconda Python发行版，然后在命令行下输入以下命令：

conda install bokeh

这里会安装Bokeh需要的所有依赖包，并且Anaconda可以最大限度地减少安装过程的复杂程度。

如果你自信已经安装好需要的依赖，如numpy等，那么可以在命令行使用pip来安装：

pip install bokeh

为什么使用jupyter notebook作为绘图环境

本文代码都是在notebook中执行的，并且图表也直接展示在notebook中。

notebook是用于数据探索的常用工具，在数据科学领域被广泛使用，建议大家在学习Bokeh的过程中使用jupyter notebook。

开始绘图

Bokeh是一个大型库，具有非常多的功能，这里不细讲具体函数方法，只通过一些案例来展示Bokeh的使用流程和可视化界面。

将python列表中的数据绘制成线图非常简单，而且图表是交互式的，能够缩放、平移、保存等其他功能。

图表最终会保存为html格式，并在浏览器中自动打开，这可以通过output_file()函数实现。

如果你使用的是notebook环境，Bokeh可以在notebook中直接显示交互式图表，只要将output_file()函数替换为output_notebook()函数。

# 导入相关库from bokeh.plotting import figure, output_notebook, show% matplotlib inline# 准备数据x = [1, 2, 3, 4, 5]y = [6, 7, 2, 4, 5]# 在notbook中展示output_notebook()# 创建一个带有标题和轴标签的新图表p = figure(title="simple line example", x_axis_label='x', y_axis_label='y')# 添加带有图例和线条粗细的线图渲染器#p.line(x, y, legend="Temp.", line_width=2)# 显示图表show(p)

上面的例子绘制了一个折线图，简单地展示了bokeh.plotting模块绘图的流程。

一般来说，我们使用bokeh.plotting模块绘图有以下几个步骤：

准备数据

例子中数据容器为列表，你也可以用numpy array、pandas series数据形式

告诉Bokeh在哪生成输出图表

上面说过，图表输出有两种形式，一个是在notebook中直接显示，一个是生成HTML文件，在浏览器中自动打开。

调用figure()函数

创建具有典型默认选项并易于自定义标题、工具和轴标签的图表

添加渲染器

上面使用的是line()线图函数，并且指定了数据源、线条样式、标签等，你也可以使用其他的绘图函数，如点图、柱状图等

显示或保存图表

show()函数用来自动打开生成的HTML文件，save()函数用来保存生成的html文件

如果想在一张图里绘制多个数据表，则可以重复上面第4步。

你可以添加多个数据系列，自定义不同的展示风格：

from bokeh.plotting import figure, output_notebook, show# 准备三个数据系列x = [0.1, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0]y0 = [i**2 for i in x]y1 = [10**i for i in x]y2 = [10**(i**2) for i in x]# 在notbook中展示output_notebook()# 创建新表p = figure(tools="pan,box_zoom,reset,save",y_axis_type="log", y_range=[0.001, 10**11], title="log axis example",x_axis_label='sections', y_axis_label='particles')# 添加不同的图表渲染p.line(x, x, legend="y=x")p.circle(x, x, legend="y=x", fill_color="white", size=8)p.line(x, y0, legend="y=x^2", line_width=3)p.line(x, y1, legend="y=10^x", line_color="red")p.circle(x, y1, legend="y=10^x", fill_color="red", line_color="red", size=6)p.line(x, y2, legend="y=10^x^2", line_color="orange", line_dash="4 4")# 展示图表show(p)

有时候，绘制图表不光要知道数据点在x、y轴的位置，而且要赋予数据点颜色、大小等属性，展示数据点的其它含义，如下：

import numpy as npfrom bokeh.plotting import figure, output_file, show# 准备数据N = 4000x = np.random.random(size=N) * 100y = np.random.random(size=N) * 100radii = np.random.random(size=N) * 1.5colors = ["#%02x%02x%02x" % (int(r), int(g), 150) for r, g in zip(50+2*x, 30+2*y)]# 在notbook中展示output_notebook()TOOLS = "crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select"# 创建图表，并添加图标栏工具p = figure(tools=TOOLS, x_range=(0, 100), y_range=(0, 100))# 添加圆绘图渲染函数，并且定义元素的颜色、样式p.circle(x, y, radius=radii, fill_color=colors, fill_alpha=0.6, line_color=None)# 显示图表show(p)

对于同一个数据，可能需要多种展示风格，比如说线、点、圆等，并且把多个图表放在一起，Bokeh能够做到：

import numpy as npfrom bokeh.layouts import gridplotfrom bokeh.plotting import figure, output_file, show# 准备数据N = 100x = np.linspace(0, 4*np.pi, N)y0 = np.sin(x)y1 = np.cos(x)y2 = np.sin(x) + np.cos(x)# 在notbook中展示output_notebook()# 创建子图表1，元素样式为圆s1 = figure(width=250, plot_height=250, title=None)s1.circle(x, y0, size=10, color="navy", alpha=0.5)# 创建子图表2，元素样式为三角形s2 = figure(width=250, height=250, x_range=s1.x_range, y_range=s1.y_range, title=None)s2.triangle(x, y1, size=10, color="firebrick", alpha=0.5)# 创建子图表3，元素样式为正方形s3 = figure(width=250, height=250, x_range=s1.x_range, title=None)s3.square(x, y2, size=10, color="olive", alpha=0.5)# 将多个子图放到网格图中p = gridplot([[s1, s2, s3]], toolbar_location=None)# 显示图表show(p)

绘制股票价格走势图，这类是关于时间序列的图表：

import numpy as npfrom bokeh.plotting import figure, output_file, showfrom bokeh.sampledata.stocks import AAPL# 准备数据aapl = np.array(AAPL['adj_close'])aapl_dates = np.array(AAPL['date'], dtype=np.datetime64)window_size = 30window = np.ones(window_size)/float(window_size)aapl_avg = np.convolve(aapl, window, 'same')# 在notbook中展示output_notebook()# 创建新图表p = figure(plot_width=800, plot_height=350, x_axis_type="datetime")# 添加图表渲染p.circle(aapl_dates, aapl, size=4, color='darkgrey', alpha=0.2, legend='close')p.line(aapl_dates, aapl_avg, color='navy', legend='avg')# 设置图表元素p.title.text = "AAPL One-Month Average"p.legend.location = "top_left"p.grid.grid_line_alpha = 0p.xaxis.axis_label = 'Date'p.yaxis.axis_label = 'Price'p.ygrid.band_fill_color = "olive"p.ygrid.band_fill_alpha = 0.1# 显示图表show(p)

总结

上述几个示例简单展示了Bokeh绘图方法，希望起到一个抛砖引玉的作用，让大家了解到Bokeh的强大之处，去探索更多的用法。

福利时间：

推荐给大家一本比较不错的python可视化教程：《Python数据可视化编程实战》

该书内容详细讲解了如何利用python进行可视化分析。

想要PDF版本的小伙伴，在公众号后台回复：

可视化

END

Python大数据分析

data creat value

长按二维码关注