python binder_Python中除了matplotlib外还有哪些数据可视化的库？

python可视化，强推bokeh!编辑 惊鸿

公众号 惊鸿的世界

想给算法/数据做个可玩的demo却苦于找不到合适的工具？今天给大家分享的是bokeh，本篇将会手把手教你从零开始做出”在线、交互式、炫酷“的demo。

目录鸟瞰bokeh

三分钟上手bokeh

部署你的bokeh

01鸟瞰bokeh

Bokeh是一款强大的数据可视化工具，具备以下五大优点：灵活，简单到复杂一网打尽，从简单可视化到各种复杂的样式及交互式；

可玩，各类组件帮助你交互式、动态地展示数据，观众一目了然；

可共享，方便发布到网页、网站或者jupyter notebook，区别于pyQT等，网页的形式方便分享并且可以随时随地运行和查看；

高效，使用起来非常高效，非常适合javascript用起来不太顺手的人群(比如我)，比起js里的ZingCharts，ECharts等，个人还是倾向于熟悉的python，尤其是现在很多AI算法都是基于python的，所以写完算法不用改动太多就可以用bokeh搭建demo，真香！

强大，支持用户使用javascript开发高级的功能。

接下来，本篇从数据、图形、交互、样式四个角度层层递进，带你快速上手bokeh!

02三分钟上手bokeh

必须强调的是，教程有多么详细可能都比不上自己认真读一下官方手册，但是这篇分享的目的在于作为一个抛砖引玉的作用，帮你快速建立对这套框架的关键元素、流程、细节的认知。

2.1 数据

数据是核心，bokeh支持直接使用list、numpy、pandas(这三种大家都比较熟悉)，另外，内部提供ColumnDataSource，掌握了这个接口大部分图就可以画了，优势在于可以实现多个图形之间的数据共享，基本使用方法如下：

from bokeh.plotting import figure

from bokeh.models import ColumnDataSource

source = ColumnDataSource(data={'x_values': [1, 2, 3, 4, 5], 'y_values': [6, 7, 2, 3, 6]})

p = figure()

p.circle(x='x_values', y='y_values', source=source)

除此之外，值得一提的还有网络数据结构以及地图数据结构：网络数据结构的基本元素包括：节点样式(形状、颜色)

节点索引

边

节点的实际位置 (横纵坐标)

一起来过一遍官方的例程(注释在每一句末尾)：

import math

from bokeh.models import Ellipse, GraphRenderer, StaticLayoutProvider

from bokeh.palettes import Spectral8

from bokeh.plotting import figure

N = 8 # 8个节点

node_indices = list(range(N)) # 节点索引从0到7

graph = GraphRenderer()

graph.node_renderer.data_source.add(node_indices, 'index') # 添加索引

graph.node_renderer.data_source.add(Spectral8, 'color') # 添加颜色

graph.node_renderer.glyph = Ellipse(height=0.1, width=0.2, fill_color='color') # 节点样式为椭圆

graph.edge_renderer.data_source.data = dict(start=[0]*N, end=node_indices) # 边, 起点索引对应终点索引即为一条边

circ = [i*2*math.pi/8 for i in node_indices]

x = [math.cos(i) for i in circ] # 节点的横坐标

y = [math.sin(i) for i in circ] # 节点纵坐标

graph_layout = dict(zip(node_indices, zip(x, y)))

graph.layout_provider = StaticLayoutProvider(graph_layout=graph_layout) # 给节点添加位置信息

地图数据结构——数据支持谷歌地图、CartoDB，坐标支持墨卡托投影、经纬度等。这里不展开赘述。

2.2 图形

图形的种类非常齐全，包含线、点、柱、热图、饼图、地图等，如下图：

图形方面bokeh基本类似于matplotlib，图的各种参数可以在figure中配置，例如图的尺寸大小、横纵坐标范围等，一个图可以包含多种图形，图形参数可以查阅手册，关于具体的图形如何绘制建议查阅官方的图库及示范代码。这里讲一个常用但是容易踩坑的点——figure加载图片，注意点包括加载方式、纵坐标形式两点。加载方式。bokeh除了可以绘制二维数据为图像之外，也可以从图片文件加载，如果是本地运行bokeh，可以用本地图片的路径也可以直接用图片的超链接，但是如果是在服务器运行bokeh，会报错找不到本地图片路径，建议把图片上传到图床，然后用图床的超链接。(推荐图床PicGo[3]，支持Github图床，亲测有效)

纵坐标形式。区别于matplotlib里的imshow纵坐标索引默认从上到下，bokeh image默认纵坐标索引为从下到上，这就导致二维数据在bokeh和matplotlib绘出的图片会出现上下翻转的现象。但是bokeh从文件或者链接读取图片不会出现上下翻转(此时纵坐标索引依然默认从下到上)。(左matplotlib imshow，右bokeh image)

2.3 交互

何为”可玩“？交互即可玩！本质是三个要素——对象、事件和回调函数。bokeh提供的交互方式可以分为两大类：基本操作，主要是直接在图上进行交互，例如矩形选择、放大缩小、整体移动、鼠标悬停；

组件，例如文本框、按钮、滑条、下拉框、多选框等，这些组件都可以用on_change等函数对应用户自定义的响应，也可以用js_on_change关联javascript函数。

2.4 样式

样式分为三个层次：图形的样式，例如颜色、尺寸等，这些都可以通过图形的API进行设计，可视化好看与否主要由这部分决定。

2. 多图排版，如何放置多个图也很关键，比如并排、网格等，可以使用gridplot()或者layout()快速实现美观的排版。

3. 其他部分的样式，除了这些图片之外，很多情况下我们都需要一些相关的文字说明或者其他内容，bokeh支持将图形嵌入到html当中，也就是说其他内容样式可以借助于html、css等进行灵活设计。具体怎么做我们将在下一个部分讲解。

03部署bokeh

有了bokeh程序之后如何部署到网站呢？方式有很多种，比如jupyter、Flask、Django、Apache等。这里介绍快速、方便的一种形式——将bokeh server部署到binder。什么是binder？简单来讲就是可以加载github上的jupyter notebook。输入github链接、分支等信息就可以在线跑起来jupyter。

那么如何用binder跑起来我们的bokeh server呢，首先从[4]拉取这个模板，红色是我们需要修改的文件，一个是在yml需要声明运行bokeh需要的包，比如bokeh等，另一个就是bokeh的主体——放置所有bokeh相关程序的文件夹。注意：这个仓库里的程序只给了独立的py程序，也就是没有html、css等。

要加入html和css文件，文件结构如下，也就是在bokeh-app/下面除了py文件还加入了templates/，index.html文件当中可以用{{super()}}的方式继承main.py生成的bokeh所有元素。(也有其他形式，比如独立生成script、div等元素，具体可以参照[5])

├── README.md

├── bokeh-app

│ ├── README.md

│ ├── main.py

│ └── templates

│ ├── index.html

│ └── styles.css

├── bokehserverextension.py

├── environment.yml

└── postBuild

最后，只要把{username}和{repo-name}替换成github的用户名和仓库名就可以。

https://mybinder.org/v2/gh/{username}/{repo-name}/master?urlpath=/proxy/5006/bokeh-app

到这里，我们就成功把bokeh部署到binder上啦！

今天的分享就到这里啦，同系列未来会讲解pyQT、matlab GUI等的使用。