Python Bokeh 数据可视化教程

Python Bokeh 数据可视化教程

引言

在数据科学和分析的过程中，数据可视化是一个至关重要的环节。它不仅能帮助我们更好地理解数据，还能在报告和展示中提升数据的可读性和吸引力。Python 作为数据科学的主要工具之一，提供了多种数据可视化库，其中 Bokeh 是一个强大的库，专注于创建交互式、可嵌入的可视化图表。本文将深入探讨 Bokeh 的使用，包括基本概念、常见图表类型、样式定制以及与 Pandas 数据框的结合使用，帮助你快速掌握 Bokeh 的使用技巧。

1. 安装 Bokeh

在开始之前，确保你已经安装了 Bokeh。如果没有安装，可以使用以下命令进行安装：

pip install bokeh

2. 导入库

在使用 Bokeh 之前，我们需要导入必要的库。通常情况下，我们还会使用 Pandas 来处理数据：

from bokeh.plotting import figure, show, output_notebook
from bokeh.io import push_notebook
import pandas as pd

2.1 设置输出方式

如果你在 Jupyter Notebook 环境中工作，可以使用以下命令设置输出为 Notebook：

output_notebook()

3. Bokeh 的基本结构

Bokeh 的核心是图形对象（figure）和绘制方法。我们可以创建各种类型的图表，并通过设置属性来自定义样式。

3.1 创建基本图表

以下是一个创建简单散点图的示例：

# 创建数据
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]# 创建图形对象
p = figure(title="Simple Scatter Plot", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加散点
p.circle(x, y, size=10, color="navy", alpha=0.5)# 显示图表
show(p)

4. 常见图表类型

Bokeh 支持多种类型的图表，以下是一些常见图表的示例。

4.1 散点图（Scatter Plot）

散点图用于显示两个变量之间的关系。以下是一个使用 Bokeh 绘制散点图的示例：

# 创建示例数据
df = pd.DataFrame({'x': [1, 2, 3, 4, 5],'y': [6, 7, 2, 4, 5],'color': ['red', 'green', 'blue', 'orange', 'purple']
})# 创建图形对象
p = figure(title="Scatter Plot Example", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加散点
p.circle(df['x'], df['y'], size=10, color=df['color'], alpha=0.6)# 显示图表
show(p)

4.2 线图（Line Chart）

线图用于显示数据随时间变化的趋势。以下是一个使用 Bokeh 绘制线图的示例：

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]# 创建图形对象
p = figure(title="Line Chart Example", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加线
p.line(x, y, line_width=2, color="green")# 显示图表
show(p)

4.3 条形图（Bar Chart）

条形图用于比较不同类别的数值。以下是一个使用 Bokeh 绘制条形图的示例：

# 创建示例数据
categories = ['A', 'B', 'C', 'D']
values = [10, 20, 15, 25]# 创建图形对象
p = figure(x_range=categories, title="Bar Chart Example", x_axis_label='Categories', y_axis_label='Values')# 添加条形
p.vbar(x=categories, top=values, width=0.9)# 显示图表
show(p)

4.4 饼图（Pie Chart）

虽然 Bokeh 不直接支持饼图，但我们可以使用其他方法绘制饼图。以下是一个使用 Bokeh 绘制饼图的示例：

from math import pi# 创建示例数据
data = pd.Series([10, 20, 30, 40], index=['A', 'B', 'C', 'D'])# 计算角度
angles = data / data.sum() * 2 * pi# 创建图形对象
p = figure(title="Pie Chart Example", plot_height=350, plot_width=350)# 添加饼图
p.wedge(x=0, y=1, radius=0.4, start_angle=cumsum(angles).shift(fill_value=0), end_angle=cumsum(angles),line_color="white", fill_color=Category10[len(data)])# 显示图表
show(p)

4.5 热力图（Heatmap）

热力图用于展示数据的矩阵形式，常用于相关性分析。以下是一个使用 Bokeh 绘制热力图的示例：

import numpy as np# 创建示例数据
data = np.random.rand(10, 10)# 创建图形对象
p = figure(title="Heatmap Example", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加热力图
p.rect(x, y, width=1, height=1, source=ColumnDataSource(data=data), line_color=None, fill_color=transform('value', LinearColorMapper(palette=Viridis256, low=0, high=1)))# 显示图表
show(p)

5. 样式定制

Bokeh 提供了多种样式和主题，可以帮助我们美化图表。我们可以通过设置属性来自定义图表的外观。

5.1 修改图表标题和轴标签

可以通过 title 和 x_axis_label、y_axis_label 属性来修改图表的标题和轴标签：

p.title.text = "Customized Scatter Plot"
p.xaxis.axis_label = "Custom X-Axis"
p.yaxis.axis_label = "Custom Y-Axis"

5.2 修改颜色和样式

我们可以通过设置图形的颜色、大小、透明度等属性来定制样式。例如，改变散点图的大小和颜色：

p.circle(df['x'], df['y'], size=15, color="orange", alpha=0.8)

6. 与 Pandas 数据框结合使用

Bokeh 与 Pandas 数据框的结合使用使得数据处理和可视化变得更加方便。我们可以直接使用 Pandas 数据框作为 Bokeh 的数据源。

示例：使用 Pandas 和 Bokeh 绘制图表

下面是一个示例，展示如何使用 Pandas 数据框和 Bokeh 绘制图表：

# 创建一个示例数据框
data = {'Category': ['A', 'B', 'C', 'D'],'Values': [10, 20, 15, 25]
}
df = pd.DataFrame(data)# 使用 Bokeh 绘制条形图
p = figure(x_range=df['Category'], title="Bar Chart of Values by Category", x_axis_label='Categories', y_axis_label='Values')
p.vbar(x=df['Category'], top=df['Values'], width=0.9)# 显示图表
show(p)

7. 进阶用法

7.1 Bokeh Server

Bokeh Server 提供了一种创建交互式 Web 应用的方式。通过 Bokeh Server，我们可以将 Bokeh 图表嵌入到 Web 应用中，实现数据的动态交互。以下是一个简单的 Bokeh Server 示例：

from bokeh.io import curdoc
from bokeh.models import ColumnDataSource
from bokeh.plotting import figure# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))# 创建图形对象
p = figure(title="Bokeh Server Example", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加散点
p.circle('x', 'y', source=source)# 更新数据的回调函数
def update():new_data = dict(x=[1, 2, 3], y=[4, 5, 6])source.data = new_data# 定时更新
curdoc().add_periodic_callback(update, 1000)# 显示图表
show(p)

7.2 动态交互

Bokeh 支持多种交互功能，例如滑块、下拉菜单等。以下是一个使用滑块实现动态交互的示例：

from bokeh.layouts import column
from bokeh.models import Slider# 创建图形对象
p = figure(title="Dynamic Interaction Example", x_axis_label='X-Axis', y_axis_label='Y-Axis')# 添加散点
scatter = p.circle(x, y, size=10, color="navy", alpha=0.5)# 创建滑块
slider = Slider(start=1, end=10, value=5, step=1, title="Size")# 更新散点大小的回调函数
def update_size(attr, old, new):scatter.size = new# 监听滑块的变化
slider.on_change('value', update_size)# 布局
layout = column(slider, p)# 显示图表
show(layout)

8. 结论

Bokeh 是一个强大的数据可视化库，能够帮助我们轻松地创建美观的交互式图表。通过本教程，我们学习了 Bokeh 的基本用法、常见图表类型、样式定制以及与 Pandas 数据框的结合使用。希望这些内容能够帮助你在数据分析中更好地利用 Bokeh 进行可视化。

参考资料

• Bokeh 官方文档
• Pandas 官方文档
• Bokeh Server 文档

如有任何问题或想法，请在评论区留言！通过不断学习和实践，你将能够更好地掌握 Bokeh 的使用技巧，为数据分析增添色彩。