交互式数据可视化在Python中用Bokeh实现_python教程_开发教程

Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别。正如下图所示，它说明了Bokeh如何将数据展示到一个Web浏览器上的流程。

正如你所看到的，Bokeh捆绑了多种语言（Python, R, lua和Julia）。这些捆绑的语言产生了一个JSON文件，这个文件作为BokehJS（一个Javascript库）的一个输入，之后会将数据展示到现代Web浏览器上。

Bokeh可以像D3.js那样创建简洁漂亮的交互式可视化效果，即使是非常大型的或是流数据集也可以进行高效互动。Bokeh可以帮助所有人快速方便地创建互动式的图表、控制面板以及数据应用程序。

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（BIprofessional）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

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。

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。

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：

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。

图表范例-2：在Notebook文档中，利用箱线图比较IRIS数据集中的萼片长度（sepal length）和花瓣长度（petal length）的分布情况

要创建这个可视化图表，我首先要使用Sklearn库导入IRIS数据集。然后，按照上述步骤在ipythonNotebook文档中进行图表可视化。

图表范例-3：创建一个线图到Bokeh服务器

在绘制可视化图表到Bokeh服务器之前，你首先需要运行服务器。

如果你使用的是conda包，你可以在任何目录下使用运行命令“bokeh-server”。如果不是，“python ./bokeh-server”通常也可以。

(责任编辑：最模板)