本文主要是介绍Python 交互式可视化的利器Bokeh的使用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感...
1. Bokeh 简介
Bokeh 是一个专注于 Web 端交互式数据可视化的 python 库。它基于 JavaScript 的 Bokehjs 进行渲染，使得生成的图表可以直接嵌入 html，并支持交互操作。与 Matplotlib、Seaborn 等传统静态绘图库相比，Bokeh 在处理大规模数据和交互性方面具有明显优势。
1.1 为什么选择 Bokeh
- 交互性强：支持缩放、平移、悬停提示等交互功能。
- 高效渲染：利用 WebGL 提高大规模数据集的绘图性能。
- 与 Pandas 兼容：可以直接处理 DataFrame 数据。
- 易于嵌入：可将可视化结果嵌入 H编程TML、Flask、Django 和 Jupyter Notebook。
1.2 安装与环境配置
安装 Bokeh 非常简单，可以通过 pip 直接安装：
pip install bokeh
安装后，可以在 Python 环境中测试：
from bokeh.plotting import figure, show
from bokeh.io import output_file
output_file("test.html") # 生成 HTML 文件
p = figure(title="示例图", x_axis_label="X 轴", y_axis_label="Y 轴")
p.line([1, 2, 3, 4], [10, 20, 30, 40], line_width=2)
show(p) # 在浏览器中显示图表
运行代码后，会在默认浏览器中打开一个 HTML 页面，显示简单的折线图。
2. Bokeh 基础
Bokeh 的核心概念主要包括：
figure：绘图区域，用于创建图表。glyph：可视化图元，如线、点、柱状图等。ColumnDataSource：数据源，便于管理数据和交互。output_file/output_notebook：指定输出方式。show/save：显示或保存图表。
2.1 创建基本绘图
Bokeh 提供了多种基础图表类型，包括折线图、散点图、条形图等。以下是一些常见示例。
2.1.1 折线图
from bokeh.plotting import figure, show p = figure(title="折线图示例", x_axis_label="X", y_axis_label="Y") p.line([1, 2, 3, 4, 5], [5, 7, 2, 3, 6], line_width=2, color="blue") show(p)
2.1.2 散点图
p = figure(title="散点图示例", x_axis_label="X", y_axis_label="Y") p.circwww.chinasem.cnle([1, 2, 3, 4, 5], [5, 7, 2, 3, 6], size=10, color="red", alpha=0.5) show(p)
2.1.3 柱状图
from bokeh.io import show from bokeh.plotting import figure from bokeh.transform import factor_cmap from bokeh.models import ColumnDataSource fruits = ["苹果", "香蕉", "橙子", "葡萄"] values = [10, 20, 15, 30] source = ColumnDataSource(data=dict(fruits=fruits, values=values)) p = figure(x_range=fruits, title="水果销量", toolbar_location=None, tools="") p.vbar(x="fruits", top="values", width=0.4, source=source) show(p)
3. 交互式功能
Bokeh 的一大亮点是交互式可视化，主要通过 HoverTool、TapTool、BoxSelectTool 等工具实现。
3.1 鼠标悬停显示数据
from bokeh.models import HoverTool
p = figure(title="悬停提示示例", x_axis_label="X", y_axis_label="Y")
p.circle([1, 2, 3, 4], [10, 20, 30www.chinasem.cn, 40], size=10, color="navy", alpha=0.5)
hover = HoverTool(tooltips=[("X 轴", "$x"), ("Y 轴", "$y")])
p.add_tools(hover)
show(p)
3.2 选择和缩放
p = figure(title="选择和缩放示例", tools="box_select,pan,wheel_zoom,reset") p.circle([1, 2, 3, 4], [10, 20, 30, 40], size=10, color="green", alpha=0.5) show(p)
4. 数据流处理
Bokeh 支持动态数据更新，适用于实时数据可视化，如传感器数据、股票市场数据等。
4.1 动态数据更新
from bokeh.models import ColumnDataSource
from bokeh.plotting import figure, curdoc
import numpy as np
source = ColumnDataSource(data=dict(x=[], y=[]))
p = figure(title="动态数据流", x_axis_label="X", y_axis_label="Y")
p.line("x", "y", source=source, line_width=2)
def update():
new_data = dict(x=[np.random.random()], y=[np.random.random()])
source.stream(new_data, rollover=50)
curdoc().add_root(p)
curdoc().add_periodic_callback(update, 1000) # 每秒更新一次
运行该代码时，Bokeh 服务器会持续更新数据，并在浏览器中实时展示曲线变化。
5. Bokeh 与 Pandas、Flask/Django 集成
Bokeh 可以与 Pandaswww.chinasem.cn 结合处理数据，并与 Flask 或 Django 进行 Web 应用集成。
5.1 Bokeh + Pandas
import pandas as pd
data = pd.DataFrame({"x": [1, 2, 3, 4], "y": [10, 20, 30, 40]})
source = ColumnDataSource(data)
p = figure(title="Pandas 数据绘图")
p.line("x", "y", source=source, line_width=2)
show(p)
5.2 Bokeh + Flask
from flask import Flask, render_template
from bokeh.embed import components
app = Flask(__name__)
@app.route("/")
def index():
p = figure(title="Flask 集成示例")
p.line([1, 2, 3, 4], [10, 20, 30, 40])
script, div = components(p)
return render_template("index.html", script=script, div=div)
if __name__ == "__main__":
app.run(debug=True)
6. 总结
Bokeh 是 Python 生态中最强大的交互式可视化工具之一，适android用于大规模数据、Web 嵌入和动态数据流可视化。它的灵活性、易用性和强大的交互能力，使其成为数据科学、金融分析、物联网数据可视化的理想选择。
到此这篇关于Python 交互式可视化的利器Bokeh的使用的文章就介绍到这了,更多相关Python Bokeh内容请搜索China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程China编程(www.chinasem.cn)！
这篇关于Python 交互式可视化的利器Bokeh的使用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
