探索 Bokeh：轻松创建交互式数据可视化的强盛工具

探索 Bokeh：轻松创建交互式数据可视化的强盛工具

在数据科学和数据分析范畴，交互式数据可视化是一项不可或缺的技能。Bokeh 是一个强盛的 Python 库，它可以资助我们快速构建高质量的交互式图表和仪表盘，同时兼具高性能和灵活性。本文将带您了解 Bokeh 的核心功能，并通过实际示例展示它的应用。

---

什么是 Bokeh？

Bokeh 是一个用于创建交互式、Web 优化数据可视化的 Python 库。它的核心特点包括：

• 交互性：用户可以通过缩放、平移、悬停工具动态探索图表。
  
• 易集成：支持嵌入 HTML 页面或 Jupyter Notebook。
  
• 多功能性：提供从简单图表到复杂仪表盘的构建能力。
  
• 高性能：适合处理大规模数据。
  

---

安装和入门

在开始使用 Bokeh 前，请先确保已安装库：

1. pip install bokeh

复制代码

接下来，我们通过简单示例体验 Bokeh 的基本功能。

---

创建一个简单的折线图

以下代码展示了怎样使用 Bokeh 创建一个交互式折线图：

1. from bokeh.plotting import figure, show
2. from bokeh.io import output_notebook
4. # 在 Jupyter Notebook 中显示输出
5. output_notebook()
7. # 数据
8. x = [1, 2, 3, 4, 5]
9. y = [6, 7, 2, 4, 5]
11. # 创建图形对象
12. p = figure(title="Simple Line Plot", x_axis_label='X-Axis', y_axis_label='Y-Axis')
14. # 添加折线
15. p.line(x, y, legend_label="Line", line_width=2)
17. # 显示图表
18. show(p)

复制代码

运行代码后，您将看到一个可以交互的折线图。通过工具栏，您可以缩放、平移并悬停检察详细数据。

---

使用 Pandas 数据快速绘图

Bokeh 与 Pandas 集成得很好，您可以直接将 Pandas DataFrame 作为数据源来绘图。比方：

1. import pandas as pd
2. from bokeh.plotting import figure, show
4. # 创建示例 DataFrame
5. data = {
6.     "Month": ["Jan", "Feb", "Mar", "Apr", "May"],
7.     "Sales": [100, 200, 150, 300, 400]
8. }
9. df = pd.DataFrame(data)
11. # 创建柱状图
12. p = figure(x_range=df["Month"], title="Monthly Sales", x_axis_label="Month", y_axis_label="Sales")
14. # 添加柱状图
15. p.vbar(x=df["Month"], top=df["Sales"], width=0.5, color="blue")
17. # 显示图表
18. show(p)

复制代码

这段代码天生了一个按月份表现销售额的柱状图，直观显现了数据变革。

---

添加交互工具

Bokeh 的强盛之处在于它的交互工具。以下示例展示了怎样添加悬停提示和缩放功能：

1. from bokeh.models import HoverTool
3. # 创建图形对象
4. p = figure(title="Interactive Plot", x_axis_label="X", y_axis_label="Y", tools="pan,box_zoom,reset")
6. # 添加数据
7. p.circle(x, y, size=10, color="navy", alpha=0.5, legend_label="Data Points")
9. # 添加悬停工具
10. hover = HoverTool()
11. hover.tooltips = [("X Value", "@x"), ("Y Value", "@y")]
12. p.add_tools(hover)
14. # 显示图表
15. show(p)

复制代码

通过悬停，您可以动态检察每个数据点的详细信息。

---

构建多子图结构

Bokeh 提供了 gridplot 来构建多图结构，这在创建仪表盘时非常有用。比方：

1. from bokeh.layouts import gridplot
3. # 创建多个图表
4. p1 = figure(title="Line Plot")
5. p1.line(x, y, color="blue", legend_label="Line")
7. p2 = figure(title="Scatter Plot")
8. p2.scatter(x, y, size=10, color="green", legend_label="Points")
10. # 使用 gridplot 布局
11. layout = gridplot([[p1, p2]])
12. show(layout)

复制代码

运行代码后，您将看到两个图表并排表现。

---

动态数据更新

Bokeh 允许实时更新图表，适合处理动态数据。比方，绘制一个实时更新的折线图：

1. from bokeh.plotting import curdoc
2. from bokeh.models import ColumnDataSource
3. from bokeh.layouts import column
4. from bokeh.plotting import figure
5. import random
7. # 数据源
8. source = ColumnDataSource(data=dict(x=[], y=[]))
10. # 创建图表
11. p = figure(title="Real-Time Plot", x_axis_label="Time", y_axis_label="Value")
12. p.line('x', 'y', source=source)
14. # 更新数据的回调函数
15. def update():
16.     new_data = dict(x=[source.data['x'][-1] + 1 if source.data['x'] else 0], y=[random.randint(0, 10)])
17.     source.stream(new_data, rollover=50)
19. # 每秒更新一次数据
20. curdoc().add_periodic_callback(update, 1000)
22. # 显示布局
23. curdoc().add_root(column(p))

复制代码

在运行这段代码时，图表会自动更新，表现实时天生的数据。

---

构建交互式仪表盘

以下代码展示了怎样创建一个交互式仪表盘，包含下拉菜单和滑块控件：

1. from bokeh.models import Select, Slider
2. from bokeh.layouts import row, column
4. # 创建图表
5. p = figure(title="Interactive Dashboard")
6. line = p.line(x, y, legend_label="Line", line_width=2)
8. # 创建交互控件
9. select = Select(title="Line Color", value="blue", options=["blue", "green", "red"])
10. slider = Slider(title="Line Width", value=2, start=1, end=10, step=1)
12. # 控件回调函数
13. def update(attr, old, new):
14.     line.glyph.line_color = select.value
15.     line.glyph.line_width = slider.value
17. # 将控件与回调关联
18. select.on_change("value", update)
19. slider.on_change("value", update)
21. # 布局
22. layout = column(row(select, slider), p)
23. curdoc().add_root(layout)

复制代码

运行代码后，您可以通过下拉菜单和滑块动态更改折线的颜色和宽度。

---

底子总结

Bokeh 是一个功能丰富且灵活的交互式可视化工具，非常适合快速开辟 Web 优化的可视化应用。通过 Bokeh，您可以轻松完成以下任务：

• 天生各种交互式图表。
  
• 构建多视图仪表盘。
  
• 实现实时数据更新。
  

Bokeh 实战：从数据分析到交互式仪表盘开辟

在本节中，我们将通过一个完整的实战项目，展示怎样用 Bokeh 构建一个交互式仪表盘，实时可视化和分析销售数据。

---

实战场景

假设我们有一个电商平台的销售数据集，其中包含以下字段：

• 订单日期（Order Date）：订单的日期。
  
• 销售额（Sales）：订单金额。
  
• 类别（Category）：商品类别，如 “Electronics”、“Clothing” 等。
  
• 地区（Region）：订单所属地区。
  

目标是通过 Bokeh 构建一个交互式仪表盘，完成以下功能：

• 按时间检察销售趋势。
  
• 对比不同商品类别的销售额占比。
  
• 表现各地区销售分布。
  
• 通过滑块和下拉菜单动态过滤数据。
  

---

数据准备

首先，我们模拟一个数据集：

1. import pandas as pd
2. import numpy as np
4. # 生成示例数据
5. np.random.seed(42)
6. dates = pd.date_range(start="2023-01-01", end="2023-12-31", freq="D")
7. data = {
8.     "Order Date": np.random.choice(dates, 1000),
9.     "Sales": np.random.randint(100, 2000, 1000),
10.     "Category": np.random.choice(["Electronics", "Clothing", "Home Appliances"], 1000),
11.     "Region": np.random.choice(["North", "South", "East", "West"], 1000)
12. }
13. df = pd.DataFrame(data)
15. # 转换日期格式
16. df['Order Date'] = pd.to_datetime(df['Order Date'])
17. df['Month'] = df['Order Date'].dt.to_period('M').astype(str)  # 生成月度字段

复制代码

---

构建图表

1. 月销售趋势图

1. from bokeh.plotting import figure
2. from bokeh.models import ColumnDataSource
4. # 数据聚合
5. monthly_sales = df.groupby("Month")["Sales"].sum().reset_index()
6. monthly_sales_source = ColumnDataSource(monthly_sales)
8. # 绘制折线图
9. trend_plot = figure(
10.     title="Monthly Sales Trend",
11.     x_range=monthly_sales["Month"],
12.     x_axis_label="Month",
13.     y_axis_label="Total Sales",
14.     tools="pan,box_zoom,reset,hover"
15. )
16. trend_plot.line(
17.     x="Month",
18.     y="Sales",
19.     source=monthly_sales_source,
20.     line_width=2,
21.     color="blue",
22.     legend_label="Monthly Sales"
23. )
24. trend_plot.legend.location = "top_left"

复制代码

---

2. 商品类别销售额占比图

1. from bokeh.models import ColumnDataSource
2. from bokeh.plotting import figure
4. # 数据聚合
5. category_sales = df.groupby("Category")["Sales"].sum().reset_index()
6. category_source = ColumnDataSource(category_sales)
8. # 绘制饼图
9. from math import pi
10. from bokeh.transform import cumsum
11. from bokeh.palettes import Category20c
13. category_sales["angle"] = category_sales["Sales"] / category_sales["Sales"].sum() * 2 * pi
14. category_sales["color"] = Category20c[len(category_sales)]
16. category_pie_plot = figure(
17.     title="Sales by Category",
18.     tools="hover",
19.     tooltips="@Category: @Sales",
20.     x_range=(-0.5, 1.0)
21. )
22. category_pie_plot.wedge(
23.     x=0,
24.     y=1,
25.     radius=0.4,
26.     start_angle=cumsum("angle", include_zero=True),
27.     end_angle=cumsum("angle"),
28.     line_color="white",
29.     fill_color="color",
30.     legend_field="Category",
31.     source=ColumnDataSource(category_sales)
32. )
33. category_pie_plot.axis.visible = False
34. category_pie_plot.grid.visible = False

复制代码

---

3. 地区销售分布柱状图

1. # 数据聚合
2. region_sales = df.groupby("Region")["Sales"].sum().reset_index()
3. region_source = ColumnDataSource(region_sales)
5. # 绘制柱状图
6. region_bar_plot = figure(
7.     title="Sales by Region",
8.     x_range=region_sales["Region"],
9.     x_axis_label="Region",
10.     y_axis_label="Total Sales",
11.     tools="pan,box_zoom,reset"
12. )
13. region_bar_plot.vbar(
14.     x="Region",
15.     top="Sales",
16.     width=0.5,
17.     color="blue",
18.     source=region_source
19. )

复制代码

---

添加交互控件

1. 滑块控件：按销售额过滤

1. from bokeh.models import Slider
3. # 创建滑块
4. sales_slider = Slider(
5.     title="Minimum Sales Filter",
6.     start=100,
7.     end=2000,
8.     value=100,
9.     step=100
10. )
12. # 滑块回调函数
13. def update_data(attr, old, new):
14.     filtered_data = df[df["Sales"] >= sales_slider.value]
15.     updated_monthly_sales = filtered_data.groupby("Month")["Sales"].sum().reset_index()
16.     monthly_sales_source.data = updated_monthly_sales
17.     updated_region_sales = filtered_data.groupby("Region")["Sales"].sum().reset_index()
18.     region_source.data = updated_region_sales
20. sales_slider.on_change("value", update_data)

复制代码

2. 下拉菜单：按类别过滤

1. from bokeh.models import Select
3. # 创建下拉菜单
4. category_select = Select(
5.     title="Select Category",
6.     value="All",
7.     options=["All"] + list(df["Category"].unique())
8. )
10. # 下拉菜单回调函数
11. def filter_category(attr, old, new):
12.     filtered_data = df[df["Category"] == category_select.value] if category_select.value != "All" else df
13.     updated_monthly_sales = filtered_data.groupby("Month")["Sales"].sum().reset_index()
14.     monthly_sales_source.data = updated_monthly_sales
15.     updated_region_sales = filtered_data.groupby("Region")["Sales"].sum().reset_index()
16.     region_source.data = updated_region_sales
18. category_select.on_change("value", filter_category)

复制代码

---

构建仪表盘结构

使用 Bokeh 的 layout 结构工具，将图表和控件组合在一起：

1. from bokeh.layouts import column, row
2. from bokeh.io import curdoc
4. # 布局
5. dashboard = column(
6.     row(category_select, sales_slider),
7.     trend_plot,
8.     row(category_pie_plot, region_bar_plot)
9. )
11. # 添加到文档
12. curdoc().add_root(dashboard)
13. curdoc().title = "Sales Dashboard"

复制代码

---

启动 Bokeh 服务

将上述代码生存为 dashboard.py 文件，然后在终端运行以下命令：

1. bokeh serve --show dashboard.py

复制代码

浏览器将自动打开，您可以通过滑块和下拉菜单动态过滤数据，并实时检察图表的更新。

---

总结

通过本次实战，我们完成了一个交互式仪表盘的开辟，展示了 Bokeh 的以下强盛功能：

• 快速创建各种图表（折线图、饼图、柱状图）。
  
• 使用控件（滑块、下拉菜单）动态过滤数据。
  
• 构建多视图仪表盘并实时更新。
  

下一步，您可以尝试：

• 将仪表盘部署到云端，让更多用户访问。
  
• 添加更多控件和图表，丰富数据分析维度。
  
• 与 Flask 或 Django 集成，构建完整的数据应用。
  

赶快用 Bokeh 动手构建属于自己的交互式数据可视化项目吧！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。