Python中的动态数据可视化Bokeh库实战

05-13 1165阅读

👽发现宝藏

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【点击进入巨牛的人工智能学习网站】。

Python 中的动态数据可视化Bokeh库实战

在数据科学和可视化领域，动态数据可视化是一项关键技术，能够帮助数据科学家和分析师更好地理解数据、发现趋势，并与观众交互。Python 中有许多强大的库用于数据可视化，其中 Bokeh 就是一款备受推崇的工具之一。Bokeh 提供了丰富的功能和灵活性，使得用户可以轻松创建动态、交互式的数据可视化。

什么是 Bokeh？

Bokeh 是一个交互式可视化库，用于创建漂亮而且具有高度交互性的绘图。它专注于在现代 Web 浏览器中展示数据，并支持用于构建交互式应用程序的动态数据可视化。Bokeh 的设计理念是通过将数据转换为可视化元素（如图形、图表等），使用户能够通过交互方式进行探索和理解数据。

安装 Bokeh

要开始使用 Bokeh，首先需要安装它。可以使用 pip 进行安装：

pip install bokeh

Bokeh 的基本概念

在深入探讨 Bokeh 库之前，让我们先了解一些 Bokeh 的基本概念：

  1. Plot（绘图）：Plot 是 Bokeh 中的核心对象，用于创建数据可视化。一个 Plot 可以包含多个 Glyph（几何图形）对象，用于表示数据的不同方面。

  2. Glyph（几何图形）：Glyph 是 Plot 中的基本图形元素，用于表示数据。常见的 Glyph 包括点、线、矩形等。

  3. 数据源：Bokeh 中的数据源是用于存储数据的对象。数据源可以是 Python 字典、Pandas DataFrame 等。

  4. 工具：Bokeh 提供了许多工具，用于与绘图进行交互，如缩放、平移、选择等。

使用 Bokeh 创建动态数据可视化

现在让我们通过一个简单的示例来演示如何使用 Bokeh 创建动态数据可视化。假设我们有一个包含时间序列数据的 Pandas DataFrame，我们想要将这些数据可视化为动态折线图，并添加一些交互性工具。

import pandas as pd
from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource, HoverTool
# 创建一个示例数据集
data = {
    'date': pd.date_range(start='2024-01-01', periods=10),
    'value': [3, 7, 8, 4, 5, 6, 7, 8, 12, 10]
}
df = pd.DataFrame(data)
# 创建数据源
source = ColumnDataSource(df)
# 创建绘图对象
p = figure(, x_axis_label='日期', y_axis_label='数值')
# 添加折线图
p.line(x='date', y='value', source=source, line_width=2)
# 添加交互工具
hover = HoverTool()
hover.tooltips = [("数值", "@value"), ("日期", "@date{%F}")]
hover.formatters = {'@date': 'datetime'}
p.add_tools(hover)
# 输出到 HTML 文件
output_file("dynamic_plot.html")
# 显示绘图
show(p)

在这个示例中，我们首先创建了一个包含时间序列数据的 Pandas DataFrame。然后，我们使用 ColumnDataSource 将 DataFrame 转换为 Bokeh 的数据源对象。接下来，我们创建了一个绘图对象 p，并使用 line() 方法添加了折线图。最后，我们使用 HoverTool 添加了一个悬停工具，当用户将鼠标悬停在数据点上时，会显示相应的数值和日期信息。最终，我们将绘图输出到 HTML 文件，并通过 show() 函数显示在浏览器中。

通过 Bokeh，我们可以轻松创建具有丰富交互性的动态数据可视化，让用户能够更好地探索和理解数据。

高级功能和定制化

除了基本功能之外，Bokeh还提供了许多高级功能和定制化选项，使用户能够创建出更加复杂和精美的可视化效果。

1. 添加更多的图形元素

除了折线图之外，Bokeh还支持添加其他类型的图形元素，如散点图、柱状图、区域图等。用户可以根据自己的需求选择合适的图形元素来呈现数据。

# 添加散点图
p.circle(x='date', y='value', source=source, size=8, color='red', alpha=0.5)
# 添加柱状图
p.vbar(x='date', top='value', source=source, width=0.5, color='blue', alpha=0.5)
2. 自定义样式和布局

Bokeh允许用户对绘图的样式和布局进行高度定制。用户可以调整图形的颜色、线型、填充色等属性，以及标题、标签、图例等元素的样式和位置。

# 调整标题样式
p.title.text_font_size = '16pt'
p.title.align = 'center'
# 调整坐标轴样式
p.xaxis.axis_label_text_color = 'blue'
p.yaxis.axis_label_text_color = 'green'
3. 添加交互性工具

除了悬停工具之外，Bokeh还提供了许多其他交互性工具，如缩放、平移、选择、放大镜等。用户可以根据需要添加这些工具，以增强用户与数据可视化的交互性。

# 添加缩放工具
from bokeh.models import WheelZoomTool
p.add_tools(WheelZoomTool())
# 添加选择工具
from bokeh.models import BoxSelectTool
p.add_tools(BoxSelectTool())
4. 创建交互式应用程序

Bokeh不仅可以用于创建静态的数据可视化，还可以用于构建动态的交互式应用程序。用户可以使用 Bokeh 提供的服务器功能，将数据可视化部署到 Web 服务器上，并实现与用户的实时交互。

from bokeh.io import curdoc
# 将绘图对象添加到文档
curdoc().add_root(p)

交互性的用户界面

Bokeh 的一个强大功能是可以创建交互式的用户界面（UI），让用户能够动态地探索数据并进行自定义操作。下面是一个简单的例子，演示了如何使用 Bokeh 创建一个具有滑动条和按钮的交互式应用程序，用户可以通过滑动条调整数据的范围，然后点击按钮更新可视化图表。

from bokeh.layouts import column
from bokeh.models import Slider, Button
from bokeh.events import ButtonClick
from bokeh.io import curdoc
import numpy as np
# 创建随机数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 创建数据源
source = ColumnDataSource(data={'x': x, 'y': y})
# 创建绘图对象
plot = figure(, plot_width=600, plot_height=400)
plot.line('x', 'y', source=source, line_width=2)
# 创建滑动条和按钮
slider = Slider(start=0, end=10, value=10, step=0.1, )
button = Button(label="更新")
# 定义更新数据的回调函数
def update_data(event):
    new_x = np.linspace(0, slider.value, 100)
    new_y = np.sin(new_x)
    source.data = {'x': new_x, 'y': new_y}
# 绑定按钮点击事件
button.on_event(ButtonClick, update_data)
# 将组件添加到布局
layout = column(slider, button, plot)
curdoc().add_root(layout)

在这个例子中，我们首先创建了一个包含正弦函数数据的数据源。然后，我们创建了一个绘图对象，并添加了一条正弦曲线。接下来，我们创建了一个滑动条和一个按钮，并定义了按钮点击事件的回调函数。在回调函数中，我们根据滑动条的值生成新的数据，并更新数据源。最后，我们将滑动条、按钮和绘图对象添加到一个垂直布局中，并将布局添加到文档中。

通过这个交互式应用程序，用户可以通过调整滑动条的值来改变数据的范围，然后点击按钮更新图表，从而实现动态数据可视化。

高级功能和定制化

除了基本功能之外，Bokeh还提供了许多高级功能和定制化选项，使用户能够创建出更加复杂和精美的可视化效果。

1. 添加更多的图形元素

除了折线图之外，Bokeh还支持添加其他类型的图形元素，如散点图、柱状图、区域图等。用户可以根据自己的需求选择合适的图形元素来呈现数据。

# 添加散点图
p.circle(x='date', y='value', source=source, size=8, color='red', alpha=0.5)
# 添加柱状图
p.vbar(x='date', top='value', source=source, width=0.5, color='blue', alpha=0.5)
2. 自定义样式和布局

Bokeh允许用户对绘图的样式和布局进行高度定制。用户可以调整图形的颜色、线型、填充色等属性，以及标题、标签、图例等元素的样式和位置。

# 调整标题样式
p.title.text_font_size = '16pt'
p.title.align = 'center'
# 调整坐标轴样式
p.xaxis.axis_label_text_color = 'blue'
p.yaxis.axis_label_text_color = 'green'
3. 添加交互性工具

除了悬停工具之外，Bokeh还提供了许多其他交互性工具，如缩放、平移、选择、放大镜等。用户可以根据需要添加这些工具，以增强用户与数据可视化的交互性。

# 添加缩放工具
from bokeh.models import WheelZoomTool
p.add_tools(WheelZoomTool())
# 添加选择工具
from bokeh.models import BoxSelectTool
p.add_tools(BoxSelectTool())
4. 创建交互式应用程序

Bokeh不仅可以用于创建静态的数据可视化，还可以用于构建动态的交互式应用程序。用户可以使用 Bokeh 提供的服务器功能，将数据可视化部署到 Web 服务器上，并实现与用户的实时交互。

from bokeh.io import curdoc
# 将绘图对象添加到文档
curdoc().add_root(p)

数据链接和数据更新

在实际应用中，数据往往是动态变化的。Bokeh 提供了一些机制来处理数据的链接和更新，以确保可视化能够及时反映数据的变化。

1. 数据链接

Bokeh 支持将数据源与图形元素进行链接，这样当数据源中的数据发生变化时，图形元素会自动更新以反映这些变化。

# 创建数据源
source = ColumnDataSource(df)
# 创建绘图对象
p = figure(, x_axis_label='日期', y_axis_label='数值')
# 添加折线图，并链接数据源
p.line(x='date', y='value', source=source, line_width=2)
2. 数据更新

当数据源中的数据发生变化时，可以通过修改数据源的数据来更新可视化图表。Bokeh 会自动检测数据的变化并更新图形元素。

# 更新数据源中的数据
new_data = {
    'date': pd.date_range(start='2024-01-01', periods=10),
    'value': [5, 8, 6, 9, 7, 8, 10, 12, 11, 13]
}
source.data = new_data
3. 数据流和实时更新

对于需要实时更新的数据，Bokeh 还提供了数据流（Streaming）的功能，可以将新的数据流式传输到可视化图表中，实现实时更新的效果。

from bokeh.models import DataStream, CustomJS
# 创建数据流
stream = DataStream(data=dict(x=[], y=[]))
# 创建绘图对象
p = figure(, x_axis_label='时间', y_axis_label='数值')
# 添加折线图，并链接数据流
p.line('x', 'y', source=stream, line_width=2)
# 定义 JavaScript 回调函数，用于更新数据流
callback = CustomJS(args=dict(stream=stream), code="""
    // 生成新的数据点
    var new_x = Date.now();
    var new_y = Math.random();
    
    // 将新数据点添加到数据流中
    stream.data.x.push(new_x);
    stream.data.y.push(new_y);
    
    // 触发数据更新
    stream.change.emit();
""")
# 将 JavaScript 回调函数与定时器绑定，实现实时更新
interval = 1000; // 每秒更新一次
callback.args['interval'] = interval;
callback_code = "setInterval(function() {" + callback.code + "}, " + interval + ");"
callback.code = callback_code
# 添加 JavaScript 回调函数到绘图对象
p.js_on_event('document_ready', callback)

总结

总的来说，本文介绍了 Bokeh 库在 Python 中动态数据可视化方面的应用。首先，我们了解了 Bokeh 的基本概念和功能，包括 Plot、Glyph、数据源以及交互性工具等。然后，我们演示了如何使用 Bokeh 创建动态数据可视化，包括绘制折线图、添加交互性工具以及创建交互式应用程序等。接着，我们探讨了 Bokeh 提供的高级功能和定制化选项，如添加更多的图形元素、自定义样式和布局、以及实现数据链接和实时更新等。最后，我们总结了 Bokeh 的应用场景和优势，强调了它在处理实时数据和构建实时监控系统方面的重要性。通过本文的介绍，读者可以全面了解 Bokeh 库的功能和用法，为实现动态数据可视化提供了有力的工具和技术支持。

Python中的动态数据可视化Bokeh库实战

VPS购买请点击我

文章版权声明：除非注明，否则均为主机测评原创文章，转载或复制请以超链接形式并注明出处。

相关阅读

目录[+]