使用 Python Bokeh 进行数据可视化

作者

在本文中，我们将研究使用 Python Bokeh 的数据可视化。

Bokeh 允许用户接收任何格式的数据，例如 CSV、JSON、硬编码数据或数据库。我们可以使用这个库创建散点图、折线图等。它在行业中被广泛用于股票市场分析，因为该库很容易与不同的 Web 框架以及 JS、Django 和 HTML 集成。

继续阅读本文，了解有关 Bokeh 用法的一些见解

Python Bokeh 的特点

  1. 交互：Bokeh 是一个交互性很强的库，除了静态图之外，它还提供图形交互功能。
  2. 功能强大：Bokeh 是一个功能强大的库，因为它允许为用例添加 JavaScript。
  3. 便携：Bokeh 图表的输出可以在任何 Web 框架（例如 Django 和 Python）以及 Jupyter Notebook 上呈现。
  4. 灵活：易于绘制自定义和复杂的用例。
  5. 与其他流行工具交互：允许与 Pandas 和 Jupyter Notebook 等 pydata 工具轻松交互。
散景是交互式的

使用 Python Bokeh 开始数据可视化

每当我们使用 python 做任何事情时，创建虚拟环境是一个很好的做法，最好的方法是运行命令pip install pipenv。运行此命令后，您将有权访问该pipenv命令并且可以运行pipenv shell. 这可确保虚拟环境已设置。

现在您可以使用虚拟环境来安装 Bokeh 和Python pandas。您可以使用命令：

pipenv install bokeh pandas

我们将使用 pandas，因为这个库允许我们将 CSV 文件作为数据帧读取。

1. 绘制折线图

在开始从 CSV 文件绘制图表之前，我们将引导您完成绘制简单折线图的过程，以帮助您熟悉 Bokeh。

from bokeh.plotting import figure, output_file, show
  • figure模块将帮助用户创建绘图。
  • output_file将定义要生成的 HTML 文件的名称。
  • show模块将生成并显示 HTML 文件。
x=[1,2,3,4,5]
y=[4,3,3,5,4]

对于数据，我们只需将其创建为 2 个列表 -[1,2,3,4,5] 和 [4,3,3,5,4]。

这些点例如 (1,4)、(2,3)、(3,3) 等。

output_file('index.html')

index.html我们使用上面的代码设置输出文件。

p = figure(
    title = 'Example chart',
    x_axis_label = 'X axis',
    y_axis_label = 'Y axis'
)

我们使用figure()来创建绘图。figure() 接受多个属性。您可以参考该模块的文档以获取更多详细信息。

我们将使用title,x_axis_label和y_axis_label。

p.line(x, y, legend="test", line_width=1.5)

现在来渲染字形，我们将使用上面的代码片段。x我们指定了之前定义的两个列表y。我们还指定其他参数，例如legend和line_width。

请注意，此处使用这些参数是因为我们使用的是line图表。对于其他类型的图表，这些参数往往会有所不同。

show(p)

我们使用该show()函数来显示结果，结果显示index.html如下图所示。完整的代码也附上了。

from bokeh.plotting import figure, output_file, show
x=[1,2,3,4,5]
y=[4,3,3,5,4]
 
# defining the output file
output_file('index.html')
 
# Adding the plot
p = figure(
    title = 'Example chart',
    x_axis_label = 'X axis',
    y_axis_label = 'Y axis'
)
 
# Rendering the graph
p.line(x, y, legend="test", line_width=1.5)
 
# Display the results
show(p)
输出图表显示在index.html上

2. 从 CSV 文件绘制图表

为了绘制图表，我们将使用一个简单的汽车数据集，它有 2 列，即汽车名称和马力。我们将使用图表来了解这些参数之间的相关性。数据集如下图

数据集

可以使用 Bokeh 将上述数据集绘制为直方图 (hbar)，其代码如下：

from bokeh.plotting import figure, output_file, show, save, ColumnDataSource
from bokeh.models.tools import HoverTool
from bokeh.transform import factor_cmap
from bokeh.palettes import Blues8
from bokeh.embed import components
import pandas
 
df = pandas.read_csv('cars.csv')
 
source = ColumnDataSource(df)
 
output_file('index.html')
car_list = source.data['Car'].tolist()
 
# Add plot
p = figure(
    y_range=car_list,
    plot_width=800,
    plot_height=600,
    title='Cars With Top Horsepower',
    x_axis_label='Horsepower',
    tools="pan,box_select,zoom_in,zoom_out,save,reset"
)
 
# Render glyph
p.hbar(
    y='Car',
    right='Horsepower',
    left=0,
    height=0.4,
    fill_color=factor_cmap(
      'Car',
      palette=Blues8,
      factors=car_list
    ),
    fill_alpha=0.9,
    source=source,
    legend='Car'
)
 
# Add Legend
p.legend.orientation = 'vertical'
p.legend.location = 'top_right'
p.legend.label_text_font_size = '10px'
 
 
# Show results
show(p)

渲染的输出index.html如下：

图形输出

结论

因此，我们到了本文的结尾。Bokeh 是强大的数据可视化库之一，可用于您的所有项目。请尝试本文中的示例，并在下面的评论部分告诉我们您的感受。