交互式数据可视化在Python中用Bokeh实现

文章转载自:http://www.zuimoban.com/jiaocheng/python/6615.html


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。
交互式数据可视化在Python中用Bokeh实现_第1张图片
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:
交互式数据可视化在Python中用Bokeh实现_第2张图片
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:
交互式数据可视化在Python中用Bokeh实现_第3张图片
交互式数据可视化在Python中用Bokeh实现_第4张图片
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。
交互式数据可视化在Python中用Bokeh实现_第5张图片
交互式数据可视化在Python中用Bokeh实现_第6张图片
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。
在Bokeh服务器上进行可视化绘图有多个优点:
图表有更多的受众
可对大数据集进行交互式可视化
可根据数据流自动更新图表
创建控制面板和应用程序

开始在Bokeh服务器上绘图之前,我先运行了“bokeh-server”指令对其进行初始化,然后再运行用于可视化的相关指令。
交互式数据可视化在Python中用Bokeh实现_第7张图片
交互式数据可视化在Python中用Bokeh实现_第8张图片
交互式数据可视化在Python中用Bokeh实现_第9张图片
绘图
Plotting是一个中级接口,是以构建视觉符号为核心的接口。在这里,你可以综合各种视觉元素(点、圆、线、补丁和许多其它元素)和工具(悬停、缩放、保存、重置和其它工具)来创建可视化。

使用Bokeh的Plotting接口创建的图表自带一组默认的工具和视觉效果。绘图可按照以下步骤进行:
1. 导入库、方法或函数
2. 选择输出方式(Notebook文档、Web浏览器、服务器)
3. 激活图(类似matplotlib)
4. 执行后续的绘图操作,这将影响已经生成的图形。
5. 图表可视化

为了更好地理解这些步骤,让我举例演示:

绘图范例-1:在Notebook文档中创建二维散点图(正方形标记)
交互式数据可视化在Python中用Bokeh实现_第10张图片
交互式数据可视化在Python中用Bokeh实现_第11张图片
同样,你可以创建各种其它类型的图:如线、角和圆弧、椭圆、图像、补丁以及许多其它的图。

绘图范例-2:将两种视觉元素合并在一张图中
交互式数据可视化在Python中用Bokeh实现_第12张图片
交互式数据可视化在Python中用Bokeh实现_第13张图片
绘图范例-3:为上图添加一个悬停工具和坐标轴标签
交互式数据可视化在Python中用Bokeh实现_第14张图片
交互式数据可视化在Python中用Bokeh实现_第15张图片
绘图范例-4:使用纬度和经度数据来绘制印度地图

注:我已经有一个CSV格式的印度边界的纬度和经度的多边形数据。我将使用该数据来绘图。
在这里,我们将使用补丁绘图,让我们看看下面的命令:
交互式数据可视化在Python中用Bokeh实现_第16张图片
交互式数据可视化在Python中用Bokeh实现_第17张图片
结语
在本文中,我们讨论了用Bokeh创建可视化以及如何将可视化结果呈现在Notebook文档、html文档以及bokeh服务器上。我们还谈到了如何使用绘图接口创建个性化的可视化图表,通过该功能,你可以将多种视觉元素结合到一起来展示数据信息。

你可能感兴趣的:(python,python,数据可视化)