Bokeh快速入门(1)
Bokeh入门(1)
摘录:Bokeh (Bokeh.js) 是一个 Python 交互式可视化库，支持现代化 Web 浏览器，提供非常完美的展示功能。Bokeh 的目标是使用 D3.js 样式提供优雅，简洁新颖的图形化风格，同时提供大型数据集的高性能交互功能。Boken 可以快速的创建交互式的绘图，仪表盘和数据应用
先放一张自己做的图吧：
个人觉得最实用的功能就是保存为图片以及实时拖动了，另外就是重置功能了
前言：如果需要在web页面上展示图像，我想js绝对是不二选择，但是碍于学习成本又不想花太多时间去学js，那么作为一个对python情有独钟的非典型运维人员，当然得找找python强大的支持库了，一共找到了三款，mpld3，pyxley，bokeh，第一款个人觉得不够强大，主要是不能直接在浏览器上保存为图片，pyxley属于较新的python项目，官方自己都说说明文档coming soon！！！然后就选择bokeh了，再者bokeh真的异常的强大，还在慢慢摸索ing
下面是官方文档的入门教程，直接手工翻译的，如有错误还望指正。
参考:http://bokeh.pydata.org/en/latest/docs/quickstart.html#getting-started
Bokeh同时提供强大而灵活的功能，使得用户可以进行非常高阶的个人定制，一方面十分简洁而另一方面，Bokeh根据用户的需要公开不同的等级的接口级别给不同级别的用户：
Bokeh.models是一个相对而言低阶的接口，提供了尽可能多的的灵活性给以应用程序开发人员。
Bokeh.plotting是一个相对而言中阶的接口，主要以视觉图形为中心。
Bokeh.charts是一个相对而高阶接口，用来快速而尽可能简单地构建复杂的统计图。
本次快速入门主要侧重于bokeh.plotting接口
快速安装：
有很多种不同的安装方式安装Bokeh
如果你用的是Anaconda （推荐），用以下的命令通过bash或者windows的命令行就可直接安装了。
conda install bokeh
这种安装方式，Anaconda已经准备了运行Bokeh之前所有需要的所有依赖，这也是Bokeh强烈推荐的安装方式，无论任何平台，包括windows，它都可以将安装成本趋近于零。它也会安装一些例子在examples/目录，即Anaconda安装目录的子目录。
如图：
当然，如果你有绝对的自信解决这些依赖，依赖包括Numpy，pandas及redis等，你也可以用pip安装
pip install bokeh
Note
通过pip方式安装，不会安装这些例子，不过可以通过git clone 下载这些例子(examples/)。
入门指南
Bokeh是一个公开很多能力的大型库，所以这一部分只是一个关于Bokeh常见实用案例以及工作流程的快速的导航。更多的细节请查阅完整的用户指导
下面通过一些实例开始。
用python基本数据类型list的一些数据画一个线状图，并包括缩放(zoom)，区域选择(pan)，调整尺寸(resize)，保存(save)等工具，是一个简答又直接的方式。
注：建议使用ipython notebook，如果不了解，去了解一下吧
from bokeh.plotting import figure, output_file, show
# prepare some data
x = [1, 2, 3, 4, 5]y = [6, 7, 2, 4, 5]
# output to static HTML file
output_file("lines.html", title="line plot example")
# create a new plot with a title and axis labels
p = figure(title="simple line example", x_axis_label='x', y_axis_label='y')
# add a line renderer with legend and line thickness
p.line(x, y, legend="Temp.", line_width=2)
# show the results
show(p)
当你执行这个脚本的时候，你将会发现，在当前目录会创建一个”lines.html”的文件，而且浏览器会自动打开一个窗口并展示这个创建的html文件，效果如上图所示。(为了展示效果，所以才会在教程中直接叫结果嵌在这篇文档中)
通过bokeh.plotting接口创建图像的基本步骤如下：
1．准备数据(如这个例子中的lise列表)
2．告诉Bokeh将文件输出的位置(这个例子中用的是output_file(),并制定”lines.html”作为文件名保存)
3．调用figure()去创建图形，并设置一些全体的参数，如标题，工具，轴标签等。
4．为数据添加渲染器(这个例子中的Figure.line)，并加入一些可视化的定制，比如颜色，图标以及这个图形的宽度等
5．让Bokeh去show()或者save()
其中步骤3,4可以重复创建不止一个图形，详情见下面的其他实例。
该bokeh.plotting接口也非常便利，如果我们需要在输出更多的一些自定义的数据序列，图标，指数轴线等。它当然也可以非常简单的组合多个图标在一张图形上，如下图所示
from bokeh.plotting import figure, output_file, show
# prepare some data
x = [0.1, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0]
y0 = [i**2 for i in x]
y1 = [10**i for i in x]
y2 = [10**(i**2) for i in x]
# output to static HTML file
output_file("log_lines.html")
# create a new plot
p = figure(
tools="pan,box_zoom,reset,save",
y_axis_type="log", y_range=[0.001, 10**11], title="log axis example",
x_axis_label='sections', y_axis_label='particles')
# add some renderers
p.line(x, x, legend="y=x")
p.circle(x, x, legend="y=x", fill_color="white", size=8)
p.line(x, y0, legend="y=x^2", line_width=3)
p.line(x, y1, legend="y=10^x", line_color="red")
p.circle(x, y1, legend="y=10^x", fill_color="red", line_color="red", size=6)
p.line(x, y2, legend="y=10^x^2", line_color="orange", line_dash="4 4")
# show the resultsshow(p)
很好看，有没有
后记：搜了一下51cto的视频学院，不管是免费的还是收费的，居然都没有数据分析的课程，虽然自不量力，但是也希望在51CTO上录一个通过numpy，matplotlib，pandas的数据分析课程，一方面借鉴国外视频的先进经验，一方面也整理下自己的心得。这里有个不错的视频教程，关于pandas的，但是全英文的。
Learning Python for Data Analysis
链接：http://pan.baidu.com/s/1eQoEeeY 密码：x6of
有兴趣的可以瞧瞧。