Bokeh簡介

Bokeh是一款交互式可視化庫，在瀏覽器上進行展示。

Bokeh可以通過Python（或其它語言），快速便捷地為大型流數據集提供優雅簡潔的高性能交互式圖表。

安裝

在python中有多種安裝Bokeh的方法，這里建議最簡單的方法是使用Anaconda Python發行版，然后在命令行下輸入以下命令：

conda install bokeh 

這里會安裝Bokeh需要的所有依賴包，并且Anaconda可以最大限度地減少安裝過程的復雜程度。

如果你自信已經安裝好需要的依賴，如numpy等，那么可以在命令行使用pip來安裝： 

pip install bokeh 

為什么使用jupyter notebook作為繪圖環境

本文代碼都是在notebook中執行的，并且圖表也直接展示在notebook中。

notebook是用于數據探索的常用工具，在數據科學領域被廣泛使用，建議大家在學習Bokeh的過程中使用jupyter notebook。

開始繪圖

Bokeh是一個大型庫，具有非常多的功能，這里不細講具體函數方法，只通過一些案例來展示Bokeh的使用流程和可視化界面。

將python列表中的數據繪制成線圖非常簡單，而且圖表是交互式的，能夠縮放、平移、保存等其他功能。

圖表最終會保存為html格式，并在瀏覽器中自動打開，這可以通過output_file()函數實現。

如果你使用的是notebook環境，Bokeh可以在notebook中直接顯示交互式圖表，只要將output_file()函數替換為output_notebook()函數。 

# 導入相關庫  
from bokeh.plotting import figure, output_notebook, show   
% matplotlib inline  
# 準備數據  
x = [1, 2, 3, 4, 5]  
y = [6, 7, 2, 4, 5]  
# 在notbook中展示  
output_notebook()  
# 創建一個帶有標題和軸標簽的新圖表  
p = figure(title="simple line example", x_axis_label='x', y_axis_label='y')  
# 添加帶有圖例和線條粗細的線圖渲染器  
#   
p.line(x, y, legend="Temp.", line_width=2)  
# 顯示圖表  
show(p) 

上面的例子繪制了一個折線圖，簡單地展示了bokeh.plotting模塊繪圖的流程。

一般來說，我們使用bokeh.plotting模塊繪圖有以下幾個步驟：

•  準備數據

          例子中數據容器為列表，你也可以用numpy array、pandas series數據形式

•  告訴Bokeh在哪生成輸出圖表

          上面說過，圖表輸出有兩種形式，一個是在notebook中直接顯示，一個是生成HTML文件，在瀏覽器中自動打開。

•  調用figure()函數

           創建具有典型默認選項并易于自定義標題、工具和軸標簽的圖表

•  添加渲染器

          上面使用的是line()線圖函數，并且指定了數據源、線條樣式、標簽等，你也可以使用其他的繪圖函數，如點圖、柱狀圖等

•  顯示或保存圖表

           show()函數用來自動打開生成的HTML文件，save()函數用來保存生成的html文件

如果想在一張圖里繪制多個數據表，則可以重復上面第4步。

你可以添加多個數據系列，自定義不同的展示風格： 

from bokeh.plotting import figure, output_notebook, show  
# 準備三個數據系列  
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]  
# 在notbook中展示  
output_notebook()  
# 創建新表  
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'  
)  
# 添加不同的圖表渲染  
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")  
# 展示圖表  
show(p) 

有時候，繪制圖表不光要知道數據點在x、y軸的位置，而且要賦予數據點顏色、大小等屬性，展示數據點的其它含義，如下： 

import numpy as np  
from bokeh.plotting import figure, output_file, show  
# 準備數據  
N = 4000  
x = np.random.random(size=N) * 100  
y = np.random.random(size=N) * 100  
radii = np.random.random(size=N) * 1.5  
colors = [  
    "#%02x%02x%02x" % (int(r), int(g), 150) for r, g in zip(50+2*x, 30+2*y) 
]  
# 在notbook中展示  
output_notebook()   
TOOLS = "crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select"  
# 創建圖表，并添加圖標欄工具  
p = figure(tools=TOOLS, x_range=(0, 100), y_range=(0, 100))  
# 添加圓繪圖渲染函數，并且定義元素的顏色、樣式  
p.circle(x, y, radius=radii, fill_color=colors, fill_alpha=0.6, line_color=None)  
# 顯示圖表  
show(p) 

對于同一個數據，可能需要多種展示風格，比如說線、點、圓等，并且把多個圖表放在一起，Bokeh能夠做到： 

import numpy as np  
from bokeh.layouts import gridplot  
from bokeh.plotting import figure, output_file, show  
# 準備數據  
N = 100  
x = np.linspace(0, 4*np.pi, N) 
y0 = np.sin(x)  
y1 = np.cos(x)  
y2 = np.sin(x) + np.cos(x)  
# 在notbook中展示  
output_notebook()  
# 創建子圖表1，元素樣式為圓  
s1 = figure(width=250, plot_height=250, title=None)  
s1.circle(x, y0, size=10, color="navy", alpha=0.5)   
# 創建子圖表2，元素樣式為三角形  
s2 = figure(width=250, height=250, x_range=s1.x_range, y_range=s1.y_range, title=None)  
s2.triangle(x, y1, size=10, color="firebrick", alpha=0.5)  
# 創建子圖表3，元素樣式為正方形  
s3 = figure(width=250, height=250, x_range=s1.x_range, title=None)  
s3.square(x, y2, size=10, color="olive", alpha=0.5)  
# 將多個子圖放到網格圖中  
p = gridplot([[s1, s2, s3]], toolbar_location=None)  
# 顯示圖表  
show(p) 

繪制股票價格走勢圖，這類是關于時間序列的圖表： 

import numpy as np  
from bokeh.plotting import figure, output_file, show  
from bokeh.sampledata.stocks import AAPL  
# 準備數據  
aapl = np.array(AAPL['adj_close'])  
aapl_dates = np.array(AAPL['date'], dtype=np.datetime64)  
window_size = 30  
window = np.ones(window_size)/float(window_size)  
aapl_avg = np.convolve(aapl, window, 'same')  
# 在notbook中展示  
output_notebook()  
# 創建新圖表  
p = figure(plot_width=800, plot_height=350, x_axis_type="datetime")  
# 添加圖表渲染  
p.circle(aapl_dates, aapl, size=4, color='darkgrey', alpha=0.2, legend='close')  
p.line(aapl_dates, aapl_avg, color='navy', legend='avg')  
# 設置圖表元素  
p.title.text = "AAPL One-Month Average"  
p.legend.location = "top_left"  
p.grid.grid_line_alpha = 0  
p.xaxis.axis_label = 'Date'  
p.yaxis.axis_label = 'Price'  
p.ygrid.band_fill_color = "olive"  
p.ygrid.band_fill_alpha = 0.1   
# 顯示圖表  
show(p) 

總結

上述幾個示例簡單展示了Bokeh繪圖方法，希望起到一個拋磚引玉的作用，讓大家了解到Bokeh的強大之處，去探索更多的用法。