首页 > 脚本专栏 > python > Bokeh:Python交互式可视化

Bokeh:Python交互式可视化的利器详解

2025-03-13 09:22:53 作者：萧鼎

这篇文章主要介绍了Bokeh:Python交互式可视化的利器,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

1. Bokeh 简介

Bokeh 是一个专注于 Web 端交互式数据可视化的 Python 库。它基于 JavaScript 的 BokehJS 进行渲染，使得生成的图表可以直接嵌入 HTML，并支持交互操作。与 Matplotlib、Seaborn 等传统静态绘图库相比，Bokeh 在处理大规模数据和交互性方面具有明显优势。

1.1 为什么选择 Bokeh

交互性强：支持缩放、平移、悬停提示等交互功能。
高效渲染：利用 WebGL 提高大规模数据集的绘图性能。
与 Pandas 兼容：可以直接处理 DataFrame 数据。
易于嵌入：可将可视化结果嵌入 HTML、Flask、Django 和 Jupyter Notebook。

1.2 安装与环境配置

安装 Bokeh 非常简单，可以通过 pip 直接安装：

pip install bokeh

安装后，可以在 Python 环境中测试：

from bokeh.plotting import figure, show
from bokeh.io import output_file

output_file("test.html")  # 生成 HTML 文件
p = figure(title="示例图", x_axis_label="X 轴", y_axis_label="Y 轴")
p.line([1, 2, 3, 4], [10, 20, 30, 40], line_width=2)
show(p)  # 在浏览器中显示图表

运行代码后，会在默认浏览器中打开一个 HTML 页面，显示简单的折线图。

2. Bokeh 基础

Bokeh 的核心概念主要包括：

figure：绘图区域，用于创建图表。
glyph：可视化图元，如线、点、柱状图等。
ColumnDataSource：数据源，便于管理数据和交互。
output_file/output_notebook：指定输出方式。
show/save：显示或保存图表。

2.1 创建基本绘图

Bokeh 提供了多种基础图表类型，包括折线图、散点图、条形图等。以下是一些常见示例。

2.1.1 折线图

from bokeh.plotting import figure, show

p = figure(title="折线图示例", x_axis_label="X", y_axis_label="Y")
p.line([1, 2, 3, 4, 5], [5, 7, 2, 3, 6], line_width=2, color="blue")
show(p)

2.1.2 散点图

p = figure(title="散点图示例", x_axis_label="X", y_axis_label="Y")
p.circle([1, 2, 3, 4, 5], [5, 7, 2, 3, 6], size=10, color="red", alpha=0.5)
show(p)

2.1.3 柱状图

from bokeh.io import show
from bokeh.plotting import figure
from bokeh.transform import factor_cmap
from bokeh.models import ColumnDataSource

fruits = ["苹果", "香蕉", "橙子", "葡萄"]
values = [10, 20, 15, 30]

source = ColumnDataSource(data=dict(fruits=fruits, values=values))
p = figure(x_range=fruits, title="水果销量", toolbar_location=None, tools="")
p.vbar(x="fruits", top="values", width=0.4, source=source)
show(p)

3. 交互式功能

Bokeh 的一大亮点是交互式可视化，主要通过 HoverTool、TapTool、BoxSelectTool 等工具实现。

3.1 鼠标悬停显示数据

from bokeh.models import HoverTool

p = figure(title="悬停提示示例", x_axis_label="X", y_axis_label="Y")
p.circle([1, 2, 3, 4], [10, 20, 30, 40], size=10, color="navy", alpha=0.5)

hover = HoverTool(tooltips=[("X 轴", "$x"), ("Y 轴", "$y")])
p.add_tools(hover)
show(p)

3.2 选择和缩放

p = figure(title="选择和缩放示例", tools="box_select,pan,wheel_zoom,reset")
p.circle([1, 2, 3, 4], [10, 20, 30, 40], size=10, color="green", alpha=0.5)
show(p)

4. 数据流处理

Bokeh 支持动态数据更新，适用于实时数据可视化，如传感器数据、股票市场数据等。

4.1 动态数据更新

from bokeh.models import ColumnDataSource
from bokeh.plotting import figure, curdoc
import numpy as np

source = ColumnDataSource(data=dict(x=[], y=[]))
p = figure(title="动态数据流", x_axis_label="X", y_axis_label="Y")
p.line("x", "y", source=source, line_width=2)

def update():
    new_data = dict(x=[np.random.random()], y=[np.random.random()])
    source.stream(new_data, rollover=50)

curdoc().add_root(p)
curdoc().add_periodic_callback(update, 1000)  # 每秒更新一次

运行该代码时，Bokeh 服务器会持续更新数据，并在浏览器中实时展示曲线变化。

5. Bokeh 与 Pandas、Flask/Django 集成

Bokeh 可以与 Pandas 结合处理数据，并与 Flask 或 Django 进行 Web 应用集成。

5.1 Bokeh + Pandas

import pandas as pd
data = pd.DataFrame({"x": [1, 2, 3, 4], "y": [10, 20, 30, 40]})
source = ColumnDataSource(data)

p = figure(title="Pandas 数据绘图")
p.line("x", "y", source=source, line_width=2)
show(p)

5.2 Bokeh + Flask

from flask import Flask, render_template
from bokeh.embed import components

app = Flask(__name__)

@app.route("/")
def index():
    p = figure(title="Flask 集成示例")
    p.line([1, 2, 3, 4], [10, 20, 30, 40])
    script, div = components(p)
    return render_template("index.html", script=script, div=div)

if __name__ == "__main__":
    app.run(debug=True)

6. 总结

Bokeh 是 Python 生态中最强大的交互式可视化工具之一，适用于大规模数据、Web 嵌入和动态数据流可视化。

它的灵活性、易用性和强大的交互能力，使其成为数据科学、金融分析、物联网数据可视化的理想选择。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。