数据呈现丨装X利器来袭，Python可视化库Bokeh助你俘获小姐姐的心

什么是Bokeh 

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。

matplotlib和seaborn都是面向过程的，在数据分析过程中可以呈现；Bokeh是在最后的结果呈现，可做动图，可只打开一张表，也可以做仪表盘的排版，可做图表的联动。

matplotlib是基于numpy和pandas做图表可视化工具包，而seaborn又是基于matplotlib做的。

大展身手

本次运行环境为：

win10

jupyter notebook

python 3.7

bokeh 1.2.0

Bokeh 中绘图的一般步骤：

1、加载 bokeh 库，声明在 notebook 或 html 文件中显示或输出绘制的图表

2、绘制图表框架 figure()

3、在 figure 上绘制具体的图形，比如 circle，line，bar等

4、显示图片，show()

首先，加载bokeh库，以及准备基础数据：

from bokeh.plotting import figure, output_notebook, show
from bokeh.layouts import gridplot
import numpy as np

output_notebook()

np.random.seed(15)

x=np.random.randint(1,20,size=6)
y=np.random.randint(20,50,size=6)

print(x)
print(y)

左右滑动查看更多

circle, circle_cross, circle_x, cross

首先，我们来看看一组关于圆形及其相关的图形

p1 = figure(title='circle')
p1.circle(x,y,size=20, color='#0071c1')

p2 = figure(title='circle_cross')
p2.circle_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)

p3 = figure(title='circle_x')
p3.circle_x(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)

p4 = figure(title='cross')
p4.cross(x,y,size=20, color='#0071c1', line_width=2)

grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)

show(grid)

左右滑动查看更多

图示如下：

diamond, diamond_cross, asterisk, x

这是一组跟钻石还有星型符号相关的图形绘制，如下：

p1 = figure(title='diamond')
p1.diamond(x,y,size=20, color='#0071c1')

p2 = figure(title='diamond_cross')
p2.diamond_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)

p3 = figure(title='asterisk')
p3.asterisk(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)

p4 = figure(title='x')
p4.x(x,y,size=20, color='#0071c1', line_width=2)


grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

square, square_cross, square_x

这里，还有跟方块相关的一组图形

p1 = figure(title='square')
p1.square(x,y,size=20, color='#0071c1')

p2 = figure(title='square_cross')
p2.square_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)

p3 = figure(title='square_x')
p3.square_x(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)


grid=gridplot([p1,p2,p3],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

triangle, inverted_triangle

接下来，是三角形的绘制

p3 = figure(title='triangle')
p3.triangle(x,y,size=20, color='#0071c1', line_width=2)

p4 = figure(title='inverted_triangle')
p4.inverted_triangle(x,y,size=20, color='#0071c1', line_width=2)

grid=gridplot([p3,p4],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

annulus, ellipse, wedge, oval

annulus, 绘制圆环

wedge, 楔形图

ellipse, 绘制椭圆

oval，绘制椭圆

p1 = figure(title='annulus')
p1.annulus(x,y,color='#0071c1', inner_radius=0.8, outer_radius=1.2)

p2 = figure(title='wedge')
p2.wedge(x,y,color='#0071c1', radius=0.8, start_angle=0.5, end_angle=4.5, direction='anticlock')

p3 = figure(title='ellipse')
p3.ellipse(x,y,color='#0071c1', width=2, height=3.6, angle=30)

p4 = figure(title='oval')
p4.oval(x,y,color='#0071c1', width=2, height=3.6, angle=30)


grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

从上图来看，同样的数据源，ellipse 和 oval 绘制出来的椭圆形状，看起来是有些差异的。有兴趣的同学可以研究下其中的原因。

hbar, vbar

绘制柱状图，分为水平柱状图和垂直柱状图，这个也是平时我们用的比较多的类型之一。

p2 = figure(title='hbar')
p2.hbar(y=y, height=0.3, left=0, right=x, color='#0071c1')

p3 = figure(title='vbar')
p3.vbar(x=x, width=0.3, bottom=0, top=y, color='#0071c1')

grid=gridplot([p2,p3],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

line, multi_line

线状图或者称为折线图，单独只绘制线条时，可能视觉效果没有那么好看，有时候会配合圆形、方形等上面描述过的图形一起使用。

p1 = figure(title='line')
p1.line(x,y,color='#0071c1', line_width=2)
p1.circle(x,y,size=10,color='#0071c1',fill_color='white')

from bokeh.plotting import figure, output_file, show

p2 = figure(title='multi_line')
p2.multi_line(xs=[[1, 2, 3], [2, 3, 4]], ys=[[6, 7, 2], [4, 5, 7]],
             color=['red','green'])

grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

来看看关于 multi_line 的一个稍微复杂一些的例子，如下：

from bokeh.palettes import Spectral11
import pandas as pd

df = pd.DataFrame(data=np.random.rand(5,3), columns = ('a', 'b' ,'c'),
                  index = pd.DatetimeIndex(start='01-01-2018',periods=5, freq='d'))  

df

 左右滑动查看更多

numlines=len(df.columns)
mypalette=Spectral11[0:numlines]

p = figure(width=500, height=300, x_axis_type="datetime")
p.multi_line(xs=[df.index.values]*numlines,
                ys=[df[name].values for name in df],
                line_color=mypalette,
                line_width=2)
show(p)

 左右滑动查看更多

图示如下：

关于这个 multi_line， 总觉得在 bokeh 里过于复杂， 在 pandas 里绘制类似的图形，相对来说比较容易。

patch, patches

块状图

patch(x, y, **kwargs)

patches(xs, ys, **kwargs)

p1 = figure(title='patch')
p1.patch(x,y,color='#0071c1')


p2 = figure(title='patches')
p2.patches(xs=[[1, 2, 3, 4], [2, 3, 4]], ys=[[6, 7, 2, 3], [4, 5, 7]],
             color=['red','green'])
             
grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

quad, quadratic

quad(left, right, top, bottom, **kwargs)，四方的

quadratic(x0, y0, x1, y1, cx, cy, **kwargs)， 二次方程的

p1 = figure(title='quad')
p1.quad(left=[1,3,5],right=[2,4,7], top=[3,7,8], bottom=[2,3,4], color='#0071c1')


p2 = figure(title='quadratic')
p2.quadratic(x0=[1,3,5],x1=[2,4,7], y1=[3,7,8], y0=[2,3,4], cx=8 , cy=2, color='#0071c1')

grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

ray, rect, segment, step

ray(x, y, length, angle, **kwargs) ， 射线

rect(x, y, width, height, angle=0.0, dilate=False, **kwargs) ， 矩形

segment(x0, y0, x1, y1, **kwargs) ， 分段，段落

p1 = figure(title='ray', x_range=[1,3.6])
p1.ray(x=[1, 2, 3], y=[1, 2, 3], length=45, angle=20, color=["#0071c1", 'black', 'red'],
         line_width=[2,2,5])

p2 = figure(title='rect')
p2.rect(x=[1, 2, 3], y=[1, 8, 3], width=0.3, height=[5,10,20],angle=[0,10,0], color="#0071c1")

p3= figure(title='segment')
p3.segment(x0=[1,3,5],x1=[2,4,7], y1=[3,7,8], y0=[2,3,4], color='#0071c1', line_width=3)

p4 = figure(title='step')
p4.step(x, y, color="#0071c1",line_width=2)

grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)

show(grid)

 左右滑动查看更多

图示如下：

综合小结

这 29 类图形，是 bokeh 中比较基础的类型，学好这些可以为之后的进阶绘图打下扎实的基础。当然，还有一些图形没有提到，各位可以自行研究下。

bokeh的官方网址：

➭https://bokeh.pydata.org/en/latest/

不看广告看疗效，谁用谁知道

►往期推荐

回复【Python】👉简单有用易上手

回复【学术前沿】👉机器学习丨大数据

回复【数据资源】👉公开数据

回复【可视化】👉你心心念念的数据呈现

回复【老姚专栏】👉老姚趣谈值得一看

►一周热文

Python数据之道

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

作者：Lemonbit推荐：Python数据之道编辑：青酱

    欢迎扫描👇二维码添加关注