Bokeh簡介

Bokeh是一款互動式視覺化庫，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資料集提供優雅簡潔的高效能互動式圖表。

安裝

在python中有多種安裝Bokeh的方法，這裡建議最簡單的方法是使用Anaconda Python發行版，然後在命令列下輸入以下命令：

conda install bokeh

這裡會安裝Bokeh需要的所有依賴包，並且Anaconda可以最大限度地減少複雜的安裝任務。

如果你自信已經安裝好你要的依賴，例如numpy，那麼可以在命令列使用pip來安裝：

pip install bokeh

為什麼使用jupyter notebook作為繪圖環境

本文程式碼都是在notebook中執行的，並且圖表也直接展示在notebook中。
notebook是用於資料探索的常用工具，在資料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，這裡不細講具體函式方法，只通過一些案例來展示Bokeh的使用流程和視覺化介面。

將python列表中的資料繪製成線圖非常簡單，而且圖表是互動式的，能夠縮放、平移、儲存等其他功能。

圖表最終會儲存為html格式，並在瀏覽器中自動開啟，這可以通過output_file()函式實現。
如果你使用的是notebook環境，Bokeh可以在notebook中直接顯示互動式圖表，只要將output_file()

# 匯入相關庫
from bokeh.plotting import figure, output_notebook, show 
% matplotlib inline
# 準備資料
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]

# 在notbook中展示
output_notebook()

# 建立一個帶有標題和軸標籤的新圖表
p = figure(title="simple line example", x_axis_label='x', y_axis_label='y')

# 新增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)
 

上面的例子繪製了一個折線圖，簡單地展示了bokeh.plotting模組繪圖的流程。
一般來說，我們使用bokeh.plotting模組繪圖有以下幾個步驟：

• 準備資料
  例子中資料容器為列表，你也可以用numpy array、pandas series資料形式
• 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檔案，在瀏覽器中自動開啟。
• 呼叫figure()函式
  建立具有典型預設選項並易於自定義標題、工具和軸標籤的圖表
• 新增渲染器
  上面使用的是line()線圖函式，並且指定了資料來源、線條樣式、標籤等，你也可以使用其他的繪圖函式，如點圖、柱狀圖等
• 顯示或儲存圖表
  show()函式用來自動開啟生成的HTML檔案，save()函式用來儲存生成的html檔案

如果想在一張圖裡繪製多個數據表，則可以重複上面第4步。
你可以新增多個數據系列，自定義不同的展示風格：

from bokeh.plotting import figure, output_notebook, show

# 準備三個資料系列
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()

# 建立新表
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'
)

# 新增不同的圖表渲染
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，繪製圖表不光要知道資料點在x、y軸的位置，而且要賦予資料點顏色、大小等屬性，展示資料點的其它含義。

import numpy as np

from bokeh.plotting import figure, output_file, show

# 準備資料
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"

# 建立圖表，並新增圖示欄工具
p = figure(tools=TOOLS, x_range=(0, 100), y_range=(0, 100))

# 新增圓繪圖渲染函式，並且定義元素的顏色、樣式
p.circle(x, y, radius=radii, fill_color=colors, fill_alpha=0.6, line_color=None)

# 顯示圖表
show(p)

對於同一個資料，可能需要多種展示風格，比如說線、點、圓等，並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

# 準備資料
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()

# 建立子圖表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)

# 建立子圖表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)

# 建立子圖表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)

繪製股票價格走勢圖，這類是關於時間序列的圖表。

import numpy as np

from bokeh.plotting import figure, output_file, show
from bokeh.sampledata.stocks import AAPL

# 準備資料
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()

# 建立新圖表
p = figure(plot_width=800, plot_height=350, x_axis_type="datetime")

# 新增圖表渲染
p.circle(aapl_dates, aapl, size=4, color='darkgrey', alpha=0.2, legend='close')
p.line(aapl_dates, aapl_avg, color='navy', legend='avg')

# 設定圖表元素
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，讓大家瞭解到Bokeh的強大之處，去探索更多的用法