本文分享自華為雲社群《Bokeh圖形魔法：掌握繪圖基礎與高階技巧，定製炫目視覺化》，作者： 檸檬味擁抱。
Bokeh是一個用於建立互動式視覺化圖形的強大Python庫。它不僅易於使用，而且功能強大，適用於各種資料視覺化需求。本文將介紹Bokeh庫的繪圖視覺化基礎入門，重點說明常用的引數，並透過例項演示如何在實際專案中應用這些技術。
安裝Bokeh庫
首先，確保你已經安裝了Bokeh庫。如果沒有安裝，可以使用以下命令進行安裝：
pip install bokeh
Bokeh繪圖基礎
Bokeh支援多種圖形型別，包括散點圖、線圖、柱狀圖等。在繪製這些圖形時，我們需要關注一些重要的引數。
基礎圖形繪製
首先，我們來看一個簡單的例子，繪製一個散點圖：
from bokeh.plotting import figure, show from bokeh.io import output_notebook # 準備資料 x = [1, 2, 3, 4, 5] y = [6, 7, 2, 4, 5] # 建立繪圖物件 p = figure(title="簡單散點圖", x_axis_label='X軸', y_axis_label='Y軸') # 繪製散點圖 p.circle(x, y, size=10, color="navy", alpha=0.5) # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在上述程式碼中，我們使用figure函式建立了一個繪圖物件，並使用circle方法繪製了一個散點圖。size引數控制點的大小，color引數定義顏色，alpha引數設定透明度。
完善圖形
除了基本的繪圖，Bokeh還支援新增軸標籤、圖例等元素，使圖形更加完整。以下是一個例子：
# 新增軸標籤 p.xaxis.axis_label_standoff = 15 p.yaxis.axis_label_standoff = 15 # 新增圖例 p.legend.label_text_font_size = "12pt" p.legend.location = "top_left" # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
透過以上程式碼，我們在圖形上方新增了X軸和Y軸的標籤，並在左上角新增了圖例。
例項演示
讓我們透過一個實際案例，展示如何使用Bokeh進行更復雜的視覺化。
案例：股票走勢圖
import yfinance as yf # 獲取股票資料 stock_data = yf.download("AAPL", start="2023-01-01", end="2024-01-01") # 建立繪圖物件 p = figure(title="AAPL股票走勢", x_axis_label='日期', y_axis_label='股價（美元）', x_axis_type="datetime") # 繪製線圖 p.line(stock_data.index, stock_data['Close'], line_width=2, color="orange", legend_label="收盤價") # 新增圖例和軸標籤 p.legend.location = "top_left" p.xaxis.axis_label_standoff = 15 p.yaxis.axis_label_standoff = 15 # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在這個例子中，我們使用了yfinance庫獲取了蘋果公司（AAPL）股票在指定日期範圍內的資料，並使用Bokeh繪製了股票的收盤價走勢圖。
Bokeh庫高階功能探索
在瞭解了Bokeh的基礎繪圖技術後，我們將深入探討一些高階功能，使得你能夠更靈活、更創造性地進行資料視覺化。
1. 工具欄和互動性
Bokeh提供了豐富的工具欄，可以讓使用者與圖形進行互動。下面是一個包含工具欄的例子：
from bokeh.models import HoverTool # 建立繪圖物件 p = figure(title="互動式散點圖", x_axis_label='X軸', y_axis_label='Y軸', tools="pan,box_zoom,reset,save") # 新增懸停工具 hover = HoverTool(tooltips=[("數值", "@x, @y")]) p.add_tools(hover) # 繪製散點圖 p.circle(x, y, size=10, color="navy", alpha=0.5) # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在上述例子中，我們透過tools引數新增了平移、縮放、重置和儲存工具，並使用HoverTool新增了懸停提示。
2. 高階圖形元素
Bokeh支援繪製一些高階圖形元素，例如矩形、橢圓等。以下是一個繪製矩形和橢圓的例子：
# 建立繪圖物件 p = figure(title="矩形和橢圓示例", x_axis_label='X軸', y_axis_label='Y軸') # 繪製矩形 p.rect(x=[1, 2, 3], y=[4, 5, 6], width=0.2, height=0.2, color="green", alpha=0.7) # 繪製橢圓 p.ellipse(x=[4, 5, 6], y=[7, 8, 9], width=0.2, height=0.1, color="blue", alpha=0.7) # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
3. 資料連結和動態更新
Bokeh允許你動態地更新圖形，可以根據使用者的輸入或外部事件來實現。以下是一個簡單的例子，演示如何透過滑塊動態更新散點圖：
from bokeh.models import Slider from bokeh.layouts import column # 建立繪圖物件 p = figure(title="動態散點圖", x_axis_label='X軸', y_axis_label='Y軸') # 建立滑塊 slider = Slider(start=1, end=10, step=1, value=1, title="選擇散點大小") # 回撥函式，根據滑塊值更新散點大小 def update_size(attr, old, new): p.circle(x, y, size=new, color="navy", alpha=0.5) slider.on_change('value', update_size) # 將圖形和滑塊組合在一起 layout = column(p, slider) # 在Jupyter Notebook中顯示圖形 output_notebook() show(layout)
在這個例子中，滑塊的值變化時，透過回撥函式更新了散點的大小，實現了動態更新效果。，你可以建立出更具吸引力和實用性的視覺化圖形，更好地展示和解釋資料。繼續探索Bokeh的文件和示例，發揮其潛力，提升你的資料視覺化技能。
Bokeh庫與其他庫的整合
Bokeh可以與其他Python庫無縫整合，進一步擴充其功能。在本節中，我們將介紹Bokeh與Pandas、Matplotlib等庫的整合，以及如何在Web應用中使用Bokeh。
1. 與Pandas整合
Pandas是一個強大的資料分析庫，而Bokeh可以輕鬆地與Pandas進行整合，實現更便捷的資料視覺化。
import pandas as pd # 建立一個Pandas DataFrame data = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5]}) # 使用Bokeh繪製散點圖 p = figure(title="Pandas整合示例", x_axis_label='X軸', y_axis_label='Y軸') p.circle('x', 'y', size=10, color="navy", alpha=0.5, source=data) # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在這個例子中，我們建立了一個Pandas DataFrame，並使用Bokeh的circle函式繪製了散點圖，其中的資料直接來自於DataFrame。
2. 與Matplotlib整合
如果你已經熟悉Matplotlib，並且希望結合Bokeh的互動性和Matplotlib的繪圖功能，你可以使用bokeh.plotting的from_bokeh函式將Bokeh圖形轉換為Matplotlib圖形。
from bokeh.plotting import figure, show from bokeh.io import output_notebook from bokeh.plotting import from_bokeh # 建立Bokeh繪圖物件 p = figure(title="Bokeh與Matplotlib整合示例", x_axis_label='X軸', y_axis_label='Y軸') p.circle([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], size=10, color="navy", alpha=0.5) # 在Jupyter Notebook中顯示Bokeh圖形 output_notebook() show(p) # 轉換為Matplotlib圖形 mpl_fig = from_bokeh(p) # 在Matplotlib中顯示圖形 import matplotlib.pyplot as plt plt.show(mpl_fig)
這樣，你可以在使用Bokeh的同時，充分利用Matplotlib的豐富繪圖功能。
3. 在Web應用中使用Bokeh
Bokeh提供了bokeh.server模組，使得你能夠將Bokeh圖形嵌入到Web應用中。這樣，你可以建立互動式、動態的視覺化應用。
from bokeh.models import ColumnDataSource from bokeh.models.widgets import Slider from bokeh.layouts import column from bokeh.io import curdoc # 建立繪圖物件和資料來源 source = ColumnDataSource(data={'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5]}) p = figure(title="動態散點圖", x_axis_label='X軸', y_axis_label='Y軸') p.circle('x', 'y', size=10, color="navy", alpha=0.5, source=source) # 建立滑塊和回撥函式 slider = Slider(start=1, end=10, step=1, value=1, title="選擇散點大小") def update_size(attr, old, new): source.data = {'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5], 'size': [new]*5} slider.on_change('value', update_size) # 將圖形和滑塊組合在一起 layout = column(p, slider) # 將佈局新增到文件 curdoc().add_root(layout)
透過上述程式碼，你可以使用Bokeh建立一個互動式Web應用。執行此指令碼後，可以透過訪問http://localhost:5006/在本地檢視應用。
Bokeh庫的主題和樣式定製
Bokeh不僅提供了豐富的繪圖功能，還允許使用者根據需求自定義圖形的主題和樣式，以便更好地與專案風格或品牌一致。在本節中，我們將學習如何定製Bokeh圖形的主題和樣式。
1. 主題定製
Bokeh提供了一系列內建主題，使用者可以輕鬆切換以改變圖形的整體外觀。以下是一個主題定製的簡單例子：
from bokeh.themes import built_in_themes # 建立繪圖物件 p = figure(title="主題定製示例", x_axis_label='X軸', y_axis_label='Y軸') # 選擇主題 p.theme = built_in_themes['dark_minimal'] # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在這個例子中，我們選擇了內建主題'dark_minimal'，你可以根據實際需求選擇其他主題，如'light_minimal'、'caliber'等。
2. 樣式定製
Bokeh還允許使用者直接調整圖形的樣式，包括顏色、線型、字型等。以下是一個簡單的樣式定製例子：
# 建立繪圖物件 p = figure(title="樣式定製示例", x_axis_label='X軸', y_axis_label='Y軸') # 繪製線圖 p.line([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], line_width=2, line_color="green", line_dash="dashed") # 設定字型樣式 p.title.text_font = "times" p.title.text_font_style = "italic" # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在這個例子中，我們使用line_color引數設定線的顏色為綠色，使用line_dash引數設定線型為虛線，透過設定title.text_font和title.text_font_style調整標題的字型和樣式。
3. 自定義工具提示
Bokeh允許使用者自定義工具提示的內容和樣式，以更好地滿足專案需求。以下是一個自定義工具提示的例子：
from bokeh.models import HoverTool # 建立繪圖物件 p = figure(title="自定義工具提示示例", x_axis_label='X軸', y_axis_label='Y軸') # 繪製散點圖 scatter = p.circle([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], size=10, color="navy", alpha=0.5) # 自定義工具提示 hover = HoverTool(tooltips=[("數值", "@x, @y"), ("額外資訊", "自定義資訊")], renderers=[scatter]) p.add_tools(hover) # 在Jupyter Notebook中顯示圖形 output_notebook() show(p)
在這個例子中，我們透過HoverTool的tooltips引數定義了工具提示的內容，並透過renderers引數指定了應用工具提示的圖形元素。
總結
Bokeh庫是一個功能強大、靈活且易於使用的Python視覺化庫，適用於各種資料視覺化需求。本文從基礎入門開始，介紹了Bokeh的基本繪圖技術，包括散點圖、線圖、柱狀圖等，詳細說明了常用的引數和例項演示。隨後，我們深入探討了Bokeh的高階功能，包括工具欄、互動性、高階圖形元素和動態更新，使得讀者能夠更靈活地進行資料視覺化。
進一步地，我們探討了Bokeh庫與其他常用庫的整合，包括與Pandas、Matplotlib的結合，以及在Web應用中使用Bokeh的方法。這使得Bokeh不僅可以獨立使用，還可以與其他庫協同工作，充分發揮各個庫的優勢。
最後，我們瞭解了Bokeh庫的主題和樣式定製，學習瞭如何選擇內建主題、調整樣式和自定義工具提示，以便更好地滿足個性化的視覺化需求。Bokeh的主題和樣式定製功能為使用者提供了更多定製化的空間，使得視覺化圖形更符合專案的整體風格和品牌。
透過本文的內容，讀者可以建立起對Bokeh庫全面的認識，從基礎到高階，從整合到定製，為資料科學家和工程師提供了強大的工具，助力更好地理解、展示和傳達資料。繼續深入學習Bokeh的文件和示例，將有助於更加熟練地運用這一強大的視覺化工具。
點選關注，第一時間瞭解華為雲新鮮技術~