一、使用 Bokeh 绘图
Bokeh 是 Python 的交互式可视图库，用于 生成在浏览器里显示的大规模数据集高性能可视图。
Bokeh 的中间层通用 bokeh.plotting 界面主要为两个组件：数据与图示符。
使用 bokeh.plotting 界面绘图的基本步骤为：
1. 准备数据。
Python列表、Numpy数组、Pandas数据框或其它序列值
2. 准备数据创建图形。
3. 为数据添加渲染器，自定义可视化图。
4. 指定生成的输出类型。
5. 显示视图或保存结果。
>>> from bokeh.plotting import figure >>> from bokeh.io import output_file, show >>> x = [1, 2, 3, 4, 5] >>> y = [6, 7, 2, 4, 5] >>> p = figure(title="simple line example", x_axis_label='x', y_axis_label='y') >>> p.line(x, y, legend="Temp.", line_width=2) >>> output_file("lines.html") >>> show(p)
二、数据
通常，Bokeh 在后台把数据转换为列数据源，不过也可 手动转换：
>>> import numpy as np >>> import pandas as pd # 首先需要导入必要的库（NumPy和Pandas） >>> df = pd.DataFrame(np.array([[33.9,4,65, 'US'],[32.4,4,66, 'Asia'],[21.4,4,109, 'Europe']]), columns=['mpg','cyl', 'hp', 'origin'],index=['Toyota', 'Fiat', 'Volvo'])
>>> from bokeh.models import ColumnDataSource # 然后创建一个包含数据的数据框（DataFrame） >>> cds_df = ColumnDataSource(df) # 通过将数据框传递给ColumnDataSource函数，将数据框转换为列数据源对象
上述我们使用NumPy和Pandas创建了一个包含汽车相关数据的数据框。然后，通过将数据框传递给ColumnDataSource函数，将数据框转换为列数据源对象cds_df。现在，可以使用该列数据源对象来创建Bokeh可视化图形，并 将其与其他Bokeh组件（如图表、图形等）一起使用。
三、绘图
先使用Bokeh创建三个图形对象。
>>> from bokeh.plotting import figure >>> p1 = figure(plot_width=300,tools='pan,box_zoom') >>> p2 = figure(plot_width=300, plot_height=300, x_range=(0, 8), y_range=(0, 8)) >>> p3 = figure()
通过这些图形对象，我们就可以 使用Bokeh的其他函数和方法添加数据、图表类型等内容，并进行数据可视化。
四、渲染器与自定义可视化
4.1 图示符
4.1.1 散点标记
使用Bokeh向图形对象 添加散点图和方形图：
>>> p1.circle(np.array([1,2,3]), np.array([3,2,1]), fill_color='white') >>> p2.square(np.array([1.5,3.5,5.5]), [1,4,3],
4.1.2 线型图示符
使用Bokeh向图形对象 添加线段图：
>>> p1.line([1,2,3,4], [3,4,5,6], line_width=2) # 使用p1.line()函数将一条直线段添加到图形中。这里传入的参数为x坐标和y坐标的数组：[1,2,3,4]和[3,4,5,6] # 通过设置line_width=2，将线段的宽度设置为2个像素 >>> p2.multi_line(pd.DataFrame([[1,2,3],[5,6,7]]),pd.DataFrame([[3,4,5],[3,2,1]]),color="blue") # 使用p2.multi_line()函数将多条线段组成的线段图添加到图形中。这里传入的参数为两个DataFrame对象：第一个DataFrame对象包含x坐标的数据，第二个DataFrame对象包含y坐标的数据 # x坐标的DataFrame为pd.DataFrame([[1,2,3],[5,6,7]])，y坐标的DataFrame为pd.DataFrame([[3,4,5],[3,2,1]])。通过设置color="blue"，将线段的颜色设置为蓝色
4.2 自定义图示符
4.2.1 图示符选择与反选
使用Bokeh创建一个图形对象，并向图形中添加一个散点图。
>>> p = figure(tools='box_select') >>> p.circle('mpg', 'cyl', source=cds_df, selection_color='red', nonselection_alpha=0.1)
以上我们创建一个拥有框选工具的图形对象，并向图形中添加一个散点图。散点图的x坐标为mpg，y坐标为cyl。散点图的数据源为名为cds_df的ColumnDataSource对象。所选散点的颜色为红色，未选中散点的透明度为0.1。
4.2.2 绘图区内部
使用 Bokeh 向图形对象添加一个悬停工具。
>>> from bokeh.models import HoverTool # 首先，从 bokeh.models 模块导入 HoverTool 类 >>> hover = HoverTool(tooltips=None, mode='vline') # 使用 HoverTool() 函数创建一个悬停工具对象，并将其赋值给变量 hover # 通过设置 tooltips=None 将工具提示设置为空，即不显示任何工具提示信息。通过设置 mode='vline' 将悬停模式设置为垂直线模式 >>>> p3.add_tools(hover) # 使用 add_tools() 方法将悬停工具添加到图形对象 p3 中
通过执行上述代码，我们将创建一个悬停工具对象，并将其添加到图形对象 p3 中。悬停工具将以垂直线模式显示，并且不显示任何工具提示信息。
4.2.3 色彩表
>>> from bokeh.models import CategoricalColorMapper >>> color_mapper = CategoricalColorMapper(factors=['US', 'Asia', 'Europe'],palette=['blue', 'red', 'green']) >>> p3.circle('mpg', 'cyl', source=cds_df,color=dict(field='origin', transform=color_mapper),legend='Origin')
通过执行上述代码，将 创建一个散点图，并使用 CategoricalColorMapper 将不同类别的数据点映射为不同的颜色。颜色映射会根据 ‘origin’ 字段的值进行映射，并使用图例显示各个类别。
4.3 图例位置
4.3.1 绘图区内部
>>> p.legend.location = 'bottom_left'
4.3.2 绘图区外部
>>> from bokeh.models import Legend >>> r1 = p2.asterisk(np.array([1,2,3]), np.array([3,2,1]) >>> r2 = p2.line([1,2,3,4], [3,4,5,6]) >>> legend = Legend(items=[("One" ,[p1, r1]),("Two",[r2])], location=(0, -30)) >>> p.add_layout(legend, 'right')
4.4 图例方向
>>> p.legend.orientation = "horizontal" >>> p.legend.orientation = "vertical"
4.5 图例背景与边框
>>> p.legend.border_line_color = "navy" >>> p.legend.background_fill_color = "white"
4.6 行列布局
4.6.1 行
>>> from bokeh.layouts import row >>> layout = row(p1,p2,p3)
4.6.2 列
>>> from bokeh.layouts import columns >>> layout = column(p1,p2,p3)
4.6.3 行列嵌套
>>>layout = row(column(p1,p2), p3)
4.7 栅格布局
>>> from bokeh.layouts import gridplot >>> row1 = [p1,p2] >>> row2 = [p3] >>> layout = gridplot([[p1,p2],[p3]])
4.8 标签布局
>>> from bokeh.models.widgets import Panel, Tabs >>> tab1 = Panel(child=p1, title="tab1") >>> tab2 = Panel(child=p2, title="tab2") >>> layout = Tabs(tabs=[tab1, tab2])
4.9 链接图
4.9.1 链接坐标轴
>>> p2.x_range = p1.x_range >>> p2.y_range = p1.y_range
4.9.2 链接刷
>>> p4 = figure(plot_width = 100, tools='box_select,lasso_select') >>> p4.circle('mpg', 'cyl', source=cds_df) >>> p5 = figure(plot_width = 200, tools='box_select,lasso_select') >>> p5.circle('mpg', 'hp', source=cds_df) >>> layout = row(p4,p5)
五、输出与导出
5.1 Notebook
使用 Bokeh 在Jupyter Notebook中进行输出。
>>> from bokeh.io import output_notebook, show # 从 bokeh.io 模块导入 output_notebook 和 show 函数 >>> output_notebook() # 用 output_notebook() 函数将 Bokeh 的输出设置为在 Jupyter Notebook 中显示。这样可以确保图形将直接嵌入到笔记本中，并且可以在笔记本中进行交互和查看
Bokeh 图形将在 Jupyter Notebook 中以嵌入的方式进行显示，并且可以在笔记本中进行交互和查看。
5.2 HTML
5.2.1 脱机HTML
使用 Bokeh 的 file_html 函数将图形转换为 HTML 文件。
>>> from bokeh.embed import file_html >>> from bokeh.resources import CDN >>> html = file_html(p, CDN, "my_plot")
通过执行上述代码，p 图形对象将被转换为一个包含 HTML 代码的字符串。这个 HTML 代码可以保存到一个文件中，或者集成到网页中，以显示和交互 Bokeh 图形。
>>> from bokeh.io import output_file, show >>> output_file('my_bar_chart.html', mode='cdn')
5.2.2 组件
使用 Bokeh 的 components 函数将图形转换为 JavaScript 脚本和 HTML 分隔。
>>> from bokeh.embed import components >>> script, div = components(p)
5.3 PNG
使用 Bokeh 的 export_png 函数将图形保存为 PNG 格式的图片文件。
>>> from bokeh.io import export_png >>> export_png(p, filename="plot.png")
图形对象 p 将保存为一个名为 “plot.png” 的 PNG 图片文件。该文件将被保存在当前工作目录或指定的路径中，可以通过指定不同的文件名和路径来更改保存的位置和名称。
5.4 SVG
使用 Bokeh 的 export_svgs 函数将图形保存为 SVG 格式的矢量图文件。
>>> from bokeh.io import export_svgs >>> p.output_backend = "svg" >>> export_svgs(p, filename="plot.svg")
图形对象 p 将保存为一个名为 “plot.svg” 的 SVG 格式的矢量图文件。该文件将被保存在当前工作目录或指定的路径中，可以通过指定不同的文件名和路径来更改保存的位置和名称。如果图形非常复杂，可能会生成多个 SVG 文件。
六、显示或保存图形
可以使用 Bokeh 的 show 函数 和 save 函数 来 显示和保存图形对象 p1 和 layout。
>>> show(p1) >>> show(layout) >>> save(p1) >>> save(layout)
