引言
最近，我一直在看美國德克薩斯州奧斯汀舉辦的scipy 2015會議上的一段視訊——“用blaze和bokeh建立python資料應用程式”，并且情不自禁地反複思考這兩個庫賦予世界各地使用python的資料科學家們的強大能力。在本文中，我将帶你體驗使用bokeh實作資料可視化的各種可能途徑，以及bokeh為什麼是每位資料科學家的必備“神器”。
什麼是bokeh?
bokeh是一個專門針對web浏覽器的呈現功能的互動式可視化python庫。這是bokeh與其它可視化庫最核心的差別。正如下圖所示，它說明了bokeh如何将資料展示到一個web浏覽器上的流程。
正如你所看到的，bokeh捆綁了多種語言（python, r, lua和julia）。這些捆綁的語言産生了一個json檔案，這個檔案作為bokehjs（一個javascript庫）的一個輸入，之後會将資料展示到現代web浏覽器上。
bokeh可以像d3.js那樣建立簡潔漂亮的互動式可視化效果，即使是非常大型的或是流資料集也可以進行高效互動。bokeh可以幫助所有人快速友善地建立互動式的圖表、控制台以及資料應用程式。
bokeh能為像我這樣的資料科學家提供什麼？
我起初是作為一名商業智能從業者（bi professional）開始我的資料科學之旅的，随後，又逐漸學習了預測模組化，資料科學和機器學習。我主要使用qlikview和tableau進行資料可視化，用sas和python來做預測分析和資料分析。我幾乎沒有用過javascript。
是以，對于我之前所有的資料産品或想法，我隻能要麼将其外包要麼通過網站線框圖向别人展示，這兩者都不适合建立快速原型。現在，有了bokeh，我就可以繼續使用python，并且快速建立這些原型。
bokeh的優勢：
bokeh允許你通過簡單的指令就可以快速建立複雜的統計圖，
bokeh提供到各種媒體，如html，notebook文檔和伺服器的輸出
·我們也可以将bokeh可視化嵌入flask和django程式
bokeh可以轉換寫在其它庫（如matplotlib, seaborn和ggplot）中的可視化
·bokeh能靈活地将互動式應用、布局和不同樣式選擇用于可視化
綜合bokeh的優點及其面臨的挑戰，bokeh是目前用于快速開發原型産品的理想工具。然而，如果你想在産品的環境下搞點新東西，d3.js可能仍然是你最好的選擇。
bokeh面臨的挑戰：
與任何即将到來的開源庫一樣，bokeh正在經曆不斷的變化和發展。是以，你今天寫的代碼可能将來并不能被完全再次使用。
與d3.js相比，bokeh的可視化選項相對較少。是以，短期内bokeh無法挑戰d3.js的霸主地位。
用bokeh實作可視化
bokeh提供了強大而靈活的功能，使其操作簡單并高度定制化。它為使用者提供了多個可視化界面，如下圖所示：
圖表（charts）：一個進階接口（high-level interface），用以簡單快速地建立複雜的統計圖表。
繪圖（plotting）：一個中級接口（intermediate-level interface），以建構各種視覺符号為核心。
子產品（models）：一個低級接口（low-level interface），為應用程式開發人員提供最大的靈活性。
本文中，我們僅涉及前兩個接口，圖表（charts）和繪圖（plotting）。
圖表
如上所述，它是一個進階接口，用于通過标準的可視化方式呈現資訊。這些方式包括箱形圖、柱狀圖、面積圖、熱圖、甜甜圈圖和許多其它圖形。你隻需輸入資料框（data frames）、numpy數組或字典就可以生成這些圖。
讓我們來看看建立一個圖表的通用方法：
1. 導入庫和函數/方法
2. 準備資料
3. 設定輸出模式（notebook文檔、web浏覽器或伺服器）
4. 建立圖表并選擇圖表的樣式（如果需要）
5. 可視化圖表
為了更好地了解這些步驟，讓我用下面的例子來示範一下：
圖表範例-1：使用bokeh建立一個柱狀圖并在web浏覽器上顯示
我們将遵循上述列出的步驟來建立一個圖表：
#導入庫函數 from bokeh.charts import bar, output_file, show #在電腦螢幕上使用 output_notebook來可視化資料 #準備資料 (模拟資料) data = {"y": [1, 2, 3, 4, 5]} #輸出到line.html output_file("lines.html", title="line plot example") #建立一個新的含有标題和軸标簽的視窗線上視窗 p = bar(data, title="line chart example", xlabel='x', ylabel='values', width=400, height=400) #顯示結果 show(p)
在上面的圖表中，你可以看到頂部的工具選項（縮放、調整大小、重置、旋轉縮放），這些工具可以幫助你與圖表進行互動。同時，你也可以看到多個圖表選項（圖例、x軸名标注、y軸名标注、坐标網格線、寬度、高度等）和各種圖表的範例。
圖表範例-2：在notebook文檔中，利用箱線圖比較iris資料集中的萼片長度（sepal length）和花瓣長度（petal length）的分布情況
要建立這個可視化圖表，我首先要使用sklearn庫導入iris資料集。然後，按照上述步驟在ipython notebook文檔中進行圖表可視化。
#iris 資料集 from sklearn.datasets import load_iris import pandas as pd iris = load_iris() df=pd.dataframe(iris.data) df.columns=['petal_width','petal_length','sepal_width','sepal_length'] from bokeh.charts import boxplot, output_notebook, show data=df[['petal_length','sepal_length']] #輸出到電腦螢幕上 output_notebook() p = boxplot(data, width=400, height=400) # 顯示結果
圖表範例-3：建立一個線圖到bokeh伺服器
在繪制可視化圖表到bokeh伺服器之前，你首先需要運作伺服器。
如果你使用的是conda包，你可以在任何目錄下使用運作指令“bokeh-server”。如果不是，“python ./bokeh-server”通常也可以。
在bokeh伺服器上進行可視化繪圖有多個優點：
圖表有更多的閱聽人
可對大資料集進行互動式可視化
可根據資料流自動更新圖表
建立控制台和應用程式
開始在bokeh伺服器上繪圖之前，我先運作了“bokeh-server”指令對其進行初始化，然後再運作用于可視化的相關指令。
from bokeh.plotting import figure, output_server, show
output_server("line")
p = figure(plot_width=400, plot_height=400)
# 添加線渲染
p.line([5, 2, 3, 4, 5], [5, 7, 2, 4, 5], line_width=2)
繪圖
plotting是一個中級接口，是以建構視覺符号為核心的接口。在這裡，你可以綜合各種視覺元素（點、圓、線、更新檔和許多其它元素）和工具（懸停、縮放、儲存、重置和其它工具）來建立可視化。
使用bokeh的plotting接口建立的圖表自帶一組預設的工具和視覺效果。繪圖可按照以下步驟進行：
1.導入庫、方法或函數
2.選擇輸出方式（notebook文檔、web浏覽器、伺服器）
3.激活圖（類似matplotlib）
4.執行後續的繪圖操作，這将影響已經生成的圖形。
5.圖表可視化
為了更好地了解這些步驟，讓我舉例示範：
繪圖範例-1：在notebook文檔中建立二維散點圖（正方形标記）
from bokeh.plotting import figure, output_notebook, show # 輸出到電腦螢幕上 #添加一個矩形框，标有大小、顔色、alpha值 p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy")
同樣，你可以建立各種其它類型的圖：如線、角和圓弧、橢圓、圖像、更新檔以及許多其它的圖。
繪圖範例-2：将兩種視覺元素合并在一張圖中
p.line([1, 2, 3, 4, 5], [1, 2, 2, 4, 5], line_width=2) #added a line plot to existing figure
繪圖範例-3：為上圖添加一個懸停工具和坐标軸标簽
from bokeh.models import hovertool, boxselecttool #for enabling tools #添加懸停工具 tools = [boxselecttool(), hovertool()] p = figure(plot_width=400, plot_height=400, tools=tools) p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy", alpha=0.5) #顯示軸标簽 p.xaxis.axis_label = "x-axis" p.yaxis.axis_label = "y-axis"
繪圖範例-4：使用緯度和經度資料來繪制印度地圖
注：我已經有一個csv格式的印度邊界的緯度和經度的多邊形資料。我将使用該資料來繪圖。
在這裡，我們将使用更新檔繪圖，讓我們看看下面的指令：
from bokeh.plotting import figure, show, output_notebook #導入經緯度坐标 india=pd.read_csv('e:/india.csv') del india['id'] india.index=['in0','in1','in2','in3','in4','in5'] #如果資料框中的坐标是字元類型轉換字元值為浮點值 for j in range(0,len(india)): a = india['lats'][j] india['lats'][j] = [float(i) for i in a[1:len(a)-1].split(",")] a = india['lons'][j] india['lons'][j] = [float(i) for i in a[1:len(a)-1].split(",")] # 建立畫闆 p = figure(plot_height=400, plot_width=400, toolbar_location="right",x_axis_type=none, y_axis_type=none) p.patches(xs=india['lons'], ys=india['lats'], fill_color="white",line_color="black", line_width=0.5) #可視化圖示
結語
在本文中，我們讨論了用bokeh建立可視化以及如何将可視化結果呈現在notebook文檔、html文檔以及bokeh伺服器上。我們還談到了如何使用繪圖接口建立個性化的可視化圖表，通過該功能，你可以将多種視覺元素結合到一起來展示資料資訊。
原文釋出時間為：2016-03-24
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号