引言
最近，我一直在看美国德克萨斯州奥斯汀举办的scipy 2015会议上的一段视频——“用blaze和bokeh创建python数据应用程序”，并且情不自禁地反复思考这两个库赋予世界各地使用python的数据科学家们的强大能力。在本文中，我将带你体验使用bokeh实现数据可视化的各种可能途径，以及bokeh为什么是每位数据科学家的必备“神器”。
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。正如下图所示，它说明了bokeh如何将数据展示到一个web浏览器上的流程。
正如你所看到的，bokeh捆绑了多种语言（python, r, lua和julia）。这些捆绑的语言产生了一个json文件，这个文件作为bokehjs（一个javascript库）的一个输入，之后会将数据展示到现代web浏览器上。
bokeh可以像d3.js那样创建简洁漂亮的交互式可视化效果，即使是非常大型的或是流数据集也可以进行高效互动。bokeh可以帮助所有人快速方便地创建互动式的图表、控制面板以及数据应用程序。
bokeh能为像我这样的数据科学家提供什么？
我起初是作为一名商业智能从业者（bi professional）开始我的数据科学之旅的，随后，又逐渐学习了预测建模，数据科学和机器学习。我主要使用qlikview和tableau进行数据可视化，用sas和python来做预测分析和数据分析。我几乎没有用过javascript。
因此，对于我之前所有的数据产品或想法，我只能要么将其外包要么通过网站线框图向别人展示，这两者都不适合创建快速原型。现在，有了bokeh，我就可以继续使用python，并且快速创建这些原型。
bokeh的优势：
bokeh允许你通过简单的指令就可以快速创建复杂的统计图，
bokeh提供到各种媒体，如html，notebook文档和服务器的输出
·我们也可以将bokeh可视化嵌入flask和django程序
bokeh可以转换写在其它库（如matplotlib, seaborn和ggplot）中的可视化
·bokeh能灵活地将交互式应用、布局和不同样式选择用于可视化
综合bokeh的优点及其面临的挑战，bokeh是当前用于快速开发原型产品的理想工具。然而，如果你想在产品的环境下搞点新东西，d3.js可能仍然是你最好的选择。
bokeh面临的挑战：
与任何即将到来的开源库一样，bokeh正在经历不断的变化和发展。所以，你今天写的代码可能将来并不能被完全再次使用。
与d3.js相比，bokeh的可视化选项相对较少。因此，短期内bokeh无法挑战d3.js的霸主地位。
用bokeh实现可视化
bokeh提供了强大而灵活的功能，使其操作简单并高度定制化。它为用户提供了多个可视化界面，如下图所示：
图表（charts）：一个高级接口（high-level interface），用以简单快速地建立复杂的统计图表。
绘图（plotting）：一个中级接口（intermediate-level interface），以构建各种视觉符号为核心。
模块（models）：一个低级接口（low-level interface），为应用程序开发人员提供最大的灵活性。
本文中，我们仅涉及前两个接口，图表（charts）和绘图（plotting）。
图表
如上所述，它是一个高级接口，用于通过标准的可视化方式呈现信息。这些方式包括箱形图、柱状图、面积图、热图、甜甜圈图和许多其它图形。你只需输入数据框（data frames）、numpy数组或字典就可以生成这些图。
让我们来看看创建一个图表的通用方法：
1. 导入库和函数/方法
2. 准备数据
3. 设置输出模式（notebook文档、web浏览器或服务器）
4. 创建图表并选择图表的样式（如果需要）
5. 可视化图表
为了更好地理解这些步骤，让我用下面的例子来演示一下：
图表范例-1：使用bokeh创建一个柱状图并在web浏览器上显示
我们将遵循上述列出的步骤来创建一个图表：
#导入库函数 from bokeh.charts import bar, output_file, show #在电脑屏幕上使用 output_notebook来可视化数据 #准备数据 (模拟数据) data = {"y": [1, 2, 3, 4, 5]} #输出到line.html output_file("lines.html", title="line plot example") #创建一个新的含有标题和轴标签的窗口在线窗口 p = bar(data, title="line chart example", xlabel='x', ylabel='values', width=400, height=400) #显示结果 show(p)
在上面的图表中，你可以看到顶部的工具选项（缩放、调整大小、重置、旋转缩放），这些工具可以帮助你与图表进行互动。同时，你也可以看到多个图表选项（图例、x轴名标注、y轴名标注、坐标网格线、宽度、高度等）和各种图表的范例。
图表范例-2：在notebook文档中，利用箱线图比较iris数据集中的萼片长度（sepal length）和花瓣长度（petal length）的分布情况
要创建这个可视化图表，我首先要使用sklearn库导入iris数据集。然后，按照上述步骤在ipython notebook文档中进行图表可视化。
#iris 数据集 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']] #输出到电脑屏幕上 output_notebook() p = boxplot(data, width=400, height=400) # 显示结果
图表范例-3：创建一个线图到bokeh服务器
在绘制可视化图表到bokeh服务器之前，你首先需要运行服务器。
如果你使用的是conda包，你可以在任何目录下使用运行命令“bokeh-server”。如果不是，“python ./bokeh-server”通常也可以。
在bokeh服务器上进行可视化绘图有多个优点：
图表有更多的受众
可对大数据集进行交互式可视化
可根据数据流自动更新图表
创建控制面板和应用程序
开始在bokeh服务器上绘图之前，我先运行了“bokeh-server”指令对其进行初始化，然后再运行用于可视化的相关指令。
from bokeh.plotting import figure, output_server, show
output_server("line")
p = figure(plot_width=400, plot_height=400)
# 添加线渲染
p.line([5, 2, 3, 4, 5], [5, 7, 2, 4, 5], line_width=2)
绘图
plotting是一个中级接口，是以构建视觉符号为核心的接口。在这里，你可以综合各种视觉元素（点、圆、线、补丁和许多其它元素）和工具（悬停、缩放、保存、重置和其它工具）来创建可视化。
使用bokeh的plotting接口创建的图表自带一组默认的工具和视觉效果。绘图可按照以下步骤进行：
1.导入库、方法或函数
2.选择输出方式（notebook文档、web浏览器、服务器）
3.激活图（类似matplotlib）
4.执行后续的绘图操作，这将影响已经生成的图形。
5.图表可视化
为了更好地理解这些步骤，让我举例演示：
绘图范例-1：在notebook文档中创建二维散点图（正方形标记）
from bokeh.plotting import figure, output_notebook, show # 输出到电脑屏幕上 #添加一个矩形框，标有大小、颜色、alpha值 p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy")
同样，你可以创建各种其它类型的图：如线、角和圆弧、椭圆、图像、补丁以及许多其它的图。
绘图范例-2：将两种视觉元素合并在一张图中
p.line([1, 2, 3, 4, 5], [1, 2, 2, 4, 5], line_width=2) #added a line plot to existing figure
绘图范例-3：为上图添加一个悬停工具和坐标轴标签
from bokeh.models import hovertool, boxselecttool #for enabling tools #添加悬停工具 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) #显示轴标签 p.xaxis.axis_label = "x-axis" p.yaxis.axis_label = "y-axis"
绘图范例-4：使用纬度和经度数据来绘制印度地图
注：我已经有一个csv格式的印度边界的纬度和经度的多边形数据。我将使用该数据来绘图。
在这里，我们将使用补丁绘图，让我们看看下面的命令：
from bokeh.plotting import figure, show, output_notebook #导入经纬度坐标 india=pd.read_csv('e:/india.csv') del india['id'] india.index=['in0','in1','in2','in3','in4','in5'] #如果数据框中的坐标是字符类型转换字符值为浮点值 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(",")] # 创建画板 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) #可视化图标
结语
在本文中，我们讨论了用bokeh创建可视化以及如何将可视化结果呈现在notebook文档、html文档以及bokeh服务器上。我们还谈到了如何使用绘图接口创建个性化的可视化图表，通过该功能，你可以将多种视觉元素结合到一起来展示数据信息。
原文发布时间为：2016-03-24
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“bigdatadigest”微信公众号