So verwenden Sie Bokeh zum Erstellen interaktiver Datenvisualisierungsanwendungen

So verwenden Sie Bokeh zum Erstellen interaktiver Datenvisualisierungsanwendungen

Einführung:
Im heutigen Big-Data-Zeitalter ist Datenvisualisierung sehr wichtig. Mithilfe der Visualisierungstechnologie können wir Daten in Form von Grafiken anzeigen, um die Eigenschaften und Trends der Daten besser zu verstehen. Bokeh ist eine leistungsstarke Python-Bibliothek, die umfangreiche Tools und Funktionen zum Erstellen interaktiver Datenvisualisierungsanwendungen bietet. In diesem Artikel wird erläutert, wie Sie mit Bokeh interaktive Datenvisualisierungsanwendungen erstellen, zusammen mit Codebeispielen.

1. Bokeh installieren
Zuerst müssen wir die Bokeh-Bibliothek installieren. Öffnen Sie das Befehlszeilenfenster und geben Sie den folgenden Befehl ein:

pip install bokeh

2. Grundkonzepte
Bevor wir beginnen, müssen wir einige Grundkonzepte verstehen. Bokeh bietet zwei Grundformen von Schnittstellen: Low-Level- und High-Level-Schnittstellen. Low-Level-Schnittstellen sind die Grundbausteine ​​der Bokeh-Bibliothek, mit denen Benutzer benutzerdefinierte Visualisierungskomponenten erstellen können, während High-Level-Schnittstellen allgemeine Visualisierungen bequemer und schneller erstellen. In diesem Artikel wird hauptsächlich die High-Level-Schnittstelle vorgestellt.

Bokeh basiert auf Plotobjekten, bei denen es sich um Diagramme, Symbole, Tabellen oder komplexere Kombinationen handeln kann. Wir können diese Zeichenobjekte über die High-Level-Schnittstelle von Bokeh erstellen und ändern. Um diese Objekte anzuzeigen, benötigen wir einen Ausgabemodus. Es stehen mehrere Optionen zur Auswahl, darunter die Anzeige im Browser, das Speichern in einer Datei oder die Generierung eines statischen Bildes.

3. Schnellstart
Lassen Sie uns nun eine einfache interaktive Datenvisualisierungsanwendung implementieren. Wir nehmen den Iris-Datensatz als Beispiel, visualisieren ihn als Streudiagramm und implementieren einige interaktive Funktionen.

Zuerst müssen wir die erforderlichen Bibliotheken und Module importieren:

import pandas as pd
from bokeh.plotting import figure, show
from bokeh.io import output_notebook, output_file
from bokeh.models import ColumnDataSource, CategoricalColorMapper, HoverTool

Dann laden wir den Iris-Datensatz und erstellen ein Bokeh-Plot-Objekt:

# 加载鸢尾花数据集
iris = pd.read_csv('iris.csv')

# 创建绘图对象
plot = figure(title='鸢尾花数据集', 
              x_axis_label='花瓣长度', y_axis_label='花瓣宽度',
              plot_width=600, plot_height=400)

Als nächstes zeichnen wir die Daten im Datensatz als Streupunkte auf. Plot und verwenden Farben zur Darstellung von Blumentypen:

# 创建颜色映射器
color_mapper = CategoricalColorMapper(factors=['setosa', 'versicolor', 'virginica'], 
                                      palette=['red', 'green', 'blue'])

# 添加散点图
plot.circle(x='petal_length', y='petal_width', 
            color={'field': 'species', 'transform': color_mapper},
            size=10, alpha=0.5, source=ColumnDataSource(iris))

Mit dem obigen Code zeichnen wir ein Streudiagramm, bei dem die x-Achse die Blütenblattlänge und die y-Achse die Blütenblattbreite darstellt, und verwenden Farben zur Darstellung von Blumentypen.

Als nächstes fügen wir einige interaktive Funktionen hinzu, wie zum Beispiel die Anzeige von Daten beim Mouseover:

# 添加悬停工具
hover = HoverTool(tooltips=[('花的种类', '@species'),
                            ('花瓣长度', '@petal_length'),
                            ('花瓣宽度', '@petal_width')])
plot.add_tools(hover)

Wenn Sie mit dem obigen Code mit der Maus über den Streupunkt fahren, werden Informationen über den Blütentyp, die Blütenblattlänge und die Blütenblattbreite angezeigt .

Schließlich wählen wir den spezifischen Ausgabemodus aus und zeigen das Plotobjekt an:

# 在浏览器中显示
output_notebook()

# 显示绘图对象
show(plot)

Durch die oben genannten Schritte haben wir erfolgreich eine einfache interaktive Datenvisualisierungsanwendung implementiert, bei der jeder Datenpunkt angezeigt werden kann, indem man mit der Maus über die Details der Streupunkte fährt .

Fazit:
Bokeh ist eine sehr leistungsstarke Python-Bibliothek, die uns beim Erstellen interaktiver Datenvisualisierungsanwendungen helfen kann. In diesem Artikel werden die grundlegenden Schritte zum Erstellen interaktiver Datenvisualisierungsanwendungen mithilfe der High-Level-Schnittstelle von Bokeh kurz vorgestellt und Codebeispiele angehängt. Ich hoffe, dass die Leser durch die Einleitung dieses Artikels die grundlegende Verwendung von Bokeh verstehen und es in der Praxis flexibel nutzen können, um fortgeschrittenere und komplexere Datenvisualisierungsanwendungen zu erstellen.

Das obige ist der detaillierte Inhalt vonSo verwenden Sie Bokeh zum Erstellen interaktiver Datenvisualisierungsanwendungen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!