Python交互式可视化：利用Plotly和Bokeh构建动态、可交互的图表。 - 智猿学院-前后端，数据库，人工智能，云计算等领域前沿技术讲座

Python交互式可视化：利用Plotly和Bokeh构建动态、可交互的图表

大家好，今天我们来探讨Python中两个强大的交互式可视化库：Plotly和Bokeh。在数据分析和科学研究中，静态图表已经远远不能满足我们的需求。我们需要能够动态探索数据，进行交互式分析，从而更深入地理解数据背后的规律。Plotly和Bokeh正是为满足这些需求而生的。

一、交互式可视化的必要性

在深入了解这两个库之前，我们首先需要明确交互式可视化的重要性。传统的静态图表，例如使用Matplotlib生成的图像，虽然能够清晰地展示数据，但它们缺乏互动性。用户只能被动地查看已经呈现好的信息，无法自由地探索数据的不同方面。

交互式可视化则允许用户：

缩放和平移： 仔细观察图表的特定区域。
悬停提示： 查看数据点的详细信息。
过滤数据： 动态地选择要显示的数据子集。
联动： 将多个图表连接起来，实现数据同步联动。
钻取： 从概要视图深入到更详细的视图。

这些功能使得数据分析过程更加高效和直观，能够帮助我们发现隐藏在数据中的模式和趋势。

二、Plotly：功能全面、易于上手

Plotly是一个功能非常全面的交互式可视化库。它支持多种图表类型，包括散点图、折线图、柱状图、饼图、地图、三维图等等。Plotly的API设计简洁易懂，即使是初学者也能快速上手。

2.1 Plotly Express：高层接口

Plotly Express是Plotly的高层接口，它使用简洁的语法就可以创建复杂的图表。

import plotly.express as px

# 加载数据集
df = px.data.iris()

# 创建散点图
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")

# 显示图表
fig.show()

这段代码使用Plotly Express创建了一个散点图，展示了鸢尾花数据集中的花萼宽度和花萼长度之间的关系，并用颜色区分了不同的鸢尾花种类。fig.show() 函数会在浏览器中打开一个交互式图表，你可以自由地缩放、平移和悬停查看数据点。

2.2 Plotly Graph Objects：底层控制

如果你需要更精细地控制图表的各个方面，可以使用Plotly Graph Objects。

import plotly.graph_objects as go

# 创建散点图数据
trace = go.Scatter(
    x=[1, 2, 3, 4, 5],
    y=[2, 4, 1, 3, 5],
    mode='markers',
    marker=dict(
        size=[40, 60, 80, 100, 120],  # 设置点的大小
        color=[0, 1, 2, 3, 4]       # 设置点的颜色
    )
)

# 创建布局
layout = go.Layout(
    title='Scatter Plot Example',
    xaxis=dict(title='X Axis'),
    yaxis=dict(title='Y Axis')
)

# 创建图表
fig = go.Figure(data=[trace], layout=layout)

# 显示图表
fig.show()

这段代码使用Plotly Graph Objects创建了一个散点图，并自定义了点的大小和颜色。go.Layout 对象用于设置图表的标题和坐标轴标签。

2.3 常用图表类型

Plotly支持多种图表类型，以下是一些常用的图表类型及其代码示例：

折线图：

import plotly.express as px
df = px.data.stocks()
fig = px.line(df, x='date', y="GOOG", title='Time Series with Range Slider')
fig.update_xaxes(rangeslider_visible=True)
fig.show()

柱状图：

import plotly.express as px
df = px.data.gapminder().query("country=='Canada'")
fig = px.bar(df, x='year', y='pop',
             hover_data=['lifeExp', 'gdpPercap'], color='lifeExp',
             labels={'pop':'population of Canada','lifeExp':'life expectancy (years)'})
fig.show()

饼图：

import plotly.express as px
df = px.data.gapminder().query("year == 2007").query("continent == 'Europe'")
df.loc[df['pop'] < 2.e6, 'country'] = 'Other countries' # Represent only large countries
fig = px.pie(df, values='pop', names='country', title='Population of European continent')
fig.show()

箱线图：

import plotly.express as px
df = px.data.tips()
fig = px.box(df, x="day", y="total_bill", color="smoker")
fig.show()

2.4 交互功能

Plotly提供了丰富的交互功能，例如悬停提示、缩放和平移、图例交互等等。你还可以自定义交互行为，例如添加按钮来过滤数据。

import plotly.express as px

df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")

fig.update_layout(
    updatemenus=[
        dict(
            type="buttons",
            direction="down",
            buttons=list([
                dict(
                    args=["type", "scatter"],
                    label="Scatter Plot",
                    method="restyle"
                ),
                dict(
                    args=["type", "bar"],
                    label="Bar Chart",
                    method="restyle"
                )
            ]),
        )
    ]
)

fig.show()

这段代码添加了一个下拉菜单，允许用户在散点图和柱状图之间切换。fig.update_layout 函数用于修改图表的布局，updatemenus 属性用于添加交互控件。

三、Bokeh：专注于Web交互

Bokeh是一个专注于Web交互的可视化库。它能够生成现代Web浏览器可以原生支持的HTML和JavaScript代码，因此非常适合用于创建交互式仪表盘和Web应用。

3.1 基本概念

在使用Bokeh之前，我们需要了解几个基本概念：

Data Sources： 数据源，用于存储要绘制的数据。常用的数据源包括ColumnDataSource和GeoJSONDataSource。
Glyphs： 图形元素，例如圆形、矩形、线条等等。每个Glyph都与一个Data Source相关联。
Plots： 图表，用于将Glyphs和Data Sources组合在一起。
Widgets： 交互控件，例如滑块、按钮、下拉菜单等等。
Layouts： 布局，用于将多个图表和控件排列在一起。

3.2 创建简单的图表

以下是一个使用Bokeh创建简单散点图的示例：

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource

# 创建数据源
source = ColumnDataSource(data=dict(
    x=[1, 2, 3, 4, 5],
    y=[2, 4, 1, 3, 5]
))

# 创建图表
p = figure(title="Simple Scatter Plot", x_axis_label="X Axis", y_axis_label="Y Axis")

# 添加圆形Glyph
p.circle(x='x', y='y', source=source, size=10, color="navy", alpha=0.5)

# 显示图表
show(p)

这段代码首先创建了一个ColumnDataSource 对象，用于存储散点图的数据。然后，它创建了一个figure 对象，用于定义图表的标题和坐标轴标签。最后，它使用p.circle 函数添加了一个圆形Glyph，并将数据源与之关联。show(p) 函数会在浏览器中打开一个交互式图表。

3.3 添加交互功能

Bokeh提供了丰富的交互功能，例如悬停提示、缩放和平移、工具栏等等。你还可以自定义交互行为，例如使用滑块来过滤数据。

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, Slider
from bokeh.layouts import column
from bokeh.io import curdoc

# 创建数据源
source = ColumnDataSource(data=dict(
    x=[1, 2, 3, 4, 5],
    y=[2, 4, 1, 3, 5]
))

# 创建图表
p = figure(title="Scatter Plot with Slider", x_axis_label="X Axis", y_axis_label="Y Axis")
circle = p.circle(x='x', y='y', source=source, size=10, color="navy", alpha=0.5)

# 创建滑块
slider = Slider(start=0, end=10, value=1, step=.1, title="Size")

# 定义回调函数
def update_size(attrname, old, new):
    circle.glyph.size = slider.value

# 绑定回调函数
slider.on_change('value', update_size)

# 创建布局
layout = column(slider, p)

# 显示图表
curdoc().add_root(layout)

这段代码添加了一个滑块，用于控制散点图的大小。Slider 对象用于创建滑块，update_size 函数定义了滑块值改变时的回调函数。slider.on_change 函数将回调函数与滑块的value 属性绑定。column 函数用于将滑块和图表排列在一起。

3.4 Bokeh Server：构建Web应用

Bokeh Server允许你构建交互式Web应用。通过Bokeh Server，你可以将Python代码与前端交互连接起来，实现更复杂的功能。

四、Plotly vs. Bokeh：如何选择

Plotly和Bokeh都是优秀的交互式可视化库，它们各有优缺点。

特性	Plotly	Bokeh
易用性	相对简单，高层接口易于上手	学习曲线较陡峭，需要理解更多概念
功能	功能全面，支持多种图表类型	专注于Web交互，适合构建Web应用
性能	在大数据量下性能可能稍逊	性能优秀，适合处理大数据量
适用场景	快速创建交互式图表，数据探索和分析	构建交互式仪表盘和Web应用，数据可视化展示
依赖	需要plotly库和相关的依赖	需要bokeh库和相关的依赖
文档完整性	文档非常全面，例子丰富	文档相对完善，但部分高级功能例子较少
社区活跃度	社区非常活跃，问题容易得到解决	社区活跃度较高，但可能不如Plotly

选择建议：

如果你需要快速创建交互式图表，进行数据探索和分析，Plotly是一个不错的选择。
如果你需要构建交互式仪表盘和Web应用，Bokeh更适合你。
如果你的数据量非常大，Bokeh的性能优势会更加明显。

五、高级应用：联动和动态更新

5.1 Plotly 联动

Plotly 可以通过 Dash 构建dashboard，实现图表之间的联动。

import dash
import dash_core_components as dcc
import dash_html_components as html
from dash.dependencies import Input, Output
import plotly.express as px

df = px.data.iris()

app = dash.Dash(__name__)

app.layout = html.Div([
    dcc.Graph(id='scatter-plot'),
    dcc.Dropdown(
        id='dropdown',
        options=[{'label': col, 'value': col} for col in df.columns[0:4]],
        value=df.columns[0]
    )
])

@app.callback(
    Output('scatter-plot', 'figure'),
    [Input('dropdown', 'value')]
)
def update_graph(selected_dropdown_value):
    fig = px.scatter(df, x=selected_dropdown_value, y="sepal_length", color="species")
    return fig

if __name__ == '__main__':
    app.run_server(debug=True)

这个例子展示了如何使用 Dash 和 Plotly 构建一个简单的联动图表。Dropdown 的选择会影响 Scatter Plot 的 x 轴数据。

5.2 Bokeh 动态更新

from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.models.widgets import Slider

# 创建数据源
source = ColumnDataSource(data=dict(x=[1, 2, 3, 4, 5], y=[2, 4, 1, 3, 5]))

# 创建图表
p = figure(width=400, height=400)
circle = p.circle('x', 'y', source=source, size=20, color="navy")

# 创建滑块
x_slider = Slider(start=0, end=10, value=1, step=0.1, title="X Offset")
y_slider = Slider(start=0, end=10, value=1, step=0.1, title="Y Offset")

# 定义回调函数
def update_data(attrname, old, new):
    x_offset = x_slider.value
    y_offset = y_slider.value
    new_x = [x + x_offset for x in source.data['x']]
    new_y = [y + y_offset for y in source.data['y']]
    new_data = dict(x=new_x, y=new_y)
    source.data = new_data

# 绑定回调函数
x_slider.on_change('value', update_data)
y_slider.on_change('value', update_data)

# 创建布局
layout = column(x_slider, y_slider, p)

# 显示图表
curdoc().add_root(layout)

这个例子展示了如何使用 Bokeh 和 Slider 来动态更新图表数据。拖动滑块会改变散点图的位置。

六、结语

我们探讨了Python中两个强大的交互式可视化库：Plotly和Bokeh。它们都能够帮助我们创建动态、可交互的图表，从而更深入地理解数据。希望通过今天的讲解，大家能够掌握这两个库的基本用法，并在实际项目中灵活运用。

总结：掌握交互式可视化工具，数据分析更高效

Plotly和Bokeh是强大的Python交互式可视化库，选择合适的工具能显著提升数据分析和展示的效率，从而更好地理解和利用数据。

Python交互式可视化：利用Plotly和Bokeh构建动态、可交互的图表

发表回复 取消回复

发表回复取消回复