交互式图表构建速成课：从零开始的Bokeh应用基础

# 1. Bokeh简介与安装

## 简介
Bokeh是一个开源的Python交互式可视化库，它以Web浏览器作为其呈现目标，并提供优雅简洁的绘图接口。它能够处理大规模数据集，并支持多种交互功能。Bokeh广泛应用于数据科学、统计和工程领域，以生成交互式图表、仪表板和数据应用。

## 安装方法

### 使用pip安装
要在Python环境中安装Bokeh，最简单的方式是使用pip包管理器：

pip install bokeh

### 使用conda安装
如果你使用Anaconda进行Python开发，可以利用conda来安装：

conda install bokeh

### 安装验证
安装完成后，通过在Python会话中运行以下命令来验证Bokeh是否安装成功：

import bokeh
bokeh.__version__

如果顺利输出了Bokeh的版本信息，则表示安装成功。

### 开始使用Bokeh
首次使用Bokeh时，可以尝试一个简单的例子，例如，创建一个基本的散点图，观察数据点的分布：

from bokeh.plotting import figure, show
from bokeh.sampledata.iris import flowers

x = flowers["petal_length"]
y = flowers["petal_width"]

p = figure(title="Iris Petal Dimensions")
p.circle(x, y, size=10, color="navy", alpha=0.5)

show(p)

此代码段加载了Iris数据集，并利用Bokeh库生成了一个散点图，展示了花萼长度与宽度的关系。通过这个例子，你可以体会Bokeh简洁的API和强大的交互能力。

以上即是Bokeh库的简单介绍和安装方法。接下来，我们将深入探讨如何用Bokeh绘制各种基本图表。

# 2. Bokeh中的基本图表绘制

### 2.1 图表类型概览

#### 2.1.1 直方图
直方图是一种对数据分布情况的图形表示方法，通过将值域划分为一系列连续的区间（即“桶”或“bin”），并统计每个区间内数据点的数量。在Bokeh中，`figure`函数用于创建图表对象，`hist`方法用于绘制直方图。直方图可以帮助我们理解数据的分布特征，例如对称性、偏斜度、峰值等。

from bokeh.plotting import figure, show, output_file
from bokeh.sampledata虹膜数据集 import flowers
from bokeh.transform import dodge

# 输出到静态 HTML 文件
output_file("histogram.html")

# 创建图表对象
p = figure(title="直方图示例", x_axis_label='petal length', y_axis_label='count')

# 绘制直方图
p.quad(bottom=0, top=flowers['petal_count'], left=dodge('petal_length', -0.25, range=p.x_range), right=dodge('petal_length', +0.25, range=p.x_range), color="red", line_color="black")

# 显示图表
show(p)

该代码段首先导入必要的库和数据集，然后通过`figure`函数创建图表，并使用`quad`方法绘制直方图。这里，`dodge`函数用于对每个桶的`petal_length`值进行偏移，确保每个桶在x轴上清晰分开。`bottom`参数设置为0，因为直方图的底部从0开始。`top`参数设置为`flowers['petal_count']`，即每个桶的数据点数量。最后，通过`show`函数将图表展示出来。

#### 2.1.2 折线图
折线图通过连接一系列点来显示数据随时间或有序类别变化的趋势。在Bokeh中，可以使用`line`方法绘制折线图。折线图非常适合展示时间序列数据或比较不同类别的变化趋势。

from bokeh.plotting import figure, show, output_file
from bokeh.sampledata.stocks import AAPL

# 输出到静态 HTML 文件
output_file("line_plot.html")

# 创建图表对象
p = figure(title="AAPL Stock Prices", x_axis_label='Date', y_axis_label='Price (USD)')

# 绘制折线图
p.line(AAPL['date'], AAPL['adj_close'], line_width=2)

# 显示图表
show(p)

在上述代码中，我们使用了`bokeh.sampledata.stocks`中的AAPL数据集，绘制了苹果公司的股票收盘价随日期变化的趋势。`line`函数接受x轴和y轴的数据，并通过`line_width`参数控制线的宽度。

#### 2.1.3 散点图
散点图是一种数据点分布图，通过图中的点揭示变量间的相关性。Bokeh中的散点图是通过`circle`或`square`等方法绘制的，用户可以通过设置不同的标记形状和颜色来区分不同的数据集。

from bokeh.plotting import figure, show, output_file

# 输出到静态 HTML 文件
output_file("scatter_plot.html")

# 创建图表对象
p = figure(title="散点图示例", x_axis_label='x', y_axis_label='y')

# 绘制散点图
p.circle([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], size=20, color="navy", alpha=0.5)

# 显示图表
show(p)

在这个例子中，我们创建了一个带有x轴和y轴标签的图表，并使用`circle`方法绘制了五个点。`size`参数定义了点的大小，`color`定义了点的颜色，`alpha`定义了点的透明度。

### 2.2 数据的输入与展示

#### 2.2.1 列表和数组
Bokeh可以接受Python标准列表和NumPy数组作为输入数据。使用这些数据结构可以方便地对数据进行操作，并利用Bokeh强大的绘图功能。

import numpy as np
from bokeh.plotting import figure, show

# 创建一些数据
x = np.linspace(0, 2*np.pi, 200)
y = np.sin(x)

# 创建图表对象
p = figure(title="sin(x) over x", x_axis_label='x', y_axis_label='sin(x)')

# 绘制曲线
p.line(x, y, line_width=2)

# 显示图表
show(p)

在这个例子中，我们使用了NumPy生成了200个点，表示`sin(x)`函数在区间`[0, 2π]`的值。然后，我们用`line`方法绘制了这些点形成的曲线。

#### 2.2.2 Pandas DataFrame
Pandas是一个强大的数据处理库，它的DataFrame对象是处理和分析表格数据的常用工具。Bokeh与Pandas结合紧密，能够直接使用DataFrame中的数据进行绘图。

from bokeh.plotting import figure, show
from bokeh.sampledata虹膜数据集 import iris
import pandas as pd

# 将数据转换成Pandas DataFrame
df = pd.DataFrame(iris)

# 创建图表对象
p = figure(title="Iris Dataset Scatter Plot", x_axis_label='Sepal Length', y_axis_label='Sepal Width')

# 绘制散点图
p.circle('sepal_length', 'sepal_width', size=10, color="blue", source=df)

# 显示图表
show(p)

此处，我们首先将`iris`数据集转换为DataFrame，然后使用`circle`方法绘制散点图，其中x轴是`sepal_length`，y轴是`sepal_width`。

### 2.3 格式化和布局

#### 2.3.1 标题和轴标签
图表的标题和轴标签是向观众传达图表意图的关键元素，它们帮助解释数据所代表的意义。在Bokeh中，可以通过设置图表对象的`title`和`x_axis_label`、`y_axis_label`属性来添加这些元素。

from bokeh.plotting import figure, show

# 创建图表对象
p = figure(title="散点图示例", x_axis_label='x轴', y_axis_label='y轴')

# 绘制示例数据
p.circle([1, 2, 3, 4, 5],