赵走x博客
网站访问量:151489
首页
书籍
软件
工具
古诗词
搜索
登录
Python与数据挖掘:16、Bokeh
Python与数据挖掘:15、Matplotlib
Python与数据挖掘:14、scikit-learn
Python与数据挖掘:13、Scipy
Python与数据挖掘:12、Pandas
Python与数据挖掘:11、numpy
Python与数据挖掘:10、Python实用模块介绍
Python与数据挖掘:9、面向对象编程
Python与数据挖掘:8、函数
Python与数据挖掘:7、Python基础入门---文件的读写
Python与数据挖掘:6、Python基础入门---数据结构
Python与数据挖掘:5、Python基础入门---流程控制
Python与数据挖掘:4、Python基础入门---数字数据
Python与数据挖掘:3、Python基础入门---常用操作符
Python与数据挖掘:2、Python开发环境的搭建
Python与数据挖掘:1、数据挖掘概述
Python与数据挖掘:16、Bokeh
资源编号:75873
书籍
Python 与数据挖掘
热度:85
与Matplotlib不同,Bokeh是一款针对浏览器中图形演示的交互式绘图工具。它的目标是使用d3.js样式提供优雅、简洁新颖的图形化风格,同时提供大型数据集的高性能交互功能。Bokeh支持用户快速创建交互式的绘图、仪表盘和数据应用。这对于喜爱d3.js的可视化效果,但不熟悉JavaScript的用户有莫大的帮助。因此,在使用IPython Notebook进行编程时,能将Bokeh的交互体验提升至最大。
与Matplotlib不同,Bokeh是一款针对浏览器中图形演示的交互式绘图工具。它的目标是使用d3.js样式提供优雅、简洁新颖的图形化风格,同时提供大型数据集的高性能交互功能。Bokeh支持用户快速创建交互式的绘图、仪表盘和数据应用。这对于喜爱d3.js的可视化效果,但不熟悉JavaScript的用户有莫大的帮助。因此,在使用IPython Notebook进行编程时,能将Bokeh的交互体验提升至最大。 其最新的官方文档为[http://bokeh.pydata.org/en/latest/](http://bokeh.pydata.org/en/latest/) 。同样,它也为用户提供一个精彩的[画廊(Gallery)](http://bokeh.pydata.org/en/latest/docs/gallery.html)以展示基础的例子,如图所示。  在此,我们利用一段完整的代码来体验使用Bokeh画图的效果,如代码清单所示。 ``` from bokeh.plotting import figure,output_file,show x=[1,2,3,4,5] y=[6,7,2,4,5] # 输出为静态文件 output_file('lines.html',title='line plot example') # 创建一个figure对象,附带标题和坐标轴标记 p=figure(title='simple line example',x_axis_label='x',y_axis_label='y') # 添加一条线,设置图例 p.line(x,y,legend='Line A.',line_width=2) show(p) ``` 运行结果:  当运行代码之后,脚本会自动打开默认的浏览器以展示结果,图便是截自浏览器界面。读者可以使用鼠标滑动以放大或缩小图形的比例,还可以拖动图形至合适的位置。更重要的是,使用右上角的功能按钮进行更多样的交互,包括放大、复位、保存、调试帮助等。 在画廊页面 中,有非常多生动的交互式例子。。 可视化的目的是汇总数据,展示信息。而交互式绘图能够让信息在合适的时机才出现。这种交互体验优于Matplotlib,但这意味着开发者要进行更多的准备工作,以支持用户可能的行为。如果仅为绘制简单的统计图表,Matplotlib将更加高效。 # 其他优秀的绘图模块 本书重点讲述的并非可视化部分,而且篇幅有限,在此仅能为读者简单开个头。本着负责任的精神,以下附一张描述可视化任务中优秀模块的功能简介的表格,如表6-1所示,希望帮助读者提升视野,在需要深入学习数据可视化时能更有方向感。需要指出的是,大部分场合,Matplotlib和Bokeh都能胜任具体的可视化任务,这也是它们成为Python可视化中最出色模块的理由之一。 