《数据分析》课件-5.4交互式可视化库

5.4Bokeh交互式可视化库Python数据分析学习目标及重点学习目标：了解Bokeh熟悉Bokeh优点掌握Bokeh绘图目录学习内容1.认识Bokeh3.Bokeh绘图2.Bokeh优点01认识Bokeh1.认识BokehBokeh是一种开源的交互式Web数据可视化库，它支持多种多样的数据可视化类型，包括线图、柱状图、散点图、气泡图等。它提供强大的交互功可以轻松地进行缩放、平移、旋转、显示隐藏数据系列、选择显示范围、添加工具提示和注释等。其用Python语言编写而成，具有简单易用、部署方便运行等特性。02Bokeh优点2.Bokeh优点了解其内部工作机制和数据处理流程，提升数据可视化分析能力。在日益复杂的web应用要掌握各种数据可视化方案以应对不同场景下的需求。与其他数据可视化库相比，如matplotlib、plotly、seaborn等，Bokeh有更多高级的功能和可项，因此是一种值得考虑的工具。Bokeh由社区驱动开发并维护，它的迭代速度也远快于其它工具，并拥有良好的文档和教程资源，通过官github仓库、StackOverflow等渠道获得帮助和支持也是不错的选择。03Bokeh绘图3.Bokeh绘制Bokeh绘图步骤获取数据构建画布figure()添加图层，绘图line，circle，square，scatter，multi_line等；参数color，legend自定义视觉属性选择性展示折线数据，建立复选框激活显示，复选框(checkbox)3.Bokeh绘制图表实例fruits=['Apples','Pears','Nectarines','Plums','Grapes','Strawberries']

counts=[5,3,4,2,4,6]

source=ColumnDataSource(data=dict(fruits=fruits,counts=counts))

p=figure(x_range=fruits,plot_height=350,toolbar_location=None,title="FruitCounts")

p.vbar(x='fruits',top='counts',width=0.9,source=source,legend_field="fruits",

line_color='white',fill_color=factor_cmap('fruits',palette=Spectral6,factors=fruits))3.Bokeh绘制图表实例upper.score=[min([x,y])for(x,y)inzip(list(qmax.loc[:,'score']),upper.score)]

lower.score=[max([x,y])for(x,y)inzip(list(qmin.loc[:,'score']),lower.score)]

p.segment(cats,upper.score,cats,q3.score,line_color="black")

p.segment(cats,lower.score,cats,q1.score,line_color="black")

p.vbar(cats,0.7,q2.score,q3.score,fill_color="#E08E79",line_color="black")

p.vbar(cats,0.7,q1.score,q2.score,fill_color="#3B8686",line_color="black")

p.rect(cats,lower.score,0.