利用Bokeh进行Python中交互式与实时数据可视化的探索

文章开始之前，推荐一些别人写的很好的文章！感兴趣的也可以去读一下哦！

今日推荐：【数据库系列】postgresql链接详解

文章链接：https://cloud.tencent.com/developer/article/2464691

kwan的解忧杂货铺的这篇文章在解释 PostgreSQL 数据库连接 URL 格式时具有很高的可读性和实用性。它通过详细的步骤解析，让读者清晰理解每个部分的功能和使用方法，尤其是通过实例来阐述概念，使得抽象的技术细节变得生动易懂。此外，文章强调了可选参数的使用方式，如用户名、密码、端口号以及查询参数，帮助读者根据自己的需求灵活配置数据库连接。这种结构化且简洁的介绍，不仅便于读者迅速掌握知识，也为日后实际项目中的应用提供了极大的便利。

利用Bokeh进行Python中交互式与实时数据可视化的探索

在数据科学和工程领域中，数据可视化是将数据转化为可理解信息的关键步骤。随着数据量的增加和复杂性的提升，动态数据可视化逐渐成为一个热点话题。Python 作为一个强大的编程语言，提供了多种可视化库，如 Matplotlib、Seaborn、Plotly 等。而 Bokeh 是其中一个非常适合创建交互式和动态可视化的库。

本文将详细介绍如何使用 Bokeh 创建动态数据可视化，包括如何处理实时数据流、如何更新图表内容，以及如何利用 Bokeh 的交互功能增强数据的表现力。我们将以一个动态更新的折线图为例，通过实际代码演示 Bokeh 的强大功能。

什么是 Bokeh？

Bokeh 是一个用于创建交互式可视化的 Python 库。它不仅可以生成静态图像，还可以生成复杂的 Web 应用程序，支持交互、动态更新和高效的渲染。Bokeh 的优势在于其对浏览器的原生支持，通过 Bokeh Server，可以轻松地实现实时数据的动态可视化。

Bokeh 的安装和基础使用

在开始之前，我们需要先安装 Bokeh。可以使用以下命令进行安装：

pip install bokeh

安装完成后，我们将从最基本的静态图表开始，然后逐步介绍如何实现动态更新。

from bokeh.plotting import figure, output_file, show

# 输出静态HTML文件
output_file("static_plot.html")

# 创建一个简单的折线图
p = figure(title="简单折线图", x_axis_label='X轴', y_axis_label='Y轴')
p.line([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], legend_label="折线", line_width=2)

# 展示图表
show(p)

上述代码创建了一个简单的静态折线图，并将其输出为 HTML 文件。这是 Bokeh 的基本功能之一，接下来我们将探讨如何利用 Bokeh 实现动态数据更新。

动态数据更新

Bokeh 的强大之处在于它支持动态更新数据，这使得它非常适合实时监控和数据流处理。为了演示这一功能，我们将使用 Bokeh Server 来创建一个动态更新的图表。

from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.driving import linear
import numpy as np

# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))

# 创建一个折线图
p = figure(title="动态折线图", x_axis_label='时间', y_axis_label='值')
line = p.line('x', 'y', source=source)

# 更新函数
@linear()
def update(step):
    new_data = dict(x=[step], y=[np.sin(step / 10)])
    source.stream(new_data, rollover=200)

# 将更新函数添加到文档中
curdoc().add_root(column(p))
curdoc().add_periodic_callback(update, 100)

在上面的代码中，我们首先创建了一个 ColumnDataSource，它是 Bokeh 中用于存储和管理数据的对象。然后，我们定义了一个 update 函数，该函数使用 @linear() 装饰器来逐步更新数据。source.stream 方法将新数据流添加到数据源中，并更新图表。

通过 curdoc().add_periodic_callback(update, 100) 我们设置了每 100 毫秒调用一次 update 函数，从而实现了动态更新折线图。

添加交互功能

Bokeh 不仅支持动态更新，还提供了丰富的交互功能。我们可以添加工具来让用户与图表进行交互，如放大、缩小、选择、滑块控制等。

from bokeh.models import Slider
from bokeh.layouts import row

# 创建滑块
slider = Slider(start=1, end=30, value=10, step=1, title="频率")

# 更新函数，考虑滑块值
@linear()
def update_with_slider(step):
    frequency = slider.value
    new_data = dict(x=[step], y=[np.sin(step / frequency)])
    source.stream(new_data, rollover=200)

# 将图表和滑块布局到一起
layout = row(p, slider)
curdoc().add_root(layout)
curdoc().add_periodic_callback(update_with_slider, 100)

在这个扩展例子中，我们添加了一个滑块 Slider，它可以控制正弦波的频率。通过 update_with_slider 函数，我们可以根据滑块的值来动态调整图表的更新。

Bokeh Server 的部署

为了将动态数据可视化应用部署到生产环境，可以使用 Bokeh Server。运行以下命令即可启动 Bokeh Server：

bokeh serve --show your_script.py

这会在本地启动一个服务器，并自动在浏览器中打开你的可视化应用。你还可以将 Bokeh 应用部署到云端，以便远程访问。

高级功能与自定义扩展

在前面的部分中，我们已经介绍了如何利用 Bokeh 创建动态数据可视化，并且探讨了基本的交互功能。接下来，我们将深入探讨一些高级功能，如自定义图表样式、使用回调函数处理用户输入，以及如何扩展 Bokeh 的功能以满足特定的可视化需求。

自定义图表样式

Bokeh 允许高度定制化的图表样式，使得可视化结果更符合项目需求。我们可以自定义颜色、线型、字体以及其他图表属性。例如，如果我们想要改变折线图的颜色和线型，可以在创建图表时进行如下设置：

from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.driving import linear
import numpy as np

# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))

# 创建一个自定义样式的折线图
p = figure(title="自定义样式的动态折线图", x_axis_label='时间', y_axis_label='值')
p.line('x', 'y', source=source, line_width=3, line_dash='dashed', color="orange", legend_label="正弦波")

# 更新函数
@linear()
def update_custom_style(step):
    new_data = dict(x=[step], y=[np.sin(step / 10)])
    source.stream(new_data, rollover=200)

# 布局设置
curdoc().add_root(column(p))
curdoc().add_periodic_callback(update_custom_style, 100)

在这个例子中，我们自定义了折线图的颜色为橙色 (color="orange")，线型为虚线 (line_dash='dashed')，并加粗了线条 (line_width=3)。这些设置使得图表在视觉上更具吸引力，同时图例 (legend_label) 提供了对数据的直观解释。

使用回调函数处理用户输入

回调函数是 Bokeh 交互的核心部分，可以通过 JavaScript 或 Python 处理用户的交互行为。我们以一个简单的例子展示如何使用回调函数处理用户点击图表的事件，并在图表上动态显示用户点击的位置。

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

# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))

# 创建图表
p = figure(title="点击图表添加点", x_axis_label='X轴', y_axis_label='Y轴')
p.circle('x', 'y', source=source, size=10, color="navy", alpha=0.5)

# JavaScript回调函数，用于处理点击事件
p.js_on_event('tap', CustomJS(args=dict(source=source), code="""
    var data = source.data;
    var x = cb_obj.x;
    var y = cb_obj.y;
    data['x'].push(x);
    data['y'].push(y);
    source.change.emit();
"""))

# 布局
curdoc().add_root(column(p))

在这个例子中，我们创建了一个散点图，当用户点击图表时，CustomJS 回调函数会捕捉点击的位置，并将该位置的数据添加到 ColumnDataSource 中。每次点击，图表都会动态更新，显示新的点。

Bokeh 与外部数据源的集成

在实际应用中，动态可视化经常需要与外部数据源集成，比如实时传感器数据、API数据流等。Bokeh 可以通过 Python 的网络库（如 requests）或 WebSocket 来获取外部数据，并将其展示在图表上。

以下示例展示了如何从一个外部 API 获取数据并实时更新图表：

import requests
from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.driving import linear

# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))

# 创建折线图
p = figure(title="外部API实时数据", x_axis_label='时间', y_axis_label='温度 (°C)')
p.line('x', 'y', source=source, line_width=2, color="green")

# 定义更新函数，从API获取数据并更新图表
@linear()
def update_from_api(step):
    response = requests.get("https://api.example.com/temperature")
    data = response.json()
    new_data = dict(x=[step], y=[data['temperature']])
    source.stream(new_data, rollover=200)

# 布局
curdoc().add_root(column(p))
curdoc().add_periodic_callback(update_from_api, 5000)

在这个例子中，update_from_api 函数每 5 秒调用一次，从外部 API 获取当前温度数据并更新到图表中。Bokeh 的实时更新能力使得它非常适合用于监控系统或其他需要实时数据展示的场景。

扩展 Bokeh 功能

虽然 Bokeh 已经提供了大量的内置功能，但在一些高级应用场景下，我们可能需要扩展 Bokeh 的功能。Bokeh 的可扩展性体现在以下几个方面：

1. 自定义JS回调: 通过 JavaScript 回调函数可以实现高度定制化的用户交互行为。
2. 集成第三方库: 可以与其他可视化库（如 D3.js）或工具（如 Pandas、NumPy）无缝集成，以增强数据处理和展示能力。
3. 开发插件: 可以开发自定义的 Bokeh 扩展，添加新的图表类型或交互组件。

例如，我们可以集成 D3.js 来实现更复杂的可视化效果，或者通过 WebSocket 实现双向通信，从而实时反映后端状态到前端图表中。

应用案例：实时金融数据可视化

为了展示 Bokeh 在实际中的应用，我们将创建一个实时更新的股票价格折线图。该图表将连接到一个模拟的股票价格 API，并动态更新展示最新的价格数据。

from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.driving import linear
import random

# 创建数据源
source = ColumnDataSource(data=dict(time=[], price=[]))

# 创建折线图
p = figure(title="实时股票价格", x_axis_label='时间', y_axis_label='价格 (USD)')
p.line('time', 'price', source=source, line_width=2, color="blue")

# 模拟API数据的更新函数
@linear()
def update_stock_price(step):
    # 模拟股票价格的波动
    new_price = 100 + random.uniform(-1, 1)
    new_data = dict(time=[step], price=[new_price])
    source.stream(new_data, rollover=100)

# 布局
curdoc().add_root(column(p))
curdoc().add_periodic_callback(update_stock_price, 1000)

在这个应用案例中，我们模拟了一个股票价格波动的场景。每秒钟调用一次 update_stock_price 函数，模拟的价格数据被添加到图表中，实时展示股票价格的变化。这种可视化对于金融分析和决策支持系统具有重要意义。

深入探讨：Bokeh 与其他可视化工具的对比

在选择可视化工具时，了解它们各自的优缺点以及适用场景非常重要。Bokeh 虽然功能强大，但与其他流行的 Python 可视化工具（如 Matplotlib、Seaborn、Plotly 等）相比，仍有其独特的定位和局限性。在本节中，我们将深入探讨 Bokeh 与其他工具的对比，以帮助你更好地理解何时选择 Bokeh，以及如何将它与其他工具结合使用。

Bokeh 与 Matplotlib

Matplotlib 是 Python 生态系统中最成熟的可视化库之一，以其强大的 2D 图表绘制能力著称。相比之下，Bokeh 提供了更丰富的交互功能和动态更新支持。以下是两者的主要区别：

• 交互性: Matplotlib 主要用于生成静态图表，虽然可以通过 mpld3 和 Bokeh 等扩展库增加交互性，但原生支持较少。Bokeh 则天生支持互动操作，用户可以直接在浏览器中进行缩放、平移、点击等操作。
• 动态数据: Bokeh 擅长处理动态数据流，并能实时更新图表，而 Matplotlib 更适合静态数据展示和复杂的多子图分析。
• 可扩展性: 虽然 Matplotlib 拥有丰富的第三方扩展，但 Bokeh 的 JavaScript 回调和插件系统使其在需要定制交互功能时更加灵活。

何时使用 Bokeh 而非 Matplotlib:

• 需要在 Web 上展示交互式图表时，Bokeh 是更好的选择。
• 需要实时更新和动态数据流时，Bokeh 更加适用。
• 需要高度定制的用户交互功能时，Bokeh 的 JavaScript 回调提供了更强的灵活性。

Bokeh 与 Seaborn

Seaborn 是基于 Matplotlib 的高级数据可视化库，专注于统计图表的简化生成。相比之下，Bokeh 更加通用且具备交互功能。两者的主要区别包括：

• 易用性: Seaborn 提供了更加简洁的 API，特别适合统计分析和快速生成图表。Bokeh 的 API 更加灵活，适合复杂的可视化需求，但相应的学习曲线也更陡峭。
• 交互性和动态性: Seaborn 的图表主要是静态的，而 Bokeh 则支持交互和动态更新。
• 统计功能: Seaborn 提供了内置的统计分析功能，如回归线、置信区间等，适合进行快速的统计分析可视化。Bokeh 则需要结合 Pandas 等库进行数据处理。

何时使用 Bokeh 而非 Seaborn:

• 需要创建动态、交互式图表，而不仅仅是静态的统计图时。
• 需要处理实时数据流或高频数据更新时。

Bokeh 与 Plotly

Plotly 是另一款强大的 Python 可视化库，专注于交互式图表生成，并且拥有广泛的支持社区。与 Bokeh 相比，Plotly 的主要区别在于：

• 图表类型: Plotly 支持 3D 图表、地图以及复杂的统计图表，而 Bokeh 则更专注于 2D 图表和交互式展示。
• 嵌入和导出: Plotly 提供了强大的图表导出功能，支持多种格式，并且可以轻松嵌入到 Web 应用中。Bokeh 也支持嵌入，但在导出图表上稍显不足。
• 生态系统和集成: Plotly 与 Dash 结合使用，可以轻松创建复杂的 Web 应用，而 Bokeh 则更适合单个交互图表的展示。

何时使用 Bokeh 而非 Plotly:

• 需要创建轻量级的交互图表，并且对 3D 图表的需求不强烈时。
• 需要在现有的 Web 应用中快速嵌入动态图表时。

实战案例：基于 Flask 的实时数据可视化平台

为了进一步展示 Bokeh 的实际应用，我们将创建一个基于 Flask 和 Bokeh 的简单实时数据可视化平台。这个平台将展示实时的传感器数据，并允许用户通过 Web 界面进行交互和数据探索。

1. 项目结构

首先，项目的基本结构如下：

realtime_visualization/
│
├── app.py              # Flask 应用的主入口
├── templates/
│   └── index.html      # 主页面模板
└── static/
    └── main.js         # 前端 JavaScript 代码

2. 创建 Flask 应用

在 app.py 中，我们将创建一个简单的 Flask 应用，并使用 Bokeh 生成实时更新的图表。

from flask import Flask, render_template
from bokeh.plotting import figure
from bokeh.embed import components
from bokeh.models import ColumnDataSource
from bokeh.layouts import column
from bokeh.resources import INLINE
import numpy as np

app = Flask(__name__)

# 创建数据源
source = ColumnDataSource(data=dict(x=[], y=[]))

# 创建图表
p = figure(title="实时传感器数据", x_axis_label='时间', y_axis_label='传感器值')
p.line('x', 'y', source=source, line_width=2, color="green")

# Flask 路由
@app.route('/')
def index():
    script, div = components(p, INLINE)
    return render_template("index.html", script=script, div=div)

if __name__ == "__main__":
    app.run(debug=True)

3. 编写 HTML 模板

在 templates/index.html 中，我们使用 Flask 提供的模板引擎渲染 Bokeh 图表：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>实时数据可视化</title>
    {{ script|safe }}
</head>
<body>
    <h1>实时传感器数据</h1>
    {{ div|safe }}
</body>
</html>

4. 前端 JavaScript 更新数据

在 static/main.js 中，我们使用 WebSocket 或 AJAX 来获取实时数据并更新 Bokeh 图表。由于 Bokeh 的强大之处在于其 Python 回调，我们可以进一步利用 Bokeh Server 来处理这些实时数据。

在这个简化示例中，我们省略了复杂的 JavaScript 逻辑，但在实际项目中，你可以利用 Bokeh Server 来处理后端的数据流，并将更新推送到前端。

结论与展望

通过本篇文章的深入探讨，我们了解了如何利用 Bokeh 进行动态数据可视化，包括基础操作、自定义图表、处理用户交互，以及如何与外部数据源集成。我们还对比了 Bokeh 与其他主流可视化工具的优缺点，进一步理解了它在特定场景下的优势。

Bokeh 以其灵活性和高效性在数据科学和工程领域占有重要地位，尤其适合需要实时数据展示和复杂交互功能的应用场景。未来，随着数据量和复杂度的增加，Bokeh 的应用将更加广泛，甚至可能成为大规模数据分析和可视化的重要工具。

我们鼓励读者继续深入研究 Bokeh，探索其更高级的功能和应用场景，如 WebSocket 数据流、复杂图表组合，以及与机器学习模型的集成。通过不断的实践和学习，你将能够充分发挥 Bokeh 的潜力，为你的数据可视化项目带来更多的价值。