引言
最近，我一直在看美国德克萨斯州奥斯汀举办的SciPy 2015会议上的一段视频——“用Blaze和Bokeh创建Python数据应用程序”，并且情不自禁地反复思考这两个库赋予世界各地使用Python的数据科学家们的强大能力。在本文中，我将带你体验使用Bokeh实现数据可视化的各种可能途径，以及Bokeh为什么是每位数据科学家的必备“神器”。
◆ ◆ ◆
什么是Bokeh?
Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别。正如下图所示，它说明了Bokeh如何将数据展示到一个Web浏览器上的流程。
正如你所看到的，Bokeh捆绑了多种语言（Python, R, lua和Julia）。这些捆绑的语言产生了一个JSON文件，这个文件作为BokehJS（一个Javascript库）的一个输入，之后会将数据展示到现代Web浏览器上。
Bokeh可以像D3.js那样创建简洁漂亮的交互式可视化效果，即使是非常大型的或是流数据集也可以进行高效互动。Bokeh可以帮助所有人快速方便地创建互动式的图表、控制面板以及数据应用程序。
◆ ◆ ◆
Bokeh能为像我这样的数据科学家提供什么？
我起初是作为一名商业智能从业者（BI professional）开始我的数据科学之旅的，随后，又逐渐学习了预测建模，数据科学和机器学习。我主要使用QlikView和Tableau进行数据可视化，用SAS和Python来做预测分析和数据分析。我几乎没有用过JavaScript。
因此，对于我之前所有的数据产品或想法，我只能要么将其外包要么通过网站线框图向别人展示，这两者都不适合创建快速原型。现在，有了Bokeh，我就可以继续使用Python，并且快速创建这些原型。
Bokeh的优势：
Bokeh允许你通过简单的指令就可以快速创建复杂的统计图，
Bokeh提供到各种媒体，如HTML，Notebook文档和服务器的输出
·我们也可以将Bokeh可视化嵌入flask和django程序
Bokeh可以转换写在其它库（如matplotlib, seaborn和ggplot）中的可视化
·Bokeh能灵活地将交互式应用、布局和不同样式选择用于可视化
综合Bokeh的优点及其面临的挑战，Bokeh是当前用于快速开发原型产品的理想工具。然而，如果你想在产品的环境下搞点新东西，D3.js可能仍然是你最好的选择。
Bokeh面临的挑战：
与任何即将到来的开源库一样，Bokeh正在经历不断的变化和发展。所以，你今天写的代码可能将来并不能被完全再次使用。
与D3.js相比，Bokeh的可视化选项相对较少。因此，短期内Bokeh无法挑战D3.js的霸主地位。
综合Bokeh的优点及其面临的挑战，Bokeh是当前用于快速开发原型产品的理想工具。然而，如果你想在产品的环境下搞点新东西，D3.js可能仍然是你最好的选择。
用Bokeh实现可视化
Bokeh提供了强大而灵活的功能，使其操作简单并高度定制化。它为用户提供了多个可视化界面，如下图所示：
图表（Charts）：一个高级接口（high-level interface），用以简单快速地建立复杂的统计图表。
绘图（Plotting）：一个中级接口（intermediate-level interface），以构建各种视觉符号为核心。
模块（Models）：一个低级接口（low-level interface），为应用程序开发人员提供最大的灵活性。
本文中，我们仅涉及前两个接口，图表（Charts）和绘图（Plotting）。
图表
如上所述，它是一个高级接口，用于通过标准的可视化方式呈现信息。这些方式包括箱形图、柱状图、面积图、热图、甜甜圈图和许多其它图形。你只需输入数据框（data frames）、numpy数组或字典就可以生成这些图。
让我们来看看创建一个图表的通用方法：
1. 导入库和函数/方法
2. 准备数据
3. 设置输出模式（Notebook文档、Web浏览器或服务器）
4. 创建图表并选择图表的样式（如果需要）
5. 可视化图表
为了更好地理解这些步骤，让我用下面的例子来演示一下：
图表范例-1：使用Bokeh创建一个柱状图并在Web浏览器上显示
我们将遵循上述列出的步骤来创建一个图表：
#导入库函数
from bokeh.charts import Bar, output_file, show
#在电脑屏幕上使用 output_notebook来可视化数据
#准备数据 (模拟数据)
data = {"y": [1, 2, 3, 4, 5]}
#输出到Line.HTML
output_file("lines.html", title="line plot example")
#创建一个新的含有标题和轴标签的窗口在线窗口
p = Bar(data, title="Line Chart Example", xlabel='x', ylabel='values', width=400, height=400)
#显示结果
show(p)
在上面的图表中，你可以看到顶部的工具选项（缩放、调整大小、重置、旋转缩放），这些工具可以帮助你与图表进行互动。同时，你也可以看到多个图表选项（图例、X轴名标注、Y轴名标注、坐标网格线、宽度、高度等）和各种图表的范例。
图表范例-2：在Notebook文档中，利用箱线图比较IRIS数据集中的萼片长度（sepal length）和花瓣长度（petal length）的分布情况
要创建这个可视化图表，我首先要使用Sklearn库导入IRIS数据集。然后，按照上述步骤在ipython Notebook文档中进行图表可视化。
#IRIS 数据集
from sklearn.datasets import load_iris
import pandas as pd
iris = load_iris()
df=pd.DataFrame(iris.data)
df.columns=['petal_width','petal_length','sepal_width','sepal_length']
#导入库函数
from bokeh.charts import BoxPlot, output_notebook, show
data=df[['petal_length','sepal_length']]
#输出到电脑屏幕上
output_notebook()
#创建一个新的含有标题和轴标签的窗口在线窗口
p = BoxPlot(data, width=400, height=400)
# 显示结果
show(p)
图表范例-3：创建一个线图到Bokeh服务器
在绘制可视化图表到Bokeh服务器之前，你首先需要运行服务器。
如果你使用的是conda包，你可以在任何目录下使用运行命令“bokeh-server”。如果不是，“python ./bokeh-server”通常也可以。
在Bokeh服务器上进行可视化绘图有多个优点：
图表有更多的受众
可对大数据集进行交互式可视化
可根据数据流自动更新图表
创建控制面板和应用程序
开始在Bokeh服务器上绘图之前，我先运行了“bokeh-server”指令对其进行初始化，然后再运行用于可视化的相关指令。
from bokeh.plotting import figure, output_server, show
output_server("line")
p = figure(plot_width=400, plot_height=400)
# 添加线渲染
p.line([5, 2, 3, 4, 5], [5, 7, 2, 4, 5], line_width=2)
show(p)
绘图
Plotting是一个中级接口，是以构建视觉符号为核心的接口。在这里，你可以综合各种视觉元素（点、圆、线、补丁和许多其它元素）和工具（悬停、缩放、保存、重置和其它工具）来创建可视化。
使用Bokeh的Plotting接口创建的图表自带一组默认的工具和视觉效果。绘图可按照以下步骤进行：
1.导入库、方法或函数
2.选择输出方式（Notebook文档、Web浏览器、服务器）
3.激活图（类似matplotlib）
4.执行后续的绘图操作，这将影响已经生成的图形。
5.图表可视化
为了更好地理解这些步骤，让我举例演示：
绘图范例-1：在Notebook文档中创建二维散点图（正方形标记）
from bokeh.plotting import figure, output_notebook, show
# 输出到电脑屏幕上
output_notebook()
p = figure(plot_width=400, plot_height=400)
#添加一个矩形框，标有大小、颜色、alpha值
p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy")
#显示结果
show(p)
同样，你可以创建各种其它类型的图：如线、角和圆弧、椭圆、图像、补丁以及许多其它的图。
绘图范例-2：将两种视觉元素合并在一张图中
from bokeh.plotting import figure, output_notebook, show
# 输出到电脑屏幕上
output_notebook()
p = figure(plot_width=400, plot_height=400)
#添加一个矩形框，标有大小、颜色、alpha值
p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy")
p.line([1, 2, 3, 4, 5], [1, 2, 2, 4, 5], line_width=2) #added a line plot to existing figure
# 显示结果
show(p)
绘图范例-3：为上图添加一个悬停工具和坐标轴标签
from bokeh.plotting import figure, output_notebook, show
from bokeh.models import HoverTool, BoxSelectTool #For enabling tools
# 输出到电脑屏幕上
output_notebook()
#添加悬停工具
TOOLS = [BoxSelectTool(), HoverTool()]
p = figure(plot_width=400, plot_height=400, tools=TOOLS)
#添加一个矩形框，标有大小、颜色、alpha值
p.square([2, 5, 6, 4], [2, 3, 2, 1, 2], size=20, color="navy", alpha=0.5)
#显示轴标签
p.xaxis.axis_label = "X-axis"
p.yaxis.axis_label = "Y-axis"
# 显示结果
show(p)
绘图范例-4：使用纬度和经度数据来绘制印度地图
注：我已经有一个CSV格式的印度边界的纬度和经度的多边形数据。我将使用该数据来绘图。
在这里，我们将使用补丁绘图，让我们看看下面的命令：
#导入库函数
import pandas as pd
from bokeh.plotting import figure, show, output_notebook
#导入经纬度坐标
India=pd.read_csv('E:/India.csv')
del India['ID']
India.index=['IN0','IN1','IN2','IN3','IN4','IN5']
#如果数据框中的坐标是字符类型转换字符值为浮点值
for j in range(0,len(India)):
a = India['lats'][j]
India['lats'][j] = [float(i) for i in a[1:len(a)-1].split(",")]
for j in range(0,len(India)):
a = India['lons'][j]
India['lons'][j] = [float(i) for i in a[1:len(a)-1].split(",")]
#输出到电脑屏幕上
output_notebook()
# 创建画板
p = figure(plot_height=400, plot_width=400, toolbar_location="right",x_axis_type=None, y_axis_type=None)
p.patches(xs=India['lons'], ys=India['lats'], fill_color="white",line_color="black", line_width=0.5)
#可视化图标
show(p)
◆ ◆ ◆
结语
在本文中，我们讨论了用Bokeh创建可视化以及如何将可视化结果呈现在Notebook文档、html文档以及bokeh服务器上。我们还谈到了如何使用绘图接口创建个性化的可视化图表，通过该功能，你可以将多种视觉元素结合到一起来展示数据信息。