Визуализация данных революционизируется благодаря мощному модулю Python Bokeh, который позволяет программистам и специалистам по данным создавать привлекательные графики и диаграммы. В этом блоге мы рассмотрим некоторые примеры использования боке в реальных условиях и предоставим несколько фрагментов кода, иллюстрирующих, как его можно использовать для интерактивной визуализации данных.
Исследовательский анализ данных (EDA):Bokeh позволяет аналитикам данных выполнять исследовательский анализ данных с помощью интерактивных визуализаций. Рассмотрим пример визуализации распределения набора данных с помощью гистограммы:
from bokeh.plotting import figure, show from bokeh.sampledata.iris import flowers # Create a Bokeh figure p = figure(title="Distribution of Sepal Length", x_axis_label='Sepal Length', y_axis_label='Count') # Add a histogram hist, edges = np.histogram(flowers['sepal_length'], bins=30) p.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:], fill_color='blue') # Show the plot show(p)
Интерактивная геопространственная визуализация. Боке — отличный выбор для создания интерактивных геопространственных визуализаций. Давайте визуализируем данные о землетрясениях на карте:
from bokeh.plotting import figure, show from bokeh.tile_providers import CARTODBPOSITRON_RETINA from bokeh.models import ColumnDataSource, HoverTool from bokeh.palettes import RdYlBu11 import pandas as pd # Load earthquake data earthquakes = pd.read_csv('earthquake_data.csv') # Create a Bokeh figure p = figure(x_axis_type='mercator', y_axis_type='mercator', tooltips=[('Magnitude', '@mag'), ('Location', '@place')]) # Add the map tile p.add_tile(CARTODBPOSITRON_RETINA) # Add the earthquake points source = ColumnDataSource(data=earthquakes) p.circle(x='longitude', y='latitude', color='color', size='size', alpha=0.5, source=source) # Show the plot show(p)
Мониторинг данных и информационные панели в реальном времени.Bokeh поддерживает визуализацию данных в реальном времени, что делает его идеальным для создания интерактивных информационных панелей. Давайте создадим график потоковой линии в реальном времени:
from bokeh.plotting import figure, show from bokeh.models import ColumnDataSource import numpy as np # Create a Bokeh figure p = figure(title="Real-time Streaming Line Plot", x_axis_label='Time', y_axis_label='Value') # Create a ColumnDataSource for streaming data source = ColumnDataSource(data=dict(x=[0], y=[0])) # Add a line plot p.line(x='x', y='y', source=source) # Update data in real-time callback = CustomJS(args=dict(source=source), code=""" const data = source.data; const x = data['x']; const y = data['y']; const lastX = x[x.length - 1]; const lastY = y[y.length - 1]; x.push(lastX + 1); y.push(lastY + Math.random() - 0.5); source.change.emit(); """) p.js_on_event('interval', callback) # Show the plot show(p)
Обширный набор инструментов и интерактивные функции Bokeh расширяют возможности энтузиастов визуализации данных. Мы исследовали его использование в исследовательском анализе данных, геопространственной визуализации, мониторинге данных в реальном времени и построении информационных панелей с использованием конкретных примеров кода. Вы можете максимально использовать свои данные с помощью Bokeh для создания впечатляющих визуализаций, которые вдохновляют и привлекают вашу аудиторию. Bokeh предлагает инструменты для превращения ваших данных в ценные идеи, независимо от того, анализируете ли вы данные, визуализируете географическую информацию или создаете информационные панели в реальном времени.
Вы можете использовать функции Bokeh и исследовать предлагаемые примеры кода, чтобы реализовать интерактивную визуализацию данных в своих собственных приложениях. С помощью языка программирования Python и универсальности Bokeh вы можете создавать уникальные визуализации, адаптированные к вашим индивидуальным требованиям.
Связаться с автором: LinkedIn
Ссылка: