这是 Python 数据可视化系列的第六节《Bokeh》。
Matplotlib 上
Matplotlib 下
Seaborn 上
Seaborn 中
Seaborn 下
之前 Python 数据分析和基础系列的所有课程链接如下。
NumPy 上
NumPy 下
Pandas 上
Pandas 下
SciPy 上
SciPy 下
Pandas 时间序列
Pandas 高频数据采样
默顿模型计量经济资本
LSMC 定价美式和百慕大期权
负油价和负利率模型
Nelson-Siegel 构建债券收益率曲线
外汇交易组合保证金制定系统
FR007 利率掉期定价和曲线拔靴
量化投资 - 向量化回测
编程概览
元素型数据
容器型数据
流程控制:条件-循环-异常处理
函数上:低阶函数
函数下:高阶函数
类和对象:封装-继承-多态-组合
字符串专场:格式化和正则化
解析表达式:简约也简单
生成器和迭代器:简约不简单
装饰器:高端不简单
与 Python 可视化领域的流行同行 (如 Matplotlib 和 Seaborn) 不同的是,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,支持现代化 Web 浏览器展示,例如图表可以输出为 JSON 对象,HTML 文档或者可交互的网络应用,这是 Bokeh 与其他可视化库最核心的区别。Bokeh 可以让用户尽可能快上手完成绘制交互式图片,设置仪表板及开发数据应用的任务。
真正丰富它的是 Bokeh 中的 Glyph (字形),它是一种表示数据的图形形状或标记。比如圆形或正方形都是 Glyph。创建图形之后,就可以适用一系列可配置的 Glyph 方法。
下图画出 Glyph 为 Patch 图,默认的 Bokeh Figure() 带有一个现成的工具栏。默认工具栏带有以下工具:
散景首页的链接
Pan (平移)
Box Zoom (放大)
Wheel Zoom (变焦)
Save (保存)
Reset (重置)
散景用户指南的链接,用于配置绘图工具
Bokeh 中可以个性化布局,如果希望在两种可视化效果之间进行全尺寸切换,而不必将其压缩到彼此相邻或重叠的位置,则选项卡式布局是一个不错的选择。一个选项卡式布局包含两个 Bokeh 小部件,即 bokeh.models.widgets 子模块中的 Tab() 和 Panel()。
让 Bokeh 与众不同的是其轻松实现可视化交互性的功能。在本次课中将介绍添加交互性的四种方法:
选择数据点
添加悬停动作 (hover)
链接轴和数据
使用图例突显数据
Bokeh 交互性功能真棒!
付费用户(付 1 赠 1)可以获得:
观看课程视频 (97 分钟)
Python 代码 (Jupyter Notebook)