Bokeh中数据的添加、修改和筛选
阅读量:次 Authors: 阳哥 PYTHONVISUALIZATION
Bokeh
Bokeh中数据的添加、修改和筛选
Table of Contents
本文的环境为
- window 7 系统
- python 3.6
- Jupyter Notebook
- bokeh 0.13.0
数据是进行数据可视化的必要基础， 前文介绍了 bokeh 中数据呈现的几种方式。
本文主要介绍 在 bokeh 中 对 ColumnDataSource 类型数据中进行：
（1）添加新的数据 （2）修改更新已有数据 （3）筛选数据。
首先加载相关Python库。
from bokeh.plotting import figure, output_notebook, show
from bokeh.layouts import gridplot
from bokeh.models import ColumnDataSource
import numpy as np
import pandas as pd
output_notebook()
添加新的数据
ColumnDataSource 通过 stream() 方法来添加新的数据
data1 = {'x_values': [1, 2, 9, 4, 5],
'y_values': [6, 7, 2, 3, 6]}
source = ColumnDataSource(data=data1)
p1 = figure(plot_width=300, plot_height=300, title= 'origin data')
p1.circle(x='x_values', y='y_values', source=source, size=20)
show(p1)
图示如下：
new_data = {'x_values': [6, 7, 2, 3, 6],
'y_values': [1, 2, 9, 4, 5]}
# 在已有数据基础上添加新的数据 （append）
source.stream(new_data)
p2 = figure(plot_width=300, plot_height=300,title= 'append data with stream')
p2.circle(x='x_values', y='y_values', source=source, size=20)
show(p2)
图示如下：
数据更新
用 patch 方法可以更新 ColumnDataSource 的数据。
data = {'x_column': [1, 2, 9, 4, 5, 8],
'y_column': [6, 7, 2, 3, 6, 2]}
df = pd.DataFrame(data=data)
df
如下：
source = ColumnDataSource(data=df)
p1 = figure(plot_width=300, plot_height=300, title= 'origin data')
p1.circle(x='x_column', y='y_column', source=source, size=20)
show(p1)
图示如下：
更新单个数据
# 更新单个数据
# {column:(index, new_value) }
source.patch({'x_column':[(0,15)]})
p2 = figure(plot_width=300, plot_height=300,title= 'revise single value with patch')
p2.circle(x='x_column', y='y_column', source=source, size=20)
show(p2)
图示如下：
更新多个数据
# 更新多个数据
# {column:(slice, new_values) }
s = slice(2,4)
source.patch({'x_column':[(s,[20,15])]})
p2 = figure(plot_width=300, plot_height=300,title= 'revise multiple values with patch')
p2.circle(x='x_column', y='y_column', source=source, size=20)
show(p2)
图示如下：
筛选数据
在Bokeh 中， ColumnDataSource （CDS） 提供了 CDSView 来对数据进行筛选
其一般用法如下：
from bokeh.models import ColumnDataSource, CDSView
source = ColumnDataSource(some_data)
view = CDSView(source=source, filters=[filter1, filter2])
其中 filters 包括 IndexFilter, BooleanFilter, GroupFilter 等
Indexfilter
根据数据的索引来筛选数据
from bokeh.plotting import figure
from bokeh.models import ColumnDataSource, CDSView, IndexFilter
from bokeh.layouts import gridplot
data = {'x_column': [1, 2, 9, 4, 5, 8],
'y_column': [6, 7, 2, 3, 6, 2]}
df = pd.DataFrame(data=data)
source = ColumnDataSource(data=df)
view = CDSView(source=source, filters=[IndexFilter([0,2,4])])
p1 = figure(plot_width=300, plot_height=300, title='origin state')
p1.circle(x='x_column', y='y_column', source=source, size=20)
p2 = figure(plot_width=300, plot_height=300, title='IndexFilter')
p2.circle(x='x_column', y='y_column', source=source, size=20, view=view)
grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
BooleanFilter
根据布尔值， True 或 False 来筛选数据
from bokeh.models import BooleanFilter
from bokeh.layouts import row
booleans = [True if y_val>4 else False for y_val in source.data['y_column']]
view_booleans = CDSView(source=source, filters=[BooleanFilter(booleans)])
p1 = figure(plot_width=300, plot_height=300,title='origin state')
p1.circle(x='x_column', y='y_column', source=source, size=20)
p2 = figure(plot_width=300, plot_height=300, title='BooleanFilter')
p2.circle(x='x_column', y='y_column', source=source, size=20, view=view_booleans)
grid=gridplot([p1,p2],ncols=2,plot_width=300,plot_height=300)
show(grid)
图示如下：
GroupFilter
使用 GroupFilter 可以筛选出包含特定类型的所有行数据。 GroupFilter 有两个参数， 即 Column_name 和 group， 也就是 列名 和 类别名称。
如下面的官方例子所述，如果想筛选 iris 数据中 特定类别的花，可以使用 GroupFilter 方法。
from bokeh.plotting import figure, show
from bokeh.layouts import gridplot
from bokeh.models import ColumnDataSource, CDSView, GroupFilter
from bokeh.sampledata.iris import flowers
# output_file("group_filter.html")
source = ColumnDataSource(flowers)
view1 = CDSView(source=source, filters=[GroupFilter(column_name='species', group='versicolor')])
plot_size_and_tools = {'plot_height': 300, 'plot_width': 300,
'tools':['box_select', 'reset', 'help']}
p1 = figure(title="Full data set", **plot_size_and_tools)
p1.circle(x='petal_length', y='petal_width', source=source, color='black')
p2 = figure(title="Setosa only", x_range=p1.x_range, y_range=p1.y_range, **plot_size_and_tools)
p2.circle(x='petal_length', y='petal_width', source=source, view=view1, color='red')
show(gridplot([[p1, p2]]))
图示如下：
当然，还有一些其他的筛选方法，有兴趣的同学可以自己挖掘下~~
对我的文章感兴趣的朋友，可以关注我的微信公众号「Python数据之道」（ID：PyDataLab），接收我的更新通知。
