Bokeh 小册子： figure 详细解读
阅读量:次 Authors: 阳哥 PYTHONVISUALIZATION
Bokeh
Bokeh小册子：figure 详细解读
Table of Contents
figure 在 bokeh 绘图中有着重要的作用，今天我们来开始了解 figure 的用法， 希望对大家有所帮助。
本次运行环境为：
- win7
- jupyter notebook
- python 3.6
- bokeh 0.13.0
Bokeh 中绘图的一般步骤
- 加载 bokeh 库，声明在 notebook 或 html 文件中显示或输出绘制的图表
- 绘制图表框架 figure()
- 在 figure 上绘制具体的图形，比如 circle，line，bar等
- 显示图片，show()
本文主要来介绍 figure() 的基本用法。
首先，加载bokeh库
from bokeh.plotting import figure, output_notebook, show
output_notebook()
plot_width, plot_weight
plot_width, plot_weight 可以设置绘图区的宽度和高度。
设置参数值，如下：
p = figure(plot_width=400, plot_height = 400)
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
width, weight
width, weight 也可以设置绘图区的宽度和高度。
查看官方文档，用的是 plot_width 和 plot_weight 两个参数，但实际上 width 和 height 也有同样的效果，大家不妨探索下。
代码如下：
p = figure(width=400, height = 400)
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
tools
工具可以是以下 value，可以根据实际情况来选择合作的工具使用。
“crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select,save,help”
# 工具可以是以下 value，可以根据实际情况来选择合作的工具使用
# tools = "crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select,save,help"
tools = "crosshair,pan,wheel_zoom,reset,save"
p = figure(width=400, height = 400, tools=tools)
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
toolbar_location
toolbar_location， 设置工具栏显示的位置，参数值可以是： “below, above, left, right”，默认值应该是 “auto”
tools = "crosshair,pan,wheel_zoom,reset"
p = figure(width=400, height = 400, tools=tools, toolbar_location='above')
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
x_minor_ticks, y_minor_ticks
x_minor_ticks, y_minor_ticks 默认值是 “auto”，其他值可以是大于1的整数
示例如下：
p = figure(width=400, height = 400,
x_minor_ticks=2, y_minor_ticks=10)
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
x_range, y_range
x_range, y_range 可以是 list 或 tuple 表示范围的形式数值
示例如下：
p = figure(width=400, height = 400, x_range=[2,4], y_range=[5.5, 7.5])
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
或者
p = figure(width=400, height = 400, x_range=(2,4), y_range=(5.5, 7.5))
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
x_axis_label, x_axis_location
x_axis_label, 设置 x 轴 的名称
x_axis_location, 设置 x 轴 的位置，有两个值，在上面显示（”above”） 和在下面显示（”below”），默认值是 “below”
p = figure(width=400, height = 400,
x_axis_label='x label above', x_axis_location='above',
y_axis_label='y label')
# x_axis_location, default value: "below", values are [ above, below]
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
y_axis_label, y_axis_location
y_axis_label, 设置 y 轴 的名称
y_axis_location, 设置 y 轴 的位置，有两个值，在左边显示（”left”） 和在右边显示（”right”），默认值是 “left”
p = figure(width=400, height = 400,
x_axis_label='x label', x_axis_location='below',
y_axis_label='y label right', y_axis_location='right')
# x_axis_location, default value: "below", values are [ above, below]
# y_axis_location, default value: "left", values are [ left, right]
p.circle([1,2,3,4],[5,6,7,8],size=20, color='red', alpha=0.5)
show(p)
图示如下：
x_aixs_type，y_axis_type
（1）x_aixs_type: “datetime”
若是时间数据，可以将 x 轴或者 y 轴的数值设置为 日期形式
import pandas as pd
rng = pd.date_range('2018-1-1', periods=7)
rng
out:
DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',
'2018-01-05', '2018-01-06', '2018-01-07'],
dtype='datetime64[ns]', freq='D')
x = [1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0]
# y = [10**(i**2) for i in x]
y = [i**2 for i in x]
p = figure(width=400, height = 400, title='datetime type example',
x_axis_label='x label datetime', x_axis_location='below',
y_axis_label='y label', y_axis_location='left',
y_axis_type='linear', x_axis_type='datetime')
# y_axis_type, "auto" 和 "linear" 的效果是一样的
p.line(rng,y,color='red',line_width=3, alpha=0.9)
show(p)
图示如下：
（2）y_aixs_type: “log”
有时候，我们需要将 x 或 y 轴的数据设置成 对数（log）形式，如下：
x = [1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0]
y = [10**(i**2) for i in x]
p = figure(width=400, height = 400, title='log type example',
x_axis_label='x label', x_axis_location='below',
y_axis_label='y label log', y_axis_location='left',
y_axis_type='log')
p.line(x,y,color='red',line_width=3, alpha=0.9)
show(p)
图示如下：
（3）x_axis_type, y_aixs_type: “mercator”
k = [1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0]
x = [i*10000 for i in k]
y = [i*10000+30000 for i in k]
p = figure(width=400, height = 400, title='example',
x_axis_label='x label', x_axis_location='below',
y_axis_label='y label', y_axis_location='left' )
p.line(x,y,color='red',line_width=3, alpha=0.9)
show(p)
没有设置 mercator的图示如下：
k = [1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0]
x = [i*10000 for i in k]
y = [i*10000+30000 for i in k]
p = figure(width=400, height = 400, title='mercator type example',
x_axis_label='x label', x_axis_location='below',
y_axis_label='y label', y_axis_location='left',
x_axis_type='mercator', y_axis_type='mercator')
p.line(x,y,color='red',line_width=3, alpha=0.9)
show(p)
设置为 mercator 后的图示如下：
从上图的结果来看， mercator 好像代表的是 数值 10万，简写为 1。
当然，我不知道我的这个理解是否准确。
关于 mercator， 我暂时没有看懂是什么用途， 在网上查到了 mercator projection。
各位有兴趣的可以探索下。
麦卡托投影法 Mercator projection
- https://en.wikipedia.org/wiki/Mercator_projection
- https://zh.wikipedia.org/wiki/%E9%BA%A5%E5%8D%A1%E6%89%98%E6%8A%95%E5%BD%B1%E6%B3%95
综合小结
最后，我们来小结下前面所述内容。
figure 的部分参数：
- plot_width, plot_weight 或 width, height，设置绘图区的长度和宽度
- tools，设置绘图区旁边所用的工具(tools)，其值可以是 “crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select,save,help”
- toolbar_location， 设置工具栏显示的位置，参数值可以是： “below, above, left, right”，默认值 “right”
- x_minor_ticks, y_minor_ticks 默认值是 “auto”，其他值可以是大于1的整数
- x_range, y_range 可以是 list 或 tuple 表示范围的形式数值
- x_axis_label, y_axis_label, 设置 x 轴 和 y 轴 的名称
- x_axis_location, default value: “below”, values are [ above, below]
- y_axis_location, default value: “left”, values are [ left, right]
- x_aixs_type，y_axis_type， x 和 y 轴数据的表现形式，其值可以是 “ linear, log, datetime, mercator”, 默认是 “auto”
当然，还有一些参数没有提到，各位可以自行研究下。
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。
