Bokeh 小册子： 29种Bokeh基础可视化图形
阅读量:次 Authors: 阳哥 PYTHONVISUALIZATION
Bokeh
Bokeh小册子：29种Bokeh基础可视化图形
Table of Contents
前面，我们分享了关于 bokeh 入门 和 figure 使用的内容。今天，我们在前文的基础上，主要来分享29种基本的图形绘制方法，很多复杂的图形，都是基于这些基础图形的组合，所以，这些基础图形是我们进阶路上的必由之路。
下面，我们一起来看看都有哪些基础图形吧。
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 29 种基础图形的绘制用法。
首先，加载bokeh库，以及准备基础数据
from bokeh.plotting import figure, output_notebook, show
from bokeh.layouts import gridplot
import numpy as np
output_notebook()
np.random.seed(15)
x=np.random.randint(1,20,size=6)
y=np.random.randint(20,50,size=6)
print(x)
print(y)
circle, circle_cross, circle_x, cross
首先，我们来看看一组关于圆形及其相关的图形
p1 = figure(title='circle')
p1.circle(x,y,size=20, color='#0071c1')
p2 = figure(title='circle_cross')
p2.circle_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
p3 = figure(title='circle_x')
p3.circle_x(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
p4 = figure(title='cross')
p4.cross(x,y,size=20, color='#0071c1', line_width=2)
grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
diamond, diamond_cross, asterisk, x
这是一组跟钻石还有星型符号相关的图形绘制，如下：
p1 = figure(title='diamond')
p1.diamond(x,y,size=20, color='#0071c1')
p2 = figure(title='diamond_cross')
p2.diamond_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
p3 = figure(title='asterisk')
p3.asterisk(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
p4 = figure(title='x')
p4.x(x,y,size=20, color='#0071c1', line_width=2)
grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
square, square_cross, square_x
这里，还有跟方块相关的一组图形
p1 = figure(title='square')
p1.square(x,y,size=20, color='#0071c1')
p2 = figure(title='square_cross')
p2.square_cross(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
p3 = figure(title='square_x')
p3.square_x(x,y,size=20, color='#0071c1',fill_alpha=0.2, line_width=2)
grid=gridplot([p1,p2,p3],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
triangle, inverted_triangle
接下来，是三角形的绘制
p3 = figure(title='triangle')
p3.triangle(x,y,size=20, color='#0071c1', line_width=2)
p4 = figure(title='inverted_triangle')
p4.inverted_triangle(x,y,size=20, color='#0071c1', line_width=2)
grid=gridplot([p3,p4],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
annulus, ellipse, wedge, oval
- annulus, 绘制圆环
- wedge, 楔形图
- ellipse, 绘制椭圆
- oval，绘制椭圆
p1 = figure(title='annulus')
p1.annulus(x,y,color='#0071c1', inner_radius=0.8, outer_radius=1.2)
p2 = figure(title='wedge')
p2.wedge(x,y,color='#0071c1', radius=0.8, start_angle=0.5, end_angle=4.5, direction='anticlock')
p3 = figure(title='ellipse')
p3.ellipse(x,y,color='#0071c1', width=2, height=3.6, angle=30)
p4 = figure(title='oval')
p4.oval(x,y,color='#0071c1', width=2, height=3.6, angle=30)
grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
从上图来看，同样的数据源，ellipse 和 oval 绘制出来的椭圆形状，看起来是有些差异的。有兴趣的同学可以研究下其中的原因。
hbar, vbar
绘制柱状图，分为水平柱状图和垂直柱状图，这个也是平时我们用的比较多的类型之一。
p2 = figure(title='hbar')
p2.hbar(y=y, height=0.3, left=0, right=x, color='#0071c1')
p3 = figure(title='vbar')
p3.vbar(x=x, width=0.3, bottom=0, top=y, color='#0071c1')
grid=gridplot([p2,p3],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
line, multi_line
线状图或者称为折线图，单独只绘制线条时，可能视觉效果没有那么好看，有时候会配合圆形、方形等上面描述过的图形一起使用。
p1 = figure(title='line')
p1.line(x,y,color='#0071c1', line_width=2)
p1.circle(x,y,size=10,color='#0071c1',fill_color='white')
from bokeh.plotting import figure, output_file, show
p2 = figure(title='multi_line')
p2.multi_line(xs=[[1, 2, 3], [2, 3, 4]], ys=[[6, 7, 2], [4, 5, 7]],
color=['red','green'])
grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
来看看关于 multi_line 的一个稍微复杂一些的例子，如下
from bokeh.palettes import Spectral11
import pandas as pd
df = pd.DataFrame(data=np.random.rand(5,3), columns = ('a', 'b' ,'c'),
index = pd.DatetimeIndex(start='01-01-2018',periods=5, freq='d'))
df
numlines=len(df.columns)
mypalette=Spectral11[0:numlines]
p = figure(width=500, height=300, x_axis_type="datetime")
p.multi_line(xs=[df.index.values]*numlines,
ys=[df[name].values for name in df],
line_color=mypalette,
line_width=2)
show(p)
图示如下：
关于这个 multi_line， 总觉得在 bokeh 里过于复杂， 在 pandas 里绘制类似的图形，相对来说比较容易。
patch, patches
patch/patches， 中文翻译不确定如何解释为好，这里姑且称之为 “块状图” 吧。
- patch(x, y, **kwargs)
- patches(xs, ys, **kwargs)
p1 = figure(title='patch')
p1.patch(x,y,color='#0071c1')
p2 = figure(title='patches')
p2.patches(xs=[[1, 2, 3, 4], [2, 3, 4]], ys=[[6, 7, 2, 3], [4, 5, 7]],
color=['red','green'])
grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
quad, quadratic
- quad(left, right, top, bottom, **kwargs)，四方的
- quadratic(x0, y0, x1, y1, cx, cy, **kwargs)， 二次方程的
p1 = figure(title='quad')
p1.quad(left=[1,3,5],right=[2,4,7], top=[3,7,8], bottom=[2,3,4], color='#0071c1')
p2 = figure(title='quadratic')
p2.quadratic(x0=[1,3,5],x1=[2,4,7], y1=[3,7,8], y0=[2,3,4], cx=8 , cy=2, color='#0071c1')
grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
ray, rect, segment, step
- ray(x, y, length, angle, **kwargs) ， 射线
- rect(x, y, width, height, angle=0.0, dilate=False, **kwargs) ， 矩形
- segment(x0, y0, x1, y1, **kwargs) ， 分段，段落
p1 = figure(title='ray', x_range=[1,3.6])
p1.ray(x=[1, 2, 3], y=[1, 2, 3], length=45, angle=20, color=["#0071c1", 'black', 'red'],
line_width=[2,2,5])
p2 = figure(title='rect')
p2.rect(x=[1, 2, 3], y=[1, 8, 3], width=0.3, height=[5,10,20],angle=[0,10,0], color="#0071c1")
p3= figure(title='segment')
p3.segment(x0=[1,3,5],x1=[2,4,7], y1=[3,7,8], y0=[2,3,4], color='#0071c1', line_width=3)
p4 = figure(title='step')
p4.step(x, y, color="#0071c1",line_width=2)
grid=gridplot([p1,p2,p3,p4],ncols=2, plot_width=300,plot_height=300)
show(grid)
图示如下：
综合小结
这 29 种图形，是 bokeh 中比较基础的类型，其中一部分，我们会在后续分享中多次应用，希望对大家有所启发。
当然，还有一些图形没有提到，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。
