Bokeh 库的定义与核心功能

定义：
Bokeh 是一个用于构建交互式数据可视化的 Python 库，专注于在 Web 浏览器中呈现动态、可交互的图表。它支持从简单折线图到复杂仪表盘的创建，并提供丰富的交互功能（如缩放、悬停提示、点选筛选等），适合数据探索、实时数据监控及 Web 应用集成。

核心模块与函数

1. 绘图接口（bokeh.plotting）

   • figure()：创建基础绘图对象，定义画布尺寸、标题、坐标轴范围等。

   • line() / circle() / bar()：绘制折线图、散点图、柱状图等基本图形。

   • show()：显示图表（需配合输出模式设置）。

   • output_file() / output_notebook()：指定输出为 HTML 文件或 Jupyter Notebook。

from bokeh.plotting import figure, show, output_file

output_file("line_plot.html")  # 输出到 HTML 文件
p = figure(title="Simple Line Plot", x_axis_label="X", y_axis_label="Y")
p.line([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], line_width=2)
show(p)

交互工具（bokeh.models）

• 工具类型：

  • PanTool / WheelZoomTool：平移、滚轮缩放。

  • HoverTool：悬停显示数据详情。

  • BoxSelectTool / LassoSelectTool：框选或套索选择数据点。

• 工具集成：

p = figure(tools="pan, wheel_zoom, box_select, hover")

布局与组件（bokeh.layouts）

• row() / column()：横向或纵向排列多个图表。

• gridplot()：创建网格布局。

• Panel() / Tabs()：构建选项卡式多页面视图。

from bokeh.layouts import row
p1 = figure(...)  # 图表1
p2 = figure(...)  # 图表2
layout = row(p1, p2)
show(layout)

数据源与回调（bokeh.models.sources）

• ColumnDataSource：高效数据容器，支持动态更新。

• 回调函数：通过 CustomJS 或 Python 回调实现交互逻辑。

from bokeh.models import ColumnDataSource, CustomJS
source = ColumnDataSource(data={"x": [1,2,3], "y": [4,5,6]})
p.circle(x="x", y="y", source=source)
# 添加 JavaScript 回调
source.selected.js_on_change("indices", CustomJS(code="console.log('Selected indices:', cb_data.indices)"))

1. 服务器应用（bokeh.server）

   • 创建实时更新的 Web 应用，支持多用户交互。

   • 示例：动态股票行情仪表盘、实时传感器数据监控。

Bokeh 的核心优势

1. 交互性：内置丰富的交互工具，无需额外编码即可实现用户与图表的动态交互。

2. 高性能：支持大规模数据集渲染（如百万级数据点），通过 WebGL 加速图形绘制。

3. 跨平台：输出为 HTML/JS，可在浏览器、Jupyter Notebook、Flask/Django 等 Web 框架中无缝集成。

4. 灵活性：提供低级（bokeh.models）和高级（bokeh.plotting）API，满足从快速原型到复杂定制需求。

Bokeh 与 Matplotlib/Seaborn 的对比

实战示例：带悬停提示的散点图

from bokeh.plotting import figure, show
from bokeh.models import HoverTool
from bokeh.sampledata.iris import flowers

# 配置悬停提示内容
hover = HoverTool(tooltips=[
    ("Species", "@species"),
    ("Petal Length", "@petal_length"),
    ("Sepal Width", "@sepal_width")
])

# 创建绘图对象
p = figure(title="Iris Dataset", tools=[hover, "pan, wheel_zoom"])
p.circle(
    x="petal_length", 
    y="sepal_width", 
    source=flowers,
    fill_alpha=0.2, 
    size=10,
    legend_field="species"
)
show(p)

常见问题与解决方案

1. 图表未显示：

   • 确保调用 output_file() 或 output_notebook()。

   • 在 Jupyter 中需使用 show(p, notebook_handle=True)。

2. 数据更新延迟：

   • 使用 ColumnDataSource 并调用 source.stream(new_data) 或 source.patch(updates)。

3. 性能优化：

   • 对大数据集启用 WebGL 渲染：p = figure(output_backend="webgl")。

   • 简化数据（如采样或聚合）。

总结
Bokeh 是构建交互式 Web 可视化的强大工具，尤其适合需要动态交互和实时更新的场景。通过其分层 API，用户既能快速生成基础图表，也能深度定制复杂应用。对于 Web 开发者或数据工程师，Bokeh 是实现数据驱动应用的核心利器。