Python3，必备数据可视化之：数据交互可视化

news2024/10/6 1:41:08

数据可视化之交互可视化

1、引言
2、交互可视化介绍
- 2.1 Bokeh
- - 2.1.1 基本定义
  - 2.1.2 常用功能
  - 2.1.3 安装
  - 2.1.4 代码示例
- 2.2 Plotly
- - 2.2.1 基本定义
  - 2.1.2 常用功能
  - 2.1.3 安装
  - 2.2.4 代码示例
- 2.3 Bokeh与Plotly 差异点
3、总结

1、引言

小屌丝：鱼哥，我发现一件事。
小鱼：嗯，你还挺擅于发现的。
小屌丝：额。。。我是说，我发现你最近发博客有规律。
小鱼：嗯，你确实对我观察的很仔细。
小屌丝：…你最近写数据分析相关的博文，很频繁啊。
小鱼：你这发现的还真是仔细啊。
小屌丝：那是，必须的必。我是谁，话说为啥最近写数据分析相关的呢？
小鱼：因为… 当然是因为我在使用了哦。
小屌丝：那今天要分享啥呢？
小鱼：今天？不分享行不行。
小屌丝：别啊，我这还想着跟你学习呢。
小鱼：额，好吧，看在你这么好学的份上，我们来聊一聊Bokeh和plotly
小屌丝：额，这个，我还真不太了解
小鱼：所以，我们来聊一聊哦。
在这里插入图片描述

2、交互可视化介绍

2.1 Bokeh

2.1.1 基本定义

Bokeh是由美国西北大学的研究人员创建的，是一个用于创建高度交互式的数据可视化图表的Python库。
它专注于数据可视化，允许用户使用Python进行数据分析和可视化，同时创建出可以在网页浏览器中交互的图表。

2.1.2 常用功能

丰富的图表类型：Bokeh支持多种图表类型，包括折线图、散点图、条形图等。
高度交互性：Bokeh提供了丰富的交互功能，如鼠标悬停提示框、拖拽调整、焦点视图等。
数据连接：Bokeh支持从多种数据源获取数据，包括Pandas DataFrame、SQL数据库等。

2.1.3 安装

因为 Bokeh 属于三方库，所以，需要先安装，在使用。
老规矩， pip安装

pip install bokeh

其它安装方式，直接看这两篇:

《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
《Python3：我低调的只用一行代码，就导入Python所有库！》

2.1.4 代码示例

# -*- coding:utf-8 -*-
# @Time   : 2023-11-19
# @Author : Carl_DJ

'''
实现功能：
  使用 Bokeh 交互可视化
'''
from bokeh.plotting import figure, output_file, show  
import pandas as pd  
  
# 读取数据  
df = pd.read_csv('./data/data_bokeh.csv')  
  
# 创建图表  
output_file('./result/output.html')  
p = figure()  
  
# 添加数据点  
p.circle(df['x'], df['y'], size=4, color='navy', alpha=0.5)  
  
# 显示图表  
show(p)

2.2 Plotly

2.2.1 基本定义

Plotly是一个开源的Python图形库，可以创建高度交互式的2D和3D图像。

它支持多种图像类型，包括散点图、线图、热图等，并支持在Jupyter notebook中直接使用。

2.1.2 常用功能

多样的图像类型：Plotly支持多种图像类型，包括散点图、线图、热图等。
强大的交互功能：Plotly的图像支持鼠标悬停提示框、点击事件等交互功能。
数据连接：Plotly支持从多种数据源获取数据，包括Pandas DataFrame、SQL数据库等

2.1.3 安装

因为 plotly 属于三方库，所以，需要先安装，在使用。
同样， pip安装

pip install plotly

其它安装方式，直接看这两篇:

《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
《Python3：我低调的只用一行代码，就导入Python所有库！》

2.2.4 代码示例

# -*- coding:utf-8 -*-
# @Time   : 2023-11-19
# @Author : Carl_DJ

'''
实现功能：
  使用 plotly 交互可视化
'''
import plotly.graph_objs as go  
import pandas as pd  
  
# 读取数据  
df = pd.read_csv('./data/data_plotly.csv')  
  
# 创建图像对象  
trace = go.Scatter(x=df['x'], y=df['y'], mode='markers', marker=dict(size=4, color='navy', alpha=0.5))  
data = [trace]  
layout = go.Layout(title='Scatter Plot')  
fig = go.Figure(data=data, layout=layout)  
  
# 显示图像  
fig.show()

2.3 Bokeh与Plotly 差异点

Bokeh和Plotly都是非常优秀的Python可视化库，都提供了强大的交互式可视化功能。
然而，它们在某些方面存在一些差异，如下：

交互性：
- Bokeh专注于交互性，提供了丰富的交互功能，如鼠标悬停提示框、拖拽调整、焦点视图等。这些功能使得用户可以更方便地探索和分析数据。
- Plotly的交互性也很强大，但相对而言更灵活，用户可以通过鼠标操作来放大、缩小和旋转图表，还可以通过滑块、下拉菜单等添加交互元素。
可视化效果：Plotly和Bokeh在可视化效果上都提供了良好的表现。
- Plotly的绘图效果比较平滑和精细，可以生成高质量的图表。
- Bokeh的绘图效果相对简单和直接，更适合用于快速绘图和数据演示。
学习曲线：
- Bokeh的学习曲线可能稍高，因为它包含较多的概念和工具，需要一些时间来熟悉。
- 而Plotly的语法相对更容易上手，对于初学者来说可能更容易掌握。
扩展性：Bokeh和Plotly都支持自定义和扩展，但方式略有不同。
- Bokeh通过添加自定义JS和CSS来扩展其功能，这需要一些JavaScript和CSS的知识。
- 而Plotly则通过提供Python接口来扩展其功能，这需要Python编程知识。
社区支持：
- Plotly是一个比较成熟的可视化库，拥有庞大的用户群体和丰富的社区资源，包括文档、示例和教程等。
- Bokeh相对较新，但也在逐步发展中，其社区支持相对较少。