Python數據可視化：基於Bokeh的可視化繪圖（簡體書）

【為何寫作本書】

2019年5月，PYPL（程序設計語言流行指數，基於Google搜索頻率而定）出爐了程序設計語言排行榜，Python位元列第一，成為當下最流行的程序設計語言之一。TIOBE排行榜也顯示，Python的流行度屢創新高，目前排名第四，並保持高速增長。作為大資料和人工智能時代的必備語言，Python具有語言簡潔、開發效率高、可攜性強等優點，經過多年的生態建設，Python有了大量的函式程式庫，尤其在資料分析和科學計算領域。另外，函數在Python中是一等公民，所以Python同時也是一種函數式程序設計語言。

互聯網的快速發展為我們積累了龐大的資料，計算機硬體的創新為存儲與分析這些資料創造了硬體條件，程序設計語言的發展為分析這些資料創造了軟件條件。在資料分析這個領域，Python有著自身獨特的優勢，簡單易用的特性與強大的開源模組的支援使其成為資料分析領域方便好用的利器。

Python在資料分析領域的廣泛應用離不開強大的開源模組的支援，大名鼎鼎的NumPy、Scipy、Statsmodels、Pandas等模組的建立與發展奠定了Python在資料分析領域的重要地位。這些模組簡單又好用，提供的解決方案能夠滿足絕大部分業務需求。在人工智能領域，Python也有非常棒的解決方案，如Sklearn、XGBoost、TensorFlow、MXNet、Theano、Caffe等都是非常好的開源模組。尤其在人工智能中前沿的深度學習領域，Python幾乎佔據了霸主的地位。Python借助在資料分析領域中開源模組的優勢，在量化投資領域逐漸佔據了領頭羊的地位。

對資料的分析離不開資料的可視化，相對於在資料分析、人工智能、量化投資等領域中的發展，Python在資料可視化方面的發展有些滯後。最經典的Python可視化繪圖庫莫過於Matplotlib。Matplotlib就是MATLAB+Plot+Library，即模仿MATLAB的繪圖庫，其繪圖風格與MATLAB類似。由於MATLAB的繪圖風格偏古典，為了繪出更漂亮的圖像，Python開源社區開發出了Seaborn繪圖模組，它本質上是對Matplotlib的封裝，繪圖效果更符合現代人的審美。儘管如此，由於Matplotlib是基於GUI的繪圖模組，所以也存在特有的缺陷。

就筆者的使用經驗而言，Matplotlib主要存在兩大缺陷：首先，Matplotlib是一個靜態的繪圖模組，其繪製的圖像都是靜態的，就像用軟件打開圖片一樣，無法實現Web繪圖的交互效果；其次，Matplotlib繪圖結果分享極其不便，只能以圖片的方式分享，讀者看到的繪圖結果完全是靜態的，分享體驗較差。至於Python其他繪圖模組，諸如GGplot2、Plotly、Pyecharts等都比較小眾，而Bokeh集成在Anaconda中，在筆者創作本書的過程中，Bokeh在GitHub上的Stars已經超過了Matplotlib。

Bokeh是一個基於D3.js的繪圖庫，所以其繪圖結果可以與Web應用無縫銜接，在實現與讀者交互的同時，便於分享、傳播。其次，Bokeh有著自己強大又豐富的繪圖庫，提供了優雅、簡潔的多功能圖形繪製方法，在超大資料集或流式資料集上具有高性能的交互性，且與Python（或其他語言）的交互快速而簡單。

筆者從2014年開始學習Python，主要將其用於傳統行業資料分析，2016年初嘗Bokeh便被其深深吸引。然而，Bokeh官方的文檔為英文，且不符合國人的繪圖習慣，因此我希望盡自己的微薄之力，將近年所知、所學進行歸納、整理，若讀者能從中感悟一二，並將其用於工作實踐，將是本書和本人之福！

【讀者物件】

（1）大資料分析人員

毫無疑問，大資料分析人員是本書的核心受眾群體之一，本書與其他可視化的書籍不同，本著“Talk is cheap，show me your code”的原則，盡可能言簡意賅、深入淺出，以代碼實現各種圖表。資料可視化作為整個資料分析過程的最後一環，好的資料展示效果，往往會讓資料分析結果更為生動、更具說服力。

另外，本書中代碼未過多涉及複雜的資料預處理和分析技巧，著重講述不同圖表的繪製方法，以便於大資料分析人員進行重構，書中代碼基本上可以即拿即用，從而節約寶貴時間用在資料清洗和分析探索上。

（2）企業管理運營人員

市面上各式各樣的BI系統都非常成熟，如數據分析、圖表的拖拽等，即使零程序設計基礎的用戶都可以做出像模像樣的可視化圖表或資料看板。然而，如果涉及產品、市場等核心敏感性資料時，則不得不招兵買馬，組建團隊，以期實現企業專屬的資料可視化系統，如業務中臺、資料中臺、營銷中臺等。此時，不可避免地要考慮到開發成本問題，Bokeh可以與Flask、Django等完美結合，用最小的成本實現企業資料全網實時、動態展示；在中小型公司中，如果無須聯網僅內部使用，則無須服務器建站，可直接使用Bokeh sever展示，並通過局域網實現內部分享。

（3）IT轉型人員

隨著互聯網的發展，資料分析團隊的成員分工也變得更細，專精於資料可視化系統開發的人才也會愈加受到重視。而且，在Bokeh資料可視化領域沒有複雜的算法，僅需具備一些Web前端和Python程序設計基礎知識即可。

（4）大中專院校學生及科研人員

本書符合國內讀者的閱讀習慣，書中的可視化圖表也可供大中專院校學生及科研人員進行論文寫作、實際工作時使用。

【主要內容】

本書共分為5章，各章主要內容如下：

第1章介紹一些準備工作，包括Anaconda的安裝方法、運行環境，以及繪圖的主要方法。

第2章主要介紹基本圖形的繪製，即對Bokeh中一些常見的基礎圖形，如線形圖、柱狀圖、圓形圖、氣泡圖和長條圖等進行介紹。

第3章主要介紹資料類型與轉換，包括對Bokeh所需的常見資料類型進行的介紹。

第4章主要介紹視圖屬性，包括Bokeh圖形配色、畫布屬性及繪圖工具，圖形顯示方式和輸出方式，用控制項進行資料交互的方法。

第5章主要介紹Web動態可視化。熟悉Web開發的讀者可以在任意前端框架下嵌入圖形。

如果僅對Bokeh的基礎繪圖感興趣，那麼前4章的內容就能滿足你的需求；如果你有一定的Web開發基礎，那麼可以參考第5章的內容，實現Web資料可視化。

前　言

第1章　準備工作 1

1.1　安裝Anaconda

1.2　運行Jupyter Notebook

1.3　基本概念

第2章　繪製基本圖形 7

2.1　繪圖方法

2.2　散點圖

2.3　氣泡圖

2.4　折線圖

2.5　時間序列

2.6　柱狀圖

2.7　長條圖

2.8　餅（環）圖

2.9　旭日圖

2.10　雷達圖

2.11　箱形圖

2.12　面積圖

2.13　蠟燭（K線）圖

2.14　色塊圖

2.15　儀錶盤

2.16　火柴圖

2.17　關係圖

2.18　脊線圖

2.19　向量圖

2.20　其他

第3章　資料類型與轉換 136

3.1　Python List

3.2　Python Dict

3.3　NumPy Arrays

3.4　Pandas DataFrame

3.5　Bokeh ColumnDataSource

3.6　資料更新、篩選

3.7　自動轉換資料格式

第4章　視圖屬性 147

4.1　主題

4.2　配色

4.3　視圖屬性

4.4　繪圖工具

4.5　圖形顯示佈局

4.6　圖形輸出

4.7　使用工具條進行資料交互

4.8　使用控制項進行資料交互

第5章　Web動態可視化 224

5.1　輸出為HTML檔

5.2　輸出為HTML源碼

5.3　輸出為HTML元件

5.4　通過Web範本顯示

5.5　Bokeh Flask

5.6　Bokeh Sever