柱狀圖/堆疊圖/直方圖
① 單系列柱狀圖
② 多系列柱狀圖
③ 堆疊圖
④ 直方圖
1.單系列柱狀圖
import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline import warnings warnings.filterwarnings('ignore') # 不發出警告 from bokeh.io import output_notebook output_notebook() # 導入notebook繪圖模塊 from bokeh.plotting import figure,show from bokeh.models import ColumnDataSource # 導入圖表繪制、圖標展示模塊 # 導入ColumnDataSource模塊
p.vbar（） p.hbar（）
p.vbar(x=[1, 2, 3], width=0.5, bottom=0,top=[1.2, 2.5, 3.7], #color = ['red','blue','green'], alpha = 0.8
line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2],fill_color = 'red',fill_alpha = 0.6 )
# 1、單系列柱狀圖 # vbar df = pd.Series(np.random.randint(0,100,30)) #print(df.head()) p = figure(plot_width=400, plot_height=400) p.vbar(x=[1, 2, 3], width=0.5, bottom=0,top=[1.2, 2.5, 3.7], # x：橫軸坐標，width：寬度，bottom：底高度，top：頂高度 ; bottom=[1,2,3] #color = ['red','blue','green'], alpha = 0.8 # 整體顏色設置，也可單獨設置 → color="firebrick" line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2], # 單獨設置線參數 fill_color = 'red',fill_alpha = 0.6 # 單獨設置填充顏色參數 ) # 繪制豎向柱狀圖 # p.vbar(x=df.index, width=0.5, bottom=0,top=df.values, # x：橫軸坐標，width：寬度，bottom：底高度，top：頂高度 ; bottom=[1,2,3] # #color = ['red','blue','green'], alpha = 0.8 # 整體顏色設置，也可單獨設置 → color="firebrick" # line_width = 1,line_alpha = 0.8,line_color = 'black', line_dash = [5,2], # 單獨設置線參數 # fill_color = 'red',fill_alpha = 0.6 # 單獨設置填充顏色參數 # ) show(p)
# 1、單系列柱狀圖 # hbar # df = pd.DataFrame({'value':np.random.randn(100)*10, # 'color':np.random.choice(['red', 'blue', 'green'], 100)}) # print(df.head()) p = figure(plot_width=400, plot_height=400) p.hbar(y=[1, 2, 3], height=0.5, left=0,right=[1.2, 2.5, 3.7], # y：縱軸坐標，height：厚度，left：左邊最小值，right：右邊最大值 color = ['red','blue','green']) # 繪制豎向柱狀圖 # p.hbar(y=df.index, height=0.5, left=0,right=df['value'], # y：縱軸坐標，height：厚度，left：左邊最小值，right：右邊最大值 # color = df['color']) show(p)
分類標簽的設置
p.vbar(x='fruits', top='counts', source=source, width=0.9, alpha = 0.8,color = factor_cmap('fruits', palette=Spectral6, factors=fruits), legend="fruits")
# 1、單系列柱狀圖 - 分類設置標簽 # ColumnDataSource from bokeh.palettes import Spectral6 from bokeh.transform import factor_cmap # 導入相關模塊 fruits = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries'] counts = [5, 3, 4, 2, 4, 6] source = ColumnDataSource(data=dict(fruits=fruits, counts=counts)) colors = [ "salmon", "olive", "darkred", "goldenrod", "skyblue", "orange"] # 創建一個包含標簽的data，對象類型為ColumnDataSource p = figure(x_range=fruits, y_range=(0,9), plot_height=350, title="Fruit Counts",tools="") #x_range一開始就要設置成一個字符串的列表；要一一對應 p.vbar(x='fruits', top='counts', source=source, # 加載數據另一個方式 width=0.9, alpha = 0.8, color = factor_cmap('fruits', palette=Spectral6, factors=fruits), # 設置顏色 legend="fruits") # 繪制柱狀圖，橫軸直接顯示標簽 # factor_cmap(field_name, palette, factors, start=0, end=None, nan_color='gray')：顏色轉換模塊，生成一個顏色轉換對象 # field_name：分類名稱 # palette：調色盤 # factors：用於在調色盤中分顏色的參數 # 參考文檔：http://bokeh.pydata.org/en/latest/docs/reference/transform.html p.xgrid.grid_line_color = None p.legend.orientation = "horizontal" p.legend.location = "top_center" # 其他參數設置 #cmd -->> conda install bokeh ; conda install json show(p)
2. 多系列柱狀圖
p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3個柱狀圖拼到了一起
p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016"))
p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017"))
# 2、多系列柱狀圖 # vbar from bokeh.transform import dodge from bokeh.core.properties import value # 導入dodge、value模塊 df = pd.DataFrame({'2015':[2, 1, 4, 3, 2, 4],'2016':[5, 3, 3, 2, 4, 6], '2017':[3, 2, 4, 4, 5, 3]}, index = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries']) # 創建數據 print(df) fruits = df.index.tolist() # 橫坐標 years = df.columns.tolist() # 系列名 data = {'index':fruits} for year in years: data[year] = df[year].tolist() print(data) # 生成數據，數據格式為dict; 專門把dataframe轉換為字典，然后再轉換為ColumnDataSource；可以把這些步驟給都省了，也可以的。 source = ColumnDataSource(data=data) #把上面轉換字典步驟直接去掉也是可以的，這時把 data = df # 將數據轉化為ColumnDataSource對象 p = figure(x_range=fruits, y_range=(0, 10), plot_height=350, title="Fruit Counts by Year",tools="") p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3個柱狀圖拼到了一起 p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016")) p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017")) # 繪制多系列柱狀圖 0.25和width=0.2是柱狀圖之間的空隙間隔，都是0.2了就沒有空隙了 # dodge(field_name, value, range=None) → 轉換成一個可分組的對象，value為元素的位置（配合width設置） # value(val, transform=None) → 按照年份分為dict p.xgrid.grid_line_color = None p.legend.location = "top_left" p.legend.orientation = "horizontal" # 其他參數設置 show(p)
官方示例很多情況是用的列表的形式，bokeh本身不是基於pandas構建的可視化工具，所以它基本上是用的python自己的數據結構字典、列表；我們做數據分析肯定是基於pandas，以上就是做了一個模擬，如果數據結構是DataFrame，怎么把它變成一個字典，再把它變成一個ColumnDataSource，同樣的也可以直接用dataframe來創建
from bokeh.transform import dodge from bokeh.core.properties import value # 導入dodge、value模塊 df = pd.DataFrame({'2015':[2, 1, 4, 3, 2, 4],'2016':[5, 3, 3, 2, 4, 6], '2017':[3, 2, 4, 4, 5, 3]}, index = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries']) # # 創建數據 # print(df) source = ColumnDataSource(data=df) # 將數據轉化為ColumnDataSource對象 p = figure(x_range=fruits, y_range=(0, 10), plot_height=350, title="Fruit Counts by Year",tools="") p.vbar(x=dodge('index', -0.25, range=p.x_range), top='2015', width=0.2, source=source,color="#c9d9d3", legend=value("2015")) #用dodge的方法把3個柱狀圖拼到了一起 p.vbar(x=dodge('index', 0.0, range=p.x_range), top='2016', width=0.2, source=source,color="#718dbf", legend=value("2016")) p.vbar(x=dodge('index', 0.25, range=p.x_range), top='2017', width=0.2, source=source,color="#e84d60", legend=value("2017")) # 繪制多系列柱狀圖 0.25和width=0.2是柱狀圖之間的空隙間隔，都是0.2了就沒有空隙了 # dodge(field_name, value, range=None) → 轉換成一個可分組的對象，value為元素的位置（配合width設置） # value(val, transform=None) → 按照年份分為dict p.xgrid.grid_line_color = None p.legend.location = "top_left" p.legend.orientation = "horizontal" # 其他參數設置 show(p)
df---->> data---->>
3. 堆疊圖
p.vbar_stack(["2015", "2016", "2017"], # 設置堆疊值，這里source中包含了不同年份的值
x='fruits', # 設置x坐標
source=source, #包含了2015/2016/2017的數據的；
width=0.9, color=colors,
legend=[value(x) for x in years], name=years) #對整個數據做一個分組集合變成一個列表
# 3、堆疊圖 from bokeh.core.properties import value # 導入value模塊 fruits = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries'] years = ["2015", "2016", "2017"] colors = ["#c9d9d3", "#718dbf", "#e84d60"] data = {'fruits' : fruits, '2015' : [2, 1, 4, 3, 2, 4], '2016' : [5, 3, 4, 2, 4, 6], '2017' : [3, 2, 4, 4, 5, 3]} # df = pd.DataFrame(data) # print(df) # source = ColumnDataSource(data = df) #也可以使用DataFrame source = ColumnDataSource(data=data) # 創建數據 p = figure(x_range=fruits, plot_height=350, title="Fruit Counts by Year",tools="") renderers = p.vbar_stack(["2015", "2016", "2017"], #可以用years代替，就是上邊設置的變量 # 設置堆疊值，這里source中包含了不同年份的值，years變量用於識別不同堆疊層 x='fruits', # 設置x坐標 source=source, #包含了2015/2016/2017的數據的； 主要設置的就是這3個參數 width=0.9, color=colors, legend=[value(x) for x in years], name=years) #對整個數據做一個分組集合變成一個列表 # 繪制堆疊圖 # 注意第一個參數需要放years p.xgrid.grid_line_color = None p.axis.minor_tick_line_color = None p.outline_line_color = None p.legend.location = "top_left" p.legend.orientation = "horizontal" # 設置其他參數 show(p) [value(x) for x in years]
[{'value': '2015'}, {'value': '2016'}, {'value': '2017'}]
# 3、堆疊圖 from bokeh.palettes import GnBu3, OrRd3 # 導入顏色模塊 fruits = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes', 'Strawberries'] years = ["2015", "2016", "2017"] exports = {'fruits' : fruits, '2015' : [2, 1, 4, 3, 2, 4], '2016' : [5, 3, 4, 2, 4, 6], '2017' : [3, 2, 4, 4, 5, 3]} imports = {'fruits' : fruits, '2015' : [-1, 0, -1, -3, -2, -1], '2016' : [-2, -1, -3, -1, -2, -2], '2017' : [-1, -2, -1, 0, -2, -2]} p = figure(y_range=fruits, plot_height=350, x_range=(-16, 16), title="Fruit import/export, by year") p.hbar_stack(years, y='fruits', height=0.9, color=GnBu3, source=ColumnDataSource(exports), legend=["%s exports" % x for x in years]) # 繪制出口數據堆疊圖 p.hbar_stack(years, y='fruits', height=0.9, color=OrRd3, source=ColumnDataSource(imports), legend=["%s imports" % x for x in years]) # 繪制進口數據堆疊圖，這里值為負值 p.y_range.range_padding = 0.2 # 調整邊界間隔 p.ygrid.grid_line_color = None p.legend.location = "top_left" p.axis.minor_tick_line_color = None p.outline_line_color = None # 設置其他參數 show(p)
4. 直方圖
hist, edges = np.histogram(df['value'],bins=20)
p.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:], # 分別代表每個柱子的四邊值，上下左右，top=hist計數的值，第一個箱子的左跟右就是第一個值+第二個值
fill_color="#036564", line_color="#033649")
# 4、直方圖 # np.histogram + figure.quad() # 不需要構建ColumnDataSource對象 df = pd.DataFrame({'value': np.random.randn(1000)*100}) df.index.name = 'index' print(df.head()) # 創建數據 hist, edges = np.histogram(df['value'],bins=20) #把這1000個值拆分成20個箱子，整個箱子肯定會有一個value值的也就是它的個數 print(hist) #代表不同箱子的個數 print(edges) #把它分成不同箱子之后，每個箱子的位置坐標 # 將數據解析成直方圖統計格式 # 高階函數np.histogram(a, bins=10, range=None, weights=None, density=None) # a：數據 # bins：箱數 # range：最大最小值的范圍，如果不設定則為(a.min(), a.max()) # weights：權重 # density：為True則返回“頻率”，為False則返回“計數” # 返回值1 - hist：每個箱子的統計值（top） # 返回值2 - edges：每個箱子的位置坐標，這里n個bins將會有n+1個edges；假如有10個箱子，就會有10+1個位置 p = figure(title="HIST", tools="save",background_fill_color="#E8DDCB") p.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:], # 分別代表每個柱子的四邊值，上下左右，top=hist計數的值，第一個箱子的左跟右就是第一個值+第二個值 fill_color="#036564", line_color="#033649") # figure.quad繪制直方圖 show(p)
value index 0 109.879109 1 -49.315234 2 -149.590185 3 83.290324 4 -16.367743 [ 1 2 2 3 21 25 59 85 104 151 140 110 101 82 47 31 22 8 #這里1就是在-356.79345893到-323.021329之間有1個；在-323.021329到-289.2491919906之間有2個 2 4] [-356.79345893 -323.021329 -289.24919906 -255.47706913 -221.7049392 -187.93280926 -154.16067933 -120.3885494 -86.61641947 -52.84428953 -19.0721596 14.69997033 48.47210027 82.2442302 116.01636013 149.78849006 183.56062 217.33274993 251.10487986 284.8770098 318.64913973] In [ ]:
