Python可视化工具-Bokeh：动态显示数据

目录

概述

[1 认识Bokeh](#1 认识Bokeh)

[1.1 Bokeh介绍](#1.1 Bokeh介绍)

[1.2 安装Bokeh](#1.2 安装Bokeh)

[1.3 范例介绍](#1.3 范例介绍)

[2 Bokeh的应用](#2 Bokeh的应用)

[2.1 Bokeh应用的框架结构](#2.1 Bokeh应用的框架结构)

[2.2 实时性数据核心原理](#2.2 实时性数据核心原理)

[3 具体案例](#3 具体案例)

[3.1 代码实现](#3.1 代码实现)

[3.2 部署和运行](#3.2 部署和运行)

---

概述

Bokeh是一个用于创建交互式可视化的Python库，特别适合在Web浏览器中展示。它能够生成各种类型的图表，并且支持高度交互性，如平移、缩放、选择、悬停提示等。以下是一个简单的Bokeh示例，展示如何创建一个带有交互功能的折线图。

1 认识Bokeh

1.1 Bokeh介绍

Bokeh 是一个强大的交互式可视化库，专为现代 Web 浏览器设计。它支持创建高性能、可交互的图表和仪表盘，适用于大规模数据集。

核心优势：

1. 交互性强：支持平移、缩放、悬停提示、选择等

2. 输出灵活：生成 HTML 文件、嵌入 Jupyter Notebook 或部署为 Web 应用

3. 流式数据支持：实时更新图表（如金融数据流）

4. 多种渲染器：Canvas、SVG、WebGL 支持

1.2 安装Bokeh

官方网站地址：

https://docs.bokeh.org/en/latest/index.html#

打开网站其页面如下，目前其最新版本已经更新至：v3.7.3

该packet对Python要求其版本必须升级至Python 3.10，安装命令源代码：

pip install bokeh

1.3 范例介绍

官网提供了许多冠以Bokeh的使用案例，程序员可参考这些Demo实现自己感兴趣的功能，基础案例如下：

2 Bokeh的应用

2.1 Bokeh应用的框架结构

2.2 实时性数据核心原理

实时数据可视化核心原理，Bokeh 通过 ColumnDataSource 和回调机制实现实时数据更新：

1. 数据源对象 ：ColumnDataSource 存储可视化数据

2. 流式更新 ：stream() 方法增量添加新数据

3. 回调函数：周期性更新数据源

4. Bokeh 服务器：维护应用状态和处理实时更新

3 具体案例

3.1 代码实现

应用Bokeh模拟传感器实时更新数据的特性

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time    : 2020/4/9 13:05
# @Author  : ming fei.tang
# @File    : debug tools
# ---------------------
from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource, Range1d, HoverTool
from bokeh.layouts import column
from bokeh.models.widgets import Div
import random
import datetime
import numpy as np

# 创建数据源
source = ColumnDataSource(data={
    'time': [],
    'temperature': [],
    'humidity': []
})

# 创建图表
temp_plot = figure(
    title='温度传感器实时数据',
    x_axis_type='datetime',
    width=1000, height=300,
    tools="pan,wheel_zoom,box_zoom,reset"
)
temp_plot.line('time', 'temperature', source=source, line_width=2, color='red', legend_label="温度(℃)")
temp_plot.y_range = Range1d(15, 35)

humidity_plot = figure(
    title='湿度传感器实时数据',
    x_axis_type='datetime',
    width=1000, height=300,
    x_range=temp_plot.x_range  # 共享X轴范围
)
humidity_plot.line('time', 'humidity', source=source, line_width=2, color='blue', legend_label="湿度(%)")
humidity_plot.y_range = Range1d(0, 100)

# 状态面板
stats_div = Div(text="<h3>传感器状态: <span style='color:green'>运行中</span></h3>", width=200)


# 模拟数据生成
def generate_sensor_data():
    current_time = datetime.datetime.now()

    # 模拟温度（带有小幅波动）
    base_temp = 25 + 5 * np.sin(current_time.minute / 30 * np.pi)
    temperature = base_temp + random.uniform(-0.5, 0.5)

    # 模拟湿度（与温度反向变化）
    humidity = 50 - 0.8 * (temperature - 25) + random.uniform(-2, 2)

    return {
        'time': [current_time],
        'temperature': [temperature],
        'humidity': [max(0, min(100, humidity))]  # 限制在0-100范围
    }


# 更新函数
def update():
    new_data = generate_sensor_data()

    # 流式更新
    source.stream(new_data, rollover=300)  # 保留300个最新数据点

    # 更新状态面板
    stats_div.text = f"""
    <div style="background:#f9f9f9; padding:10px; border-radius:5px">
        <h3>传感器状态: <span style='color:green'>✓ 运行中</span></h3>
        <p>最后更新时间: {datetime.datetime.now().strftime('%H:%M:%S')}</p>
        <p>当前温度: <b>{new_data['temperature'][0]:.1f}℃</b></p>
        <p>当前湿度: <b>{new_data['humidity'][0]:.1f}%</b></p>
        <p>数据点数: {len(source.data['time'])}</p>
    </div>
    """


# 添加悬停工具
hover = HoverTool(tooltips=[
    ("时间", "@time{%F %T}"),
    ("温度", "@temperature{0.0}℃"),
    ("湿度", "@humidity{0}%")
], formatters={'@time': 'datetime'})

temp_plot.add_tools(hover)

# 设置布局和更新频率
layout = column(stats_div, temp_plot, humidity_plot)
curdoc().add_root(layout)
curdoc().add_periodic_callback(update, 1000)  # 每秒更新一次
curdoc().title = "实时传感器监控"

3.2 部署和运行

具体方法如下：

部署与运行方法

1. 保存为 Python 文件 ：xxx.py

2. 启动 Bokeh 服务器：

   bash

   bokeh serve --show xxx.py

3. 浏览器访问 ：http://localhost:5006/xxx

笔者创建的项目结构如下：

在终端运行该代码，运行方法如下：

在该.py文件所在目录下运行该命令：

bokeh serve --show Bokeh_stud.py

终端上显示如下信息，说明系统已经正常启动：

在浏览器上会显示页面：