Python Bokeh实现实时数据可视化_Python

在数据分析和科学计算中，数据可视化是不可或缺的一部分。它能够直观地展示数据，帮助我们快速发现规律和趋势。bokeh是python中一个强大的数据可视化库，尤其擅长创建交互式和实时更新的图表。本文将通过简洁的语言和具体的代码示例，介绍如何使用bokeh库进行实时数据可视化。

一、bokeh简介

bokeh提供了丰富的图表类型和工具，支持创建复杂的可视化作品，并可以轻松地嵌入到网页中。它的核心特性包括：

交互式图表：用户可以与图表进行交互，如缩放、平移、悬停查看数据点信息等。
实时更新：bokeh能够实时更新图表，非常适合用于监控和实时数据分析。
丰富的图表类型：包括折线图、柱状图、散点图、热力图等。
易于集成：可以与jupyter notebook、flask等框架无缝集成。

二、安装 bokeh

在开始之前，你需要确保已经安装了bokeh库。可以使用以下命令进行安装：

pip install bokeh

三、创建简单的bokeh图表

让我们从创建一个简单的折线图开始，了解bokeh的基本用法。

from bokeh.plotting import figure, show, output_file
from bokeh.io import output_notebook
import numpy as np
 
# 在jupyter notebook中显示bokeh图表
output_notebook()
 
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
 
# 创建图表对象
p = figure(title="simple line plot", x_axis_label='x', y_axis_label='sin(x)')
 
# 添加数据到图表
p.line(x, y, line_width=2)
 
# 显示图表
show(p)

这段代码创建了一个简单的折线图，显示了函数sin(x)在区间[0, 10]上的变化。在jupyter notebook中，output_notebook()函数允许直接在笔记本中显示bokeh图表。

四、实时更新图表

bokeh的强大之处在于它能够实时更新图表。这通常涉及到两个主要部分：数据源的更新和图表的重绘。

我们可以使用columndatasource作为数据源，并通过回调函数在数据更新时触发图表的重新渲染。以下是一个简单的示例，展示了如何创建一个实时更新的折线图。

from bokeh.plotting import figure, curdoc
from bokeh.models import columndatasource
from bokeh.layout import row
from bokeh.client import push_session
from bokeh.server.server import server
import numpy as np
import time
import random
 
# 创建数据源
source = columndatasource(data=dict(x=[], y=[]))
 
# 创建图表对象
p = figure(title="real-time line plot", x_axis_label='time', y_axis_label='value', x_range=(0, 50))
p.line('x', 'y', source=source, line_width=2)
 
# 更新数据的回调函数
def update():
    new_data = {'x': source.data['x'] + [source.data['x'][-1] + 1 if source.data['x'] else 0],
                'y': source.data['y'] + [random.uniform(0, 10)]}
    source.stream(new_data, rollover=len(source.data['x']) > 50)  # 保持最多50个数据点
 
# 设置回调函数定期调用
curdoc().add_periodic_callback(update, 1000)  # 每1000毫秒（1秒）更新一次
 
# 如果在jupyter notebook中运行，则使用show()显示图表
# 否则，使用bokeh服务器运行
# show(row(p), notebook_handle=true)  # jupyter notebook方式
 
# 使用bokeh服务器方式
session = push_session(curdoc())
try:
    server = server({'/': curdoc()}, io_loop=session.loop, allow_websocket_origin=["*"])
    server.start()
    session.loop_until_closed()
except keyboardinterrupt:
    pass
finally:
    session.close()
    server.stop()

在这个示例中，我们创建了一个columndatasource作为数据源，并通过update函数定期更新数据。stream方法用于向数据源添加新数据，rollover参数确保数据源中的数据点数量不会超过50个。我们使用add_periodic_callback方法设置回调函数每1000毫秒（1秒）调用一次。

注意：如果你在jupyter notebook中运行这段代码，你可能需要使用show(row(p), notebook_handle=true)来显示图表。然而，对于实时更新，更常见的方式是使用bokeh服务器。上面的代码示例展示了如何使用bokeh服务器运行图表，并通过push_session和server类进行配置。

五、集成到flask应用中

bokeh还可以与flask等web框架集成，创建完整的web应用。以下是一个简单的示例，展示了如何将bokeh图表集成到flask应用中。

from flask import flask, render_template_string
from bokeh.plotting import figure
from bokeh.embed import components
from bokeh.resources import cdn
from bokeh.models import columndatasource
import numpy as np
 
app = flask(__name__)
 
# 创建bokeh图表和数据源
source = columndatasource(data=dict(x=np.linspace(0, 10, 100), y=np.sin(np.linspace(0, 10, 100))))
p = figure(title="flask-integrated bokeh plot", x_axis_label='x', y_axis_label='sin(x)')
p.line('x', 'y', source=source, line_width=2)
 
# 将bokeh图表嵌入到html模板中
script, div = components(p, cdn)
 
# 定义flask路由和视图函数
@app.route('/')
def index():
    html = render_template_string("""
    <!doctype html>
    <html lang="en">
      <head>
        <meta charset="utf-8">
        <title>flask-integrated bokeh plot</title>
        {{ script|safe }}
      </head>
      <body>
        {{ div|safe }}
      </body>
    </html>
  """, script=script, div=div)
    return html
 
if __name__ == '__main__':
    app.run(debug=true)

在这个示例中，我们首先创建了一个简单的bokeh图表和数据源。然后，我们使用components函数将图表转换为html脚本和div元素。接着，我们定义了一个flask路由和视图函数，将bokeh图表嵌入到html模板中并返回给客户端。

运行这个flask应用后，你可以在浏览器中打开http://127.0.0.1:5000/查看嵌入的bokeh图表。