Python可视化库Bokeh实战：结合Pandas与Flask实现网页动态图表

本文主要探讨Python可视化库Bokeh的相关应用与实践。

在实际开发中常遇到一个问题：需要将Pandas处理后的数据进行绘图，并通过网页进行展示。由于Matplotlib通常需要先保存图像文件，这种方式在动态Web场景中显得不够灵活，因此不太适用。

为解决这一问题，通过查阅资料发现了一篇介绍Python可视化工具概述的文章，其中对比了多个Python绘图包，总结如下：

• Pandas内置的简单绘图功能适合快速使用，但若需进行深度定制，仍需学习Matplotlib的相关知识。
• Seaborn支持更复杂的可视化形式，但同样依赖Matplotlib的基础知识，其亮点在于出色的上色功能。
• ggplot功能丰富，但目前仍处于发展阶段，成熟度有待提升。
• Bokeh是一个高效的工具，如果目标是构建可视化服务器，使用Bokeh甚至显得有些“杀鸡用牛刀”。
• Pygal可以独立运行，用于生成交互式SVG图表和PNG文件，但其灵活性不如基于Matplotlib的方案。
• Plotly能够生成大多数可交互图表，支持保存为离线文件，进而构建丰富的Web端可视化应用。
• 经过评估，认为Bokeh最符合当前需求，因此对其进行了深入研究。找到一篇关于在Python中使用Bokeh实现交互式数据可视化的文章，指出Bokeh可以直接与Jinja2集成，从而将生成的图像直接在网页中显示，这正好解决了前述问题。整体实施流程大致如下：

1、生成图像

p = figure(title = code, plot_width=1024, plot_height=600, x_axis_type='datetime') 
p.line(x=trd_df['date'], y=trd_df['close']) 
script, div = components(p) 

2、在Flask中传递参数

return render_template('show_stock.html', 
bk_js = bokeh.resources.INLINE.render_js(),
bk_css = bokeh.resources.INLINE.render_css(), 
p_script = script, div = p_div)

3、在HTML中调用并显示

<!doctype html> 
<html lang="en"> 
<head> 
  <meta charset='utf-8' /> 
  <meta http-equiv='content-type' content='text/html; charset=utf-8' /> 
 
  <title>Embed Demo</title> 
 
  {{ js_resources|indent(4)|safe }} 
 
  {{ css_resources|indent(4)|safe }} 
 
  {{ p_script|indent(4)|safe }} 
 
</head> 
<body> 
 
  {{ p_div|indent(4)|safe }} 
 
</body> 
</html> 

总结

以上即为关于Python可视化库Bokeh的完整介绍，希望能对大家有所帮助。感兴趣的朋友可继续参考本站其他相关专题内容。如有不足之处，欢迎留言指正。感谢各位对本站的支持！