データの視覚化は、大量の情報を解釈する上で重要な役割を果たします。 Bokeh のようなツールは、インタラクティブなダッシュボードやレポートを構築するための一般的なソリューションとして登場しています。各ツールは、プロジェクトの複雑さと好みのプログラミング言語に応じて、独自の利点をもたらします。この記事では、各ツールを詳しく掘り下げた後、実際の例やクラウドでの展開など、Bokeh に焦点を当てます。
それでは...
ボケとは何ですか?
Bokeh は、最新の Web ブラウザーを対象としたプレゼンテーション用のインタラクティブな視覚化ライブラリです。エレガントで簡潔なグラフィックスを提供し、開発者が高度な対話性を備えたダッシュボードを構築できるようにします。 Bokeh は、Python を使用するデータ サイエンティストや開発者に特に適しており、高レベルのインターフェイスとプロットの詳細な制御の両方を提供します。
このツールはどのように使用できますか?
pip インストールボケ
pip インストール ガニコーン
from bokeh.layouts import column from bokeh.models import ColumnDataSource, Select from bokeh.plotting import figure, curdoc import numpy as np # Sample data for line plot line_data = { 'x': [1, 2, 3, 4, 5], 'y1': [6, 7, 2, 4, 7], 'y2': [1, 4, 8, 6, 9] } # Data for scatter plot N = 4000 x_scatter = np.random.random(size=N) * 100 y_scatter = np.random.random(size=N) * 100 radii = np.random.random(size=N) * 1.5 colors = np.array([(r, g, 150) for r, g in zip(50 + 2 * x_scatter, 30 + 2 * y_scatter)], dtype="uint8") # Create ColumnDataSource for line plot source = ColumnDataSource(data={'x': line_data['x'], 'y': line_data['y1']}) # Create a figure for line plot plot_line = figure(title="Interactive Line Plot", x_axis_label='X', y_axis_label='Y') line1 = plot_line.line('x', 'y', source=source, line_width=3, color='blue', legend_label='y1') line2 = plot_line.line('x', 'y2', source=source, line_width=3, color='red', legend_label='y2', line_alpha=0.5) # Create a figure for scatter plot plot_scatter = figure(title="Scatter Plot", tools="hover,crosshair,pan,wheel_zoom,zoom_in,zoom_out,box_zoom,undo,redo,reset,tap,save,box_select,poly_select,lasso_select,examine,help") plot_scatter.circle(x_scatter, y_scatter, radius=radii, fill_color=colors, fill_alpha=0.6, line_color=None) # Dropdown widget to select data for line plot select = Select(title="Y-axis data", value='y1', options=['y1', 'y2']) # Update function to change data based on selection def update(attr, old, new): selected_y = select.value source.data = {'x': line_data['x'], 'y': line_data[selected_y]} # Update line colors based on selection line1.visible = (selected_y == 'y1') line2.visible = (selected_y == 'y2') plot_line.title.text = f"Interactive Line Plot - Showing {selected_y}" select.on_change('value', update) # Arrange plots and widgets in a layout layout = column(select, plot_line, plot_scatter) # Add layout to current document curdoc().add_root(layout) `
heroku でページを作成し、次の手順を実行します。
私の場合は、このファイルで宣言します。
web: bokehserve --port=$PORT --address=0.0.0.0 --allow-websocket-origin=juancitoelpapi-325d94c2c6c7.herokuapp.com app.py
ボケ
git でプロジェクトをプッシュする場合も同様ですが、この場合、最後のマスター プッシュは Heroku で行われます
git init
git add .
git commit -m "Gunicorn を使用して Bokeh アプリをデプロイする"
git Push heroku マスター
プロットのボケ味を備えたページが表示されます。
Bokeh の真の力は、Web 環境でインタラクティブなダッシュボードを提供できる機能にあり、リアルタイムのデータ監視や大規模なデータセットに最適です。 Gunicorn を使用して Bokeh アプリケーションを Heroku などのクラウド サービスにデプロイすると、保守と更新が簡単で、スケーラブルで実稼働対応のダッシュボードを構築できます。
以上がデータ視覚化のための Python の興味深いデータ ツール Bokehの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。