将数据转换为 Pandas DataFrame：

使用 pd.DataFrame() 函数将销售数据转换为 DataFrame。

设置输出文件：

使用 output_file() 函数设置输出文件名为 “sales_bar_chart.html”。

创建 ColumnDataSource：

使用 ColumnDataSource 类将 DataFrame 转换为 Bokeh 可用的数据源。

创建绘图对象：

使用 figure() 函数创建一个条形图对象 p，指定了 x 轴的范围、绘图高度、标题等属性。

添加条形图：

使用 vbar() 方法向绘图对象添加条形图，指定了 x 值（产品名称）、条形的高度（销售量）、线条颜色、填充颜色等属性。

添加悬停工具：

使用 add_tools() 方法向绘图对象添加悬停工具，指定了悬停时显示的信息，包括产品名称、销售量和收入。

设置图表属性：

使用一系列属性设置函数设置图表的外观属性，如去除 x 轴的网格线、设置 y 轴起始值、设置 y 轴标签等。

显示图表：

使用 show() 函数显示绘图对象。

通过这些步骤，代码创建了一个包含销售数据的条形图，并通过悬停工具提供了额外的交互信息。

2. Altair 案例：

假设我们有一组学生的成绩数据，包括学生姓名、数学成绩和英语成绩，我们想要使用 Altair 创建一个散点图来展示学生的数学成绩与英语成绩的关系。

import altair as alt
import pandas as pd

# 创建示例成绩数据
score_data = {
    'Student': ['Alice', 'Bob', 'Charlie', 'David', 'Emma'],
    'Math Score': [85, 90, 75, 80, 95],
    'English Score': [75, 85, 80, 70, 90]
}

df = pd.DataFrame(score_data)

# 创建散点图
scatter_plot = alt.Chart(df).mark_point().encode(
    x='Math Score',
    y='English Score',
    tooltip=['Student', 'Math Score', 'English Score']
).properties(
    title='Math vs English Scores',
    width=400,
    height=300
).interactive()

# 显示图表
scatter_plot

这些示例代码展示了如何使用 Bokeh 和 Altair 分别创建交互式条形图和散点图，以展示销售数据和成绩数据的可视化。通过这些示例，可以更好地理解 Bokeh 和 Altair 在实际应用中的使用方法和效果。

3. Bokeh 案例（交互式地图）：

假设我们有一组城市的经纬度数据，以及每个城市的人口数量，我们希望使用 Bokeh 创建一个交互式地图，显示每个城市的位置并以圆的大小表示人口数量。

from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource, HoverTool

# 示例城市数据
cities_data = {
    'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'],
    'Latitude': [40.7128, 34.0522, 41.8781, 29.7604],
    'Longitude': [-74.0060, -118.2437, -87.6298, -95.3698],
    'Population': [8399000, 3990456, 2705994, 2320268]
}

df = pd.DataFrame(cities_data)

# 设置输出文件
output_file("population_map.html")

# 创建ColumnDataSource
source = ColumnDataSource(df)

# 创建绘图对象
p = figure(plot_width=800, plot_height=600, title="Population Map",
           toolbar_location="below")

# 添加圆形标记
p.circle(x='Longitude', y='Latitude', size='Population' / 100000,
         fill_alpha=0.6, line_color=None, source=source)

# 添加悬停工具
hover = HoverTool()
hover.tooltips = [("City", "@City"), ("Population", "@Population")]
p.add_tools(hover)

# 设置图表属性
p.xaxis.axis_label = "Longitude"
p.yaxis.axis_label = "Latitude"

# 显示图表
show(p)

4. Altair 案例（堆叠柱状图）：

假设我们有一组月度销售数据，包括销售额和利润，我们希望使用 Altair 创建一个堆叠柱状图，展示每个月的销售额和利润情况。

import altair as alt
import pandas as pd

# 示例销售数据
sales_data = {
    'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May'],
    'Sales': [50000, 60000, 70000, 55000, 65000],
    'Profit': [20000, 25000, 30000, 22000, 27000]
}

df = pd.DataFrame(sales_data)

# 创建堆叠柱状图
stacked_bar_chart = alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Sales',
    color=alt.value('blue'),
    tooltip=['Month', 'Sales']
).properties(
    title='Monthly Sales and Profit',
    width=400,
    height=300
).interactive() + \
alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Profit',
    color=alt.value('orange'),
    tooltip=['Month', 'Profit']
)

# 显示图表
stacked_bar_chart

这些示例代码展示了如何使用 Bokeh 和 Altair 分别创建交互式地图和堆叠柱状图，以展示城市人口分布和销售数据的可视化。这些示例为使用 Bokeh 和 Altair 进行数据可视化提供了更多的灵感和实践经验。

总结

本文对Python中两个常用的数据可视化库 Bokeh 和 Altair 进行了比较和探讨。通过对它们的特点、优缺点以及使用示例的详细分析，读者可以更好地了解这两个库的功能和适用场景，从而更好地选择合适的库来进行数据可视化工作。

在比较中，我们发现：

• Bokeh 提供了丰富的交互功能和自定义选项，适用于需要复杂交互和自定义图表外观的场景，但学习曲线较陡。
• Altair 的语法简洁直观，易于上手，适用于快速创建漂亮的可视化图表，但交互功能相对较少。

针对不同的需求和技能水平，读者可以灵活选择使用 Bokeh 或 Altair 进行数据可视化。Bokeh 适用于需要复杂交互和自定义外观的场景，而 Altair 则更适合快速创建漂亮的可视化图表。

通过本文的介绍和示例代码，读者可以进一步掌握 Bokeh 和 Altair 的使用方法，并在实践中运用它们来进行数据可视化工作。同时，我们也展望了数据可视化领域未来的发展趋势，包括增强交互性、提升性能和效率、整合机器学习和深度学习等方面。

总之，数据可视化作为数据科学和数据分析领域的重要工具，将在未来继续发挥重要作用。Bokeh 和 Altair 等可视化库的不断发展和完善，将为用户提供更加强大和便捷的数据可视化工具，助力数据分析和决策支持工作的开展。

点击关注，第一时间了解华为云新鲜技术~