• Bokeh小册子：入门

• Bokeh小册子：figure详细解读

• Bokeh基础可视化图形

• Bokeh中独特的数据类型简介： ColumnDataSource | Bokeh 小册子
  

本文主要介绍 在 bokeh 中 对 ColumnDataSource 类型数据中进行：

（1）添加新的数据 （2）修改更新已有数据 （3）筛选数据。

Table of Contents

• 1 添加新的数据

• 2 数据更新

  • 2.1 更新单个数据

  • 2.2 更新多个数据

• 3 筛选数据

  • 3.1 Indexfilter

  • 3.2 BooleanFilter

  • 3.3 GroupFilter

本文的环境为

• window 7 系统

• python 3.6

• Jupyter Notebook

• bokeh 0.13.0

数据是进行数据可视化的必要基础， 前文介绍了 bokeh 中数据呈现的几种方式。

本文主要介绍 在 bokeh 中 对 ColumnDataSource 类型数据中进行：

（1）添加新的数据 （2）修改更新已有数据 （3）筛选数据。

首先加载相关Python库。

1. from bokeh.plotting import figure, output_notebook, show

2. from bokeh.layouts import gridplot

3. from bokeh.models import ColumnDataSource

4. import numpy as np

5. import pandas as pd

6. 
   

7. output_notebook()

1 添加新的数据

ColumnDataSource 通过 stream() 方法来添加新的数据

1. data1 = {'x_values': [1, 2, 9, 4, 5],

2. 'y_values': [6, 7, 2, 3, 6]}

3. 
   

4. source = ColumnDataSource(data=data1)

5. 
   

6. p1 = figure(plot_width=300, plot_height=300, title= 'origin data')

7. p1.circle(x='x_values', y='y_values', source=source, size=20)

8. 
   

9. show(p1)

图示如下：

1. new_data = {'x_values': [6, 7, 2, 3, 6],

2. 'y_values': [1, 2, 9, 4, 5]}

3. 
   

4. # 在已有数据基础上添加新的数据 （append）

5. source.stream(new_data)

6. 
   

7. p2 = figure(plot_width=300, plot_height=300,title= 'append data with stream')

8. p2.circle(x='x_values', y='y_values', source=source, size=20)

9. 
   

10. show(p2)

图示如下：

2 数据更新

用 patch 方法可以更新 ColumnDataSource 的数据。

1. data = {'x_column': [1, 2, 9, 4, 5, 8],

2. 'y_column': [6, 7, 2, 3, 6, 2]}

3. 
   

4. df = pd.DataFrame(data=data)

5. 
   

6. df

如下：

1. source = ColumnDataSource(data=df)

2. 
   

3. p1 = figure(plot_width=300, plot_height=300, title= 'origin data')

4. p1.circle(x='x_column', y='y_column', source=source, size=20)

5. 
   

6. show(p1)

图示如下：

2.1 更新单个数据

1. # 更新单个数据

2. # {column:(index, new_value) }

3. source.patch({'x_column':[(0,15)]})

4. 
   

5. p2 = figure(plot_width=300, plot_height=300,title= 'revise single value with patch')

6. p2.circle(x='x_column', y='y_column', source=source, size=20)

7. 
   

8. show(p2)

图示如下：

2.2 更新多个数据

1. # 更新多个数据

2. # {column:(slice, new_values) }

3. 
   

4. s = slice(2,4)

5. source.patch({'x_column':[(s,[20,15])]})

6. 
   

7. p2 = figure(plot_width=300, plot_height=300,title= 'revise multiple values with patch')

8. p2.circle(x='x_column', y='y_column', source=source, size=20)

9. 
   

10. show(p2)

图示如下：

3 筛选数据

在Bokeh 中， ColumnDataSource （CDS） 提供了 CDSView 来对数据进行筛选

其一般用法如下：

from bokeh.models import ColumnDataSource, CDSView

source = ColumnDataSource(some_data)

view = CDSView(source=source, filters=[filter1, filter2])

其中 filters 包括 IndexFilter, BooleanFilter, GroupFilter 等

3.1 Indexfilter

根据数据的索引来筛选数据

1. from bokeh.plotting import figure

2. from bokeh.models import ColumnDataSource, CDSView, IndexFilter

3. from bokeh.layouts import gridplot

4. 
   

5. data = {'x_column': [1, 2, 9, 4, 5, 8],

6. 'y_column': [6, 7, 2, 3, 6, 2]}

7. 
   

8. df = pd.DataFrame(data=data)

9. source = ColumnDataSource(data=df)

10. view = CDSView(source=source, filters=[IndexFilter([0,2,4])])

11. 
    

12. p1 = figure(plot_width=300, plot_height=300, title='origin state')

13. p1.circle(x='x_column', y='y_column', source=source, size=20)

14. 
    

15. p2 = figure(plot_width=300, plot_height=300, title='IndexFilter')

16. p2.circle(x='x_column', y='y_column', source=source, size=20, view=view)

17. 
    

18. grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)

19. 
    

20. show(grid)

图示如下：

3.2 BooleanFilter

根据布尔值， True 或 False 来筛选数据

1. from bokeh.models import BooleanFilter

2. from bokeh.layouts import row

3. 
   

4. booleans = [True if y_val>4 else False for y_val in source.data['y_column']]

5. view_booleans = CDSView(source=source, filters=[BooleanFilter(booleans)])

6. 
   

7. p1 = figure(plot_width=300, plot_height=300,title='origin state')

8. p1.circle(x='x_column', y='y_column', source=source, size=20)

9. 
   

10. p2 = figure(plot_width=300, plot_height=300, title='BooleanFilter')

11. p2.circle(x='x_column', y='y_column', source=source, size=20, view=view_booleans)

12. 
    

13. grid=gridplot([p1,p2],ncols=2,plot_width=300,plot_height=300)

14. 
    

15. show(grid)

图示如下：

3.3 GroupFilter

使用 GroupFilter 可以筛选出包含特定类型的所有行数据。 GroupFilter 有两个参数， 即 Column_name 和 group， 也就是 列名 和 类别名称。

如下面的官方例子所述，如果想筛选 iris 数据中 特定类别的花，可以使用 GroupFilter 方法。

1. from bokeh.plotting import figure, show

2. from bokeh.layouts import gridplot

3. from bokeh.models import ColumnDataSource, CDSView, GroupFilter

4. 
   

5. from bokeh.sampledata.iris import flowers

6. 
   

7. # output_file("group_filter.html")

8. 
   

9. source = ColumnDataSource(flowers)

10. view1 = CDSView(source=source, filters=[GroupFilter(column_name='species', group='versicolor')])

11. 
    

12. plot_size_and_tools = {'plot_height': 300, 'plot_width': 300,

13. 'tools':['box_select', 'reset', 'help']}

14. 
    

15. p1 = figure(title="Full data set", **plot_size_and_tools)

16. p1.circle(x='petal_length', y='petal_width', source=source, color='black')

17. 
    

18. p2 = figure(title="Setosa only", x_range=p1.x_range, y_range=p1.y_range, **plot_size_and_tools)

19. p2.circle(x='petal_length', y='petal_width', source=source, view=view1, color='red')

20. 
    

21. show(gridplot([[p1, p2]]))

图示如下：

当然，还有一些其他的筛选方法，有兴趣的同学可以自己挖掘下~~

原文发布时间为：2018-10-11
本文作者： Python数据之道
本文来自云栖社区合作伙伴“ ”，了解相关信息可以关注“ ”。