前言
最近在实验室做的一个项目中，需要把大量的数据在 web 端进行可视化，需要绘制各类图表。数据都是以 csv 文件的形式保存在服务器中。本来是想使用 D3.js 这个数据可视化前端库来画图，但是需要编写大量的 js 代码。后来发现了 Bokeh 这个框架，只需要在后端编写及少量的 Python 代码生成对应的 html 与 js，再传送到前端让浏览器解析，大大的减少了工作量。
1. 波形图
这里绘制一个包含了数千个数据点的信号波形图，绘制方法和 Matlab 如出一辙。学习成本为零。
import pandas as pd
from bokeh.plotting import figure
from bokeh.io import output_file, show
csv_file = 'points.csv'
data = pd.read_csv(csv_file)
TOOLS = 'hover,crosshair,pan,wheel_zoom,box_zoom,reset,save,box_select'
picture = figure(width=1000, height=400, tools=TOOLS)
picture.line(data['order'], data['value'], color='blue', alpha=0.5)
output_file('waveform.html', title='waveform')
show(picture)
points.csv 中包含了 2048 个点。上面这段脚本是直接生成了一个 html 文件，show(picture)语句打开了这个 html 文件。效果如下：
右侧的工具栏是通过TOOLS = 'hover,crosshair,pan,wheel_zoom,box_zoom,reset,save,box_select'设置的。包含了常见的一些功能，包括缩放，保存，重置等等。由于简书的 markdown 不支持直接插入 div 块和 js 脚本，所以只能截取一个图放在这里，不能体验到右侧的工具栏的使用感受。
2. 集成到 Django 中
上面的例子是直接生成了一个 html 文件，但在正常的使用中，只应该生成对应的 div 和 js 就行了。
在 Django 的 view.py 中，定义一个 view。
def waveform(request):
csv_file = 'your file'
data = pd.read_csv(csv_file)
TOOLS = "hover,crosshair,pan,wheel_zoom,box_zoom,reset,save,box_select"
picture = figure(width=1200, height=400, tools=TOOLS)
picture.line(data['order'], data['value'], color='blue', alpha=0.5)
script, div = components(picture, CDN)
return render(request, 'waveform.html', {'script': script, 'div': div})
这样就把对应的 template 的 waveform.html 中：
{% load static %}
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Experiment with Bokeh</title>
<link href="{% static 'bokeh-0.12.4.min.css' %}" rel="stylesheet" type="text/css">
<link href="{% static 'bokeh-widgets-0.12.4.min.css' %}" rel="stylesheet" type="text/css">
<script src="{% static 'bokeh-0.12.4.min.js' %}"></script>
<script src="{% static 'bokeh-widgets-0.12.4.min.js' %}"></script>
{{ script |safe }}
</head>
<body>
{{ div |safe }}
</body>
</html>
这里有一个不太好的地方，把 script 放到了 head 里面。
然而要是放在底部。就不能正确画出图了。（求大神解答）
3. 时频图
在经过短时傅里叶变换输出的结果，可以用 image 来显示时频分布图。与 Matlab 画出来的也是如出一辙。
import numpy as np
import pandas as pd
from bokeh.io import output_file, show
from bokeh.plotting import figure
data = pd.read_csv('tf_stft.csv')
value = np.array(data['value'])
d = np.reshape(value, (338, 124))
d = np.transpose(d)
TOOLS = "hover,crosshair,pan,wheel_zoom,box_zoom,reset,save,box_select"
p = figure(x_range=(0, 62), y_range=(0, 169), tools=TOOLS)
p.image(image=[d], x=0, y=0, dw=62, dh=169, palette="Viridis256")
output_file("image.html", title="image.py example")
show(p)
结果如下：
如果是使用 D3.js 来绘制这个图形的话，就比较费劲了。
4. 小结
Bokeh 这个框架，比起 D3.js，它的可视化选项相对较少。因此，目前来看 Bokeh 无法挑战 D3.js 的霸主地位。而且 Bokeh 过于依赖 python 的数值计算库，并非一个纯前端的框架，使得它的使用范围也小于 D3.js。
而在纯 python 的数值计算领域，也已经有 matplotlib 这种提供了与 Matlab 一模一样的接口的数据可视化库，Bokeh 的适用场景也并不多。
但是，它非常适合嵌入 Flask 或者 Django 的程序中，非常好用，速度也很快。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
