深入了解 Python 中的 Bokeh：构建交互式 Web 可视化的强大工具

在现代数据科学与商业智能领域，静态图表已无法满足日益增长的交互需求。用户希望不仅能“看”到数据，还能“操作”数据——通过缩放、筛选、悬停提示、联动控件等方式深入探索信息背后的故事。

Bokeh 正是为此而生的一个开源 Python 可视化库。它专为高性能交互式图形展示于现代 Web 浏览器而设计，能够轻松创建动态图表、数据仪表盘和复杂的 Web 数据应用。无论是用于 Jupyter Notebook 中的探索性分析，还是部署为企业级可视化平台，Bokeh 都表现出色。

一、什么是 Bokeh？

Bokeh（读作 /ˈboʊkeɪ/，意为“散焦”）是一个专注于 Web 端交互式可视化的 Python 库，由 Continuum Analytics（现为 Anaconda, Inc.）开发并维护。其最大特点是：用 Python 编写代码，生成可在浏览器中运行的 HTML/JavaScript 图表。

核心特性：

🎯 适用场景：实时监控面板、地理信息系统（GIS）、金融数据分析、机器学习模型解释界面等。

二、安装与导入

使用 pip 安装 Bokeh：

pip install bokeh 

安装完成后，在 Python 脚本或 Jupyter Notebook 中导入：

from bokeh.plotting import figure, show, output_file, output_notebook from bokeh.models import ColumnDataSource, HoverTool, WheelZoomTool from bokeh.layouts import column, row, gridplot from bokeh.io import curdoc import pandas as pd import numpy as np 

常用模块说明：

三、设置输出环境

Bokeh 支持两种主要输出模式：

1. 在 Jupyter Notebook 中显示

output_notebook() # 启用内联显示（仅需调用一次） 

2. 输出为独立 HTML 文件

output_file("my_plot.html", title="我的第一个 Bokeh 图表") 

⚠️ 注意：必须先调用 output_notebook() 或 output_file() 才能使用 show() 显示图表。

四、基础绘图：使用 figure 和 glyph 方法

Bokeh 使用“画布 + 符号（glyph）”的方式绘图：

• figure() 创建一个绘图画布；
• 调用 .line(), .circle(), .bar() 等方法添加图形元素（称为 glyphs）；
• 最后用 show() 显示结果。

示例 1：折线图（Line Plot）

x = np.linspace(0, 10, 100) y = np.sin(x) # 创建画布 p = figure(title="正弦函数图像", x_axis_label='x', y_axis_label='sin(x)', width=700, height=400) # 添加折线 p.line(x, y, legend_label="sin(x)", line_width=2, color="blue") # 显示 show(p) 

图表默认包含基本交互工具：拖动平移、滚轮缩放、右键重置等。

示例 2：散点图（Scatter Plot）

N = 100 x = np.random.randn(N) y = np.random.randn(N) colors = ["#%02x%02x%02x" % (int(r), int(g), 150) for r, g in zip(50+2*x, 30+2*y)] sizes = np.abs(y) * 15 p = figure(title="彩色随机散点图", tools="pan,wheel_zoom,box_select,reset") p.circle(x, y, size=sizes, color=colors, alpha=0.6) show(p) 

tools 参数自定义交互工具；alpha 设置透明度；支持框选（box_select）进行数据筛选。

五、使用 ColumnDataSource：更高效的数据管理

ColumnDataSource 是 Bokeh 的核心数据结构，类似于 Pandas DataFrame，但专为前端渲染优化，支持字段映射和动态更新。

df = pd.DataFrame({ 'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5], 'label': ['A', 'B', 'C', 'D', 'E'], 'size': [10, 15, 20, 25, 30] }) source = ColumnDataSource(df) p = figure(title="使用 ColumnDataSource") p.circle('x', 'y', size='size', color='navy', alpha=0.6, source=source) show(p) 

优势：便于后续通过 JavaScript 或 Python 更新数据（如 Dashboards 中使用）。

六、增强交互性：添加 HoverTool（悬停提示）

让用户鼠标悬停时查看详细信息，极大提升用户体验。

hover = HoverTool( tooltips=[ ("Index", "$index"), ("(X,Y)", "(@x, @y)"), ("Label", "@label"), ], mode='point' ) p = figure(tools=[hover, 'pan', 'wheel_zoom'], title="带悬停提示的散点图") p.circle('x', 'y', size='size', source=source, color='red', alpha=0.6) show(p) 

$index, @field_name 是 Bokeh 的模板变量：$index：自动索引；@x：引用数据源中的列名。

七、常见图表类型实战

1. 条形图（Bar Chart）

fruits = ['Apples', 'Pears', 'Nectarines', 'Plums', 'Grapes'] counts = [20, 18, 34, 25, 19] p = figure(x_range=fruits, height=350, title="水果销量统计", toolbar_location=None,) p.vbar(x=fruits, top=counts, width=0.9, color="skyblue", legend_label="销量") p.xgrid.grid_line_color = None p.y_range.start = 0 p.legend.orientation = "horizontal" p.legend.location = "top_center" show(p) 

使用 vbar() 绘制垂直条形图，hbar() 可绘制水平条形图。

2. 分组/堆叠条形图

years = ['2021', '2022', '2023'] data = {'fruits': fruits, '2021': [20, 18, 34, 25, 19], '2022': [25, 20, 40, 30, 22], '2023': [30, 25, 45, 35, 28]} source = ColumnDataSource(data=data) p = figure(x_range=fruits, height=400, title="三年水果销量对比") p.vbar_stack(years, x='fruits', width=0.9, color=['#c9d9d3','#718dbf','#e84d60'], source=source, legend_label=years) p.legend.location = "top_left" p.xgrid.grid_line_color = None show(p) 

3. 时间序列图

dates = pd.date_range('2023-01-01', periods=100) values = np.cumsum(np.random.randn(100)) p = figure(title="时间序列走势", x_axis_type="datetime", width=800, height=400) p.line(dates, values, color="green", line_width=2, legend_label="趋势") p.circle(dates[::10], values[::10], size=6, color="red") # 标记关键点 p.legend.location = "top_left" show(p) 

x_axis_type="datetime" 自动处理日期格式。

4. 地理地图（使用 GeoJSON 和 Patches）

Bokeh 支持绘制简单的地理区域图（需准备 GeoJSON 数据）：

from bokeh.sampledata.us_states import data as states state_xs = [states[code]["lons"] for code in states] state_ys = [states[code]["lats"] for code in states] p = figure(title="美国各州轮廓", toolbar_location=None) p.patches(state_xs, state_ys, fill_alpha=0.0, line_color="black", line_width=0.8) show(p) 

更复杂的地图推荐结合 geopandas + holoviews 或使用 Plotly。

八、布局管理：组合多个图表

使用 row(), column(), gridplot() 将多个图表组织在一起。

p1 = figure(width=300, height=300, title="圆形") p1.circle([1, 2, 3], [1, 2, 3]) p2 = figure(width=300, height=300, title="线条") p2.line([1, 2, 3], [3, 2, 1]) p3 = figure(width=300, height=300, title="矩形") p3.vbar([1, 2, 3], 0.5, [1, 2, 3], color="green") layout = gridplot([[p1, p2], [None, p3]], sizing_mode="scale_width") show(layout) 

支持响应式布局（sizing_mode），适配不同屏幕尺寸。

九、构建交互式仪表盘（Apps with Bokeh Server）

Bokeh 不仅能绘图，还能构建动态 Web 应用程序，实现滑块、下拉菜单、按钮等控件联动更新图表。

示例：简单滑块控制频率

from bokeh.layouts import column from bokeh.models import Slider from bokeh.themes import Theme def modify_doc(doc): x = np.linspace(0, 4*np.pi, 200) y = np.sin(x) source = ColumnDataSource(data=dict(x=x, y=y)) plot = figure(height=400, width=600, title="动态正弦波") plot.line('x', 'y', source=source, line_width=3, color="navy", alpha=0.6) def update_freq(attr, old, new): f = slider.value y = np.sin(f * x) source.data = dict(x=x, y=y) slider = Slider(start=0.5, end=5, value=1, step=0.1, title="频率") slider.on_change('value', update_freq) doc.add_root(column(slider, plot)) doc.theme = Theme(json={ 'attrs': { 'Figure': {'background_fill_color': '#f8f8f8'}, 'Title': {'text_font_size': '18px'} } }) # 运行服务：bokeh serve --show your_script.py 

# 运行服务：bokeh serve --show your_script.py

使用命令行启动服务：

访问 http://localhost:5006/app 查看交互应用。

十、保存与导出图表

1. 保存为 HTML 文件

output_file("simple_line.html") show(p) 

2. 导出为 PNG/SVG（需要额外依赖）

npm install -g phantomjs-prebuilt # 或使用 selenium + chrome headless 

然后使用：

from bokeh.io import export_png export_png(p, filename="plot.png") 

注意：图片导出对中文支持有限，建议优先使用 HTML 输出。

十一、Bokeh vs 其他可视化库对比

💡 建议：初学者可从 Seaborn/Plotly 入门；若需构建 Web 级交互应用，Bokeh 是首选之一。

十二、最佳实践建议

1. 优先使用 ColumnDataSource，便于后续动态更新；
2. 合理配置 tools，避免工具栏过于拥挤；
3. 使用主题（Theme）统一风格；
4. 在生产环境中结合 Panel（panel.holoviz.org）快速搭建专业仪表盘。

对大数据使用 webgl=True 提升性能：

p = figure(output_backend="webgl") 

十三、总结

Bokeh 是 Python 生态中最具 Web 思维的可视化库之一。它不仅让你“画出”图表，更能让你“构建”数据产品。其强大的交互能力、灵活的布局系统和对实时数据的支持，使其成为企业级数据可视化项目的理想选择。

通过本文的学习，你应该已经掌握了：

• 如何安装和配置 Bokeh；
• 如何绘制常见图表并增强交互性；
• 如何使用 ColumnDataSource 和 HoverTool；
• 如何组织多图表布局；
• 如何开发动态 Web 应用（Bokeh Server）；
• Bokeh 在真实项目中的定位与优势。

十四、参考资料

• 🌐 官方网站：https://bokeh.org
• 📚 官方文档：https://docs.bokeh.org
• 📈 示例图库：https://docs.bokeh.org/en/latest/docs/gallery.html
• 🔧 GitHub 仓库：https://github.com/bokeh/bokeh
• 🧩 扩展生态：HoloViz（整合 Bokeh、Panel、HoloViews）