---

寫在前面

我相信大家已經閱讀了不少有關“機器學習”、“數據科學家”、“數據可視化”等話題的文章。有些人將數據科學稱為?21 世紀最性感的工作。?Anaconda 的《2020 年數據科學狀況報告》指出，21% 的時間用于數據可視化。使用工具或庫來幫助我們完成講故事的流程很重要。

數據可視化是預測建模中最基本、最重要的步驟之一。人們通常從數據可視化開始以獲得更多見解，并嘗試通過探索性數據分析 (EDA) 來理解數據。制作圖表和視覺效果是更好的選擇，而不是研究表格和值，因為人們喜歡視覺效果而不是無聊的文本或值。

所以，制作清晰、優雅、富有洞察力的圖表，讀者可以輕松理解，始終將觀眾視為非技術人員。越少影響越大，適當的可視化帶來數據的清晰度，有助于決策。我們給出一個有助于Bokeh可視化的快速指南。

數據科學生命周期

什么是Bokeh？

Bokeh 是 Python 中的交互式可視化庫。Bokeh提供的最佳功能是針對現代 Web 瀏覽器進行演示的高度交互式圖形和繪圖。Bokeh 幫助我們制作出優雅、簡潔的圖表，其中包含各種圖表。

Bokeh 主要側重于將數據源轉換為 JSON 格式，然后用作 BokehJS 的輸入。Bokeh的一些最佳功能是：

• 靈活性：?Bokeh 也為復雜的用例提供簡單的圖表和海關圖表。

• 功能強：?Bokeh 具有易于兼容的特性，可以與 Pandas 和 Jupyter 筆記本一起使用。

• 樣式：?我們可以控制圖表，我們可以使用自定義 Javascript 輕松修改圖表。

• 開源：?Bokeh 提供了大量的示例和想法，并在 Berkeley Source Distribution (BSD) 許可下分發。

使用Bokeh，我們可以輕松地將大數據可視化并以吸引人的優雅方式創建不同的圖表。

在哪使用Bokeh圖

有很多可視化庫，為什么我們只需要使用Bokeh？

我們可以使用 Bokeh 庫在網頁上嵌入圖表。使用Bokeh，我們可以將圖表嵌入網絡、制作實時儀表板和應用程序。Bokeh 為圖表提供了自己的樣式選項和小部件。這是使用 Flask 或 Django 在網站上嵌入Bokeh圖的優勢。

主要是Bokeh提供了兩個界面層次，簡單易上手。

• Bokeh模型

• Bokeh圖

• Bokeh應用

• Bokeh服務器

Bokeh模型

Bokeh模型提供低級接口，為應用程序開發人員提供高端靈活性

Bokeh圖

Bokeh繪圖提供了一個用于創建視覺符號的高級界面。Bokeh繪圖是 Bokeh.models 模塊的子類。它包含圖形類的定義；圖形類是最簡單的繪圖創建。

Bokeh應用程序

Bokeh應用程序包，用于創建Bokeh文件；是一家輕量級工廠。

Bokeh服務器

Bokeh 服務器用于發布和共享交互式圖表和應用程序。

安裝Bokeh庫

用pip安裝Bokeh庫，運行以下命令

pip?install?pandas-Bokeh

為conda環境安裝Bokeh庫，運行以下命令

conda?install?-c?patrikhlobil?pandas-Bokeh

導入Bokeh庫

為Bokeh庫導入必要的包。

import?pandas?as?pd #?pip?install?pandas_Bokeh import?pandas_Bokeh from?Bokeh.io?import?show,?output_notebook from?Bokeh.plotting?import?figure pandas_Bokeh.output_notebook() pd.set_option('plotting.backend',?'pandas_Bokeh')

Bokeh繪圖是一個用于創建交互式視覺效果的界面，我們從中導入 它作為保存我們圖表的容器。?figure

from?Bokeh.plotting?import?figure

我們需要以下命令來顯示圖表。

from?Bokeh.io?import?show,?output_notebook

我們需要以下命令來在 jupyter notebook 中顯示圖表的輸出。

pandas_Bokeh.output_notebook()

要將圖表嵌入為 HTML，請運行以下命令。

pandas_bokeh.output_file（文件名）

Hovertool 用于在我們使用鼠標指針懸停在數據上時顯示值， ColumnDataSource 是 DataFrame 的 Bokeh 版本。

from?Bokeh.models?import?HoverTool,?ColumnDataSource

繪制圖表的語法

使用Pandas Bokeh

現在，通過以下代碼將Bokeh繪圖庫用于 Pandas 數據框。

dataframe.plot_Bokeh()

為Bokeh創建 Figure 對象

我們將創建一個圖形對象，它只不過是一個保存圖表的容器。我們可以給 figure() 對象取任何名字，這里我們給了 fig.

fig?=?figure() ''' 自定義繪圖代碼 ''' show(fig)

使用 ColumnDataSource 創建圖表

要將 ColumnDataSource 與渲染函數一起使用，我們至少需要傳遞 3 個參數：

• x?– 包含圖表 x 軸數據的 ColumnDataSource 列的名稱

• y?– 包含圖表 y 軸數據的 ColumnDataSource 列的名稱

• source?– ColumnDataSource 列的名稱，該列包含我們為 x 軸和 y 軸引用的數據

要在單獨的 HTML 文件中顯示輸出圖表，請運行以下命令。

output_file('abc.html')

使用Bokeh庫主題

Bokeh主題有一組預定義的設計，可以將它們應用到您的繪圖中。Bokeh 提供了五個內置主題。

• caliber,

• dark_minimal,

• light_minimal,

• night_sky,

• contrast.

下圖顯示了圖表在內置主題中的外觀。在這里，我采取了不同主題的折線圖。

運行以下代碼以使用內置主題繪制圖表。

圖表樣式

為了增強圖表，我們可以使用不同的屬性。對象共有的三組主要屬性：

• 線屬性

• 填充屬性

• 文本屬性

基本造型

我將只添加自定義圖表所需的代碼，您可以根據需要添加代碼。最后，我將展示帶有演示代碼的圖表，以便清楚地理解。好吧，還有更多屬性的詳細解釋請參見官方文檔。

為圖表添加背景顏色。

fig?=?figure(background_fill_color="#fafafa")

設置圖表寬度和高度的值我們需要在figure()中添加高度和寬度。

fig?=?figure(height=350,?width=500)

隱藏圖表的 x 軸和 y 軸。

fig.axis.visible=False

隱藏圖表的網格顏色。

fig.grid.grid_line_color?=?None

要更改圖表顏色的強度，我們使用 alpha 。

fig.background_fill_alpha=0.3

要為圖表添加標題，我們需要在 figure() 中添加標題。

fig?=?figure(title="abc")

要添加或更改 x 軸和 y 軸標簽，請運行以下命令。

fig.xaxis.axis_label='X-axis' fig.yaxis.axis_label='Y-axis'

簡單樣式的演示圖表

x?=?list(range(11)) y0?=?xfig?=?figure(width=500,?height=250,title='Title',background_fill_color="#fafafa")fig.circle(x,?y0,?size=12,?color="#53777a",?alpha=0.8) fig.grid.grid_line_color?=?None fig.xaxis.axis_label='X-axis' fig.yaxis.axis_label='Y-axis'show(fig)

使用 Bokeh.plotting 界面創建圖表的步驟是：

• 準備數據

• 創建一個新的情節

• 為您的數據添加渲染，以及您對繪圖的可視化自定義

• 指定生成輸出的位置（在 HTML 文件中或在 Jupyter Notebook 中）

• 顯示結果

Python 中的Bokeh用例

我們將要處理的數據是我們當中最著名的數據集，可以在 kaggle上找到該數據集。

在我們中間是人們玩手機游戲的新熱潮，它突然流行起來，成為大流行中的熱門視頻游戲。在此向所有我們的粉絲簡要介紹游戲的運作方式。在我們之中是一款多人游戲，其中四到十名玩家被放入一艘外星飛船。每個玩家都有自己的Imposter或Crewmate角色；船員的任務是在飛船周圍跑來跑去完成所有分配的任務，并照顧好不被冒名頂替者殺死。玩家可以被投票下船，因此每場比賽都成為生存游戲。

數據

讓我們加載數據并再創建一個特征User ID；用戶 id 會告訴我們它像用戶 1、用戶 2 等哪個用戶。

import?glob path?=?'archive'? all_files?=?glob.glob(path?+?"/*.csv") li?=?[] usr=0 for?filename?in?all_files:usr+=1df?=?pd.read_csv(filename,?index_col=None,?header=0)df['User?ID']=usrli.append(df) df?=?pd.concat(li,?axis=0,?ignore_index=True) df[:2]

數據說明

• Game Completed Date-游戲完成的日期和時間

• Team團隊- 告訴我們玩家是冒名頂替者還是船員

• Outcome結果- 告訴我們游戲是否贏/輸

• Task Completed已完成的任務 - 船員完成的任務數

• All Tasks Completed?– 布爾變量顯示所有任務是否由船員完成

• Murdered謀殺- 船員是否被謀殺

• Imposter Kills冒名頂替者殺死?– 冒名頂替者的擊殺次數

• Game Length游戲時長——游戲的總持續時間

• Ejected?- 玩家是否被其他玩家驅逐

• Sabotages Fixed?– 船員修復的破壞次數

• Time to complete all tasks完成所有任務的時間——船員完成任務所用的時間

• Rank Change排名變化- 比賽輸/贏后排名的變化

• Region/Game Code地區/游戲代碼- 服務器和游戲代碼

• User ID用戶 ID?–用戶數量。

注意：本文不包含 EDA，但展示了如何在 Bokeh 中使用不同的圖表

看看數據的分布。

df.describe(include='O')

我們將創建一個特征 Minute 并從 Game Lenght 中提取數據。

df['Min']?=?df.apply(lambda?x?:?x['Game?Length'].split("?")[0]?,?axis?=?1) df['Min']?=?df['Min'].replace('m',?'',?regex=True) df['Min'][:2]0 07 1 16 Name: Min, dtype: object

現在，我們將替換 Murdered 特征的值。

df['Murdered'].replace(['No',?'Yes',?'-'],?['Not?Murdered',?'Murdered',?'Missing'],inplace=True)

完成必要的清潔步驟后。首先，讓我們看看Bokeh中的基本圖表。

餅形圖

檢查一下游戲中是否有更多的船員或冒名頂替者，我們有總共 2227 人的數據。

df_team?=?df.Team.value_counts() df_team.plot_Bokeh(kind='pie',?title='Ration?of?Mposter?vs?Crewmate')

如圖所示，Cremates 占?79%，Imposters 占?21%，由此可見?Imposter: Crewmates?的比例為1:4。冒名頂替者較少，因此有可能贏得大部分比賽。

圓環圖

檢查游戲中是否有更多的船員或冒名頂替者被謀殺。我們將添加兩個我們將在圖表中使用的功能 Angle 和 Color。

from?math?import?pi df_mur?=?df.Murdered.value_counts().reset_index().rename(columns={'index':?'Murdered',?'Murdered':?'Value'}) df_mur['Angle']?=?df_mur['Value']/df_mur['Value'].sum()?*?2*pi df_mur['Color']?=?['#3182bd',?'#6baed6',?'#9ecae1']df_mur

將用annular_wedge()做一個圓環圖。

from?Bokeh.transform?import?cumsumfig?=?figure(plot_height=350,?title="Ration?of?Murdered?vs?Not?Murdered",?toolbar_location=None,tools="hover",?tooltips="@Murdered:?@Value",?x_range=(-.5,?.5)) fig.annular_wedge(x=0,?y=1,?inner_radius=0.15,?outer_radius=0.25,?direction="anticlock",start_angle=cumsum('Angle',?include_zero=True),end_angle=cumsum('Angle'),line_color="white",?fill_color='Color',?legend_label='Murdered',?source=df_mur)fig.axis.axis_label=None fig.axis.visible=False fig.grid.grid_line_color?=?None show(fig)Bokeh圓環圖

大多數人在游戲中被謀殺，但大部分數據丟失。所以我們不能說大多數人是在游戲中被謀殺的。

散點圖

首先，將創建 Sabotages fixed 和 Minutes 的數據框，并更改列名并在其中添加 T。

df_min?=?pd.crosstab(df['Min'],?df['Sabotages?Fixed']).reset_index() df_min?=?df_min.rename(columns={0.0:'0T',?1.0:'1T',2.0:'2T',3.0:'3T',4.0:'4T',5.0:'5T'}) df_min[:2]

將 3 次破壞固定為?0,1 和 2?并創建一個數據框。

df_0?=?df_min[['Min',?'0T']] df_1?=?df_min[['Min',?'1T']] df_2?=?df_min[['Min',?'2T']]

要制作只有一個圖例的簡單散點圖，我們可以傳遞數據并使用scatter()它來制作圖表。

df_min.plot_Bokeh.scatter(x='Min',?y='1T')Bokeh散點圖

要制作包含多個圖例的散點圖，我們需要使用圓圈；這是圖形對象的一種方法。圓圈是Bokeh提供的眾多繪圖樣式之一，您可以使用三角形或更多。

fig?=?figure(title='Sabotages?Fixed?vs?Minutes',?tools=?'hover',?toolbar_location="above",?toolbar_sticky=False) fig.circle(x="Min",y='0T',?size=12,?alpha=0.5,?color="#F78888",?legend_label='0T',?source=df_0), fig.circle(x="Min",y='1T',?size=12,?alpha=0.5,?color="blue",?legend_label='1T',?source=df_1), fig.circle(x="Min",y='2T',?size=12,?alpha=0.5,?color="#626262",?legend_label='2T',?source=df_2), show(fig)Bokeh散點圖

簡單直方圖

看看游戲之間的分鐘分布。將用hist來繪制直方圖。

df_minutes?=?df['Min'].astype('int64') df_minutes.plot_Bokeh(kind='hist',?title='Distribution?of?Minutes')Bokeh中的直方圖

大多數比賽有6分鐘到14分鐘的時間。

堆積直方圖

看看游戲長度是否會增加，因此冒名頂替者和船員會減少還是增加。我們將使用?hist來制作堆疊直方圖。

df_gm_te?=?pd.crosstab(df['Game?Length'],?df['Team']) df_gm_tedf_gm_te.plot_Bokeh.hist(title='Gamelegth?vs?Imposter/Crewmate',?figsize=(750,?350))Bokeh中的堆疊直方圖

冒名頂替者不傾向于長時間玩游戲，他們只想殺死所有火葬并贏得游戲。

不同類型的條形圖

簡單條形圖

看看給定的任務是否由人完成。如果所有任務都完成，那么自動火葬將獲勝。

df_tc?=?pd.DataFrame(df['Task?Completed'].value_counts())[1:].sort_index().rename(columns={'Task?Completed':?'Count'}) df_tc.plot_Bokeh(kind='bar',?y='Count',?title='How?many?people?have?completed?given?task?',?figsize=(750,?350))Bokeh中的條形圖

完成最多的任務是 7 個，完成最少的任務是 10 個。

堆積條形圖

看看誰贏了：冒名頂替者或火葬。我一直覺得冒名頂替者獲勝最多，因為他們只有一份工作可以殺死所有人。

df1?=?pd.crosstab(df['Team'],?df['Outcome']) df1.plot_Bokeh.bar(title='Who?wins:?Imposter?or?Crewmates',stacked=True, figsize=(550,?350))Bokeh中的堆積條形圖

冒名頂替者比 Crewmates 贏得更多。Imposter贏得或輸掉比賽沒有太大區別，價值非常接近。很多情況下，他們有5個火葬場和4個冒名頂替者。

堆積垂直條形圖

完成任務會不會贏得比賽讓我們拭目以待。

df['All?Tasks?Completed'].replace(['Yes','No'],?['Tasks?Completed','Tasks?Not?Completed'],?inplace=True)df2?=?pd.crosstab(df['Outcome'],?df['All?Tasks?Completed']) df2.plot_Bokeh.barh(title='Completeing?task:?win?or?loss',?stacked=True, figsize=(650,?350))Bokeh中的堆積條形圖

完成任務將自動贏得火葬。完成任務贏得比賽的人數更多。

雙向條形圖

用雙向條形圖看看用戶是贏了還是輸了。要制作雙向條形圖，我們需要將一個度量設為負值，這里我們將損失特征設為負值。

df_user?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index() df_user['Loss']?=?df_user['Loss']*-1 df_user['User?ID']?=?(df_user.index+1).astype(str)?+?'?User' df_user?=?df_user.set_index('User?ID') df_user[:2]

現在完成上面的過程后，我們只需要barh()?在兩個方向上制作一個條形圖即可。

df_user.plot_Bokeh.barh(title='Users:?Won?or?Defeat')Bokeh中的雙向條形圖

從圖表中，我們可以輕松區分用戶是被擊敗還是贏得了比賽。

折線圖

看看游戲中火化的排出比例。我們將line?用來制作折線圖。

df_crewmate?=?df[df['Team']?==?'Crewmate'] df_t_ej?=?pd.crosstab(df_crewmate['User?ID'],?df_crewmate['Ejected']).reset_index() df_t_ej?=?df_t_ej[['No','Yes']] df_t_ej.plot_Bokeh.line(title='Cremates?Memebers:?Ejected?vs?Minutes',?figsize=(750,?350))Bokeh中的折線圖

沒有被逐出游戲的成員存在很大差異。

棒棒糖圖表

將獲勝的前 10 名用戶的圖表可視化。我在所有用戶 ID 中添加了一個用戶字符串。數據框看起來像這樣。

df_user_new?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index().sort_values(by='Win',?ascending=False)[:10] df_user_new['User?ID']?=?(df_user_new.index+1).astype(str)?+?'?User' df_user_new[:2]

在此圖表中，我們將從圖表中刪除 x 軸和 y 軸網格線。為了制作棒棒糖圖表，我們需要結合 segment() 和circle()。

x?=?df_user_new['Win']factors?=?df_user_new['User?ID']?#.values fig?=?figure(title="Top?10?Users:?Win",?toolbar_location=None,tools="hover",?tooltips="@x", y_range=factors,?x_range=[0,75], plot_width=750,?plot_height=350)fig.segment(0,?factors,?x,?factors,?line_width=2,?line_color="#3182bd") fig.circle(x,?factors,?size=15,?fill_color="#9ecae1",?line_color="#3182bd",?line_width=3) fig.xgrid.grid_line_color?=?None fig.ygrid.grid_line_color?=?None show(fig)Bokeh中的棒棒糖圖

面積圖

看看在這段時間（分鐘）內修復了多少破壞事件。在這里為了簡單起見，我們將只看到兩個破壞活動 0th 和 1st。

from?Bokeh.models?import?ColumnDataSource from?Bokeh.plotting?import?figure,?output_file,?show#?data df_min?=?pd.crosstab(df['Min'],?df['Sabotages?Fixed']).reset_index() df_min?=?df_min.rename(columns={0.0:'0T',?1.0:'1T',2.0:'2T',3.0:'3T',4.0:'4T',5.0:'5T'})#?chart names?=?['0T','1T'] source?=?ColumnDataSource(data=dict(x?=?df_min.Min,y0?=?df_min['0T'],y1?=?df_min['1T']))fig?=?figure(width=400,?height=400,?title='Sabotages?Fied?vs?Minutes') fig.varea_stack(['y0','y1'],?x='x',?color=("grey",?"lightgrey"),legend_label=names,?source=source)fig.grid.grid_line_color?=?None fig.xaxis.axis_label='Minutes'show(fig)Bokeh中的面積圖

隨著時間的增加，破壞活動會減少。

到目前為止，我們已經看到了Bokeh中的所有基本圖表，現在看看如何在Bokeh中使用布局。這將幫助我們創建儀表板或應用程序。因此，我們可以將特定用例的所有信息集中在一個地方。

Bokeh庫的布局功能

Layout 函數將讓我們構建一個由繪圖和小部件組成的網格。我們可以在一個布局中擁有盡可能多的行和列或網格。

有許多可用的布局選項：

• 如果要垂直顯示圖，請使用**column()**函數。

• 如果要水平顯示圖，請使用**row()**函數。

• 如果您希望以網格方式繪制圖形，請使用**gridplot()**函數。

• 如果您希望圖表以最佳方式放置，請使用**layout()**函數

取一個虛擬數據。

from?Bokeh.io?import?output_file,?show from?Bokeh.layouts?import?row,column from?Bokeh.plotting?import?figure output_file("layout.html") x?=?list(range(11)) y0?=?x y1?=?[10?-?i?for?i?in?x] y2?=?[abs(i?-?5)?for?i?in?x] #?create?three?plots s1?=?figure(width=250,?height=250,?background_fill_color="#fafafa") s1.circle(x,?y0,?size=12,?color="#53777a",?alpha=0.8) s2?=?figure(width=250,?height=250,?background_fill_color="#fafafa") s2.triangle(x,?y1,?size=12,?color="#c02942",?alpha=0.8) s3?=?figure(width=250,?height=250,?background_fill_color="#fafafa") s3.square(x,?y2,?size=12,?color="#d95b43",?alpha=0.8)

如果我們使用?column()?函數，輸出將如下所示。

show(column(s1,?s2,?s3))

如果我們使用?row()?函數，輸出將如下所示。

#?將結果排成一行并顯示 show(row(s1,?s2,?s3))

在 Bokeh 中制作儀表板布局。在這里我拍了三張圖表，一張是棒棒糖圖，另外兩張是Bokeh的餅圖。

在Bokeh中設置布局的主要邏輯是我們希望如何設置圖表。創建一個如下圖所示的設計。

layout?=?grid([[fig1],[fig2,?fig3]])

在 Bokeh 中運行儀表板布局的整個代碼。

from?Bokeh.io?import?output_file,?show from?Bokeh.plotting?import?figure from?Bokeh.layouts?import?column,?grid #?1?layout df_user_new?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index().sort_values(by='Win',?ascending=False)[:10] df_user_new['User?ID']?=?(df_user_new.index+1).astype(str)?+?'?User' x?=?df_user_new['Win'] factors?=?df_user_new['User?ID']? fig1?=?figure(title="Top?10?Users:?Win",?toolbar_location=None,tools="hover",?tooltips="@x",y_range=factors,?x_range=[0,75],?width=700,?height=250) fig1.segment(0,?factors,?x,?factors,?line_width=2,?line_color="#3182bd") fig1.circle(x,?factors,?size=15,?fill_color="#9ecae1",?line_color="#3182bd",?line_width=3) #?2?layout df_mur?=?df.Murdered.value_counts().reset_index().rename(columns={'index':?'Murdered',?'Murdered':?'Value'}) df_mur['Angle']?=?df_mur['Value']/df_mur['Value'].sum()?*?2*pi df_mur['Color']?=?['#3182bd',?'#6baed6',?'#9ecae1'] fig2?=?figure(height=300,width=400,?title="Ration?of?Murdered?vs?Not?Murdered",?toolbar_location=None,?tools="hover",?tooltips="@Murdered:?@Value",?x_range=(-.5,?.5)) fig2.annular_wedge(x=0,?y=1,??inner_radius=0.15,?outer_radius=0.25,?direction="anticlock",start_angle=cumsum('Angle',?include_zero=True),?end_angle=cumsum('Angle'),line_color="white",?fill_color='Color',?legend_label='Murdered',?source=df_mur) #?3?layout df_team?=?pd.DataFrame(df.Team.value_counts()).reset_index().rename(columns={'index':?'Team',?'Team':?'Value'}) df_team['Angle']?=?df_team['Value']/df_team['Value'].sum()?*?2*pi df_team['Color']?=?['#3182bd',?'#6baed6']fig3?=?figure(height=300,?width=300,?title="Ration?of?Cremates?vs?Imposter",??toolbar_location=None,?tools="hover",?tooltips="@Team:?@Value",?x_range=(-.5,?.5)) fig3.annular_wedge(x=0,?y=1,??inner_radius=0.15,?outer_radius=0.25,?direction="anticlock",start_angle=cumsum('Angle',?include_zero=True),?end_angle=cumsum('Angle'),line_color="white",?fill_color='Color',?legend_label='Team',?source=df_team) #?Styling for?fig?in?[fig1,?fig2,?fig3]:fig.grid.grid_line_color?=?None for?fig?in?[fig2,?fig3]:fig.axis.visible=Falsefig.axis.axis_label=None layout?=?grid([[fig1],[fig2,?fig3]]) show(layout)

原文作者：Kashish Rastogi ?

編輯：公眾號 數據STUDIO

各位伙伴們好，詹帥本帥搭建了一個個人博客和小程序，匯集各種干貨和資源，也方便大家閱讀，感興趣的小伙伴請移步小程序體驗一下哦！（歡迎提建議）

推薦閱讀

牛逼！Python常用數據類型的基本操作（長文系列第①篇）

牛逼！Python的判斷、循環和各種表達式（長文系列第②篇）

牛逼！Python函數和文件操作（長文系列第③篇）

牛逼！Python錯誤、異常和模塊（長文系列第④篇）

總結

以上是生活随笔為你收集整理的Python Bokeh 库进行数据可视化实用指南的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。