데이터 시각화는 대량의 정보를 해석하는 데 중요한 역할을 합니다. Bokeh와 같은 도구는 대화형 대시보드 및 보고서 작성을 위한 인기 있는 솔루션으로 등장했습니다. 각 도구는 프로젝트의 복잡성과 선호하는 프로그래밍 언어에 따라 고유한 이점을 제공합니다. 이 기사에서는 각 도구를 자세히 살펴본 다음 실습 예제와 클라우드 배포를 포함하여 Bokeh에 중점을 둘 것입니다.
그래서...
보케란 무엇인가요?
Bokeh는 프레젠테이션을 위해 최신 웹 브라우저를 대상으로 하는 대화형 시각화 라이브러리입니다. 우아하고 간결한 그래픽을 제공하므로 개발자는 고급 상호 작용 기능을 갖춘 대시보드를 구축할 수 있습니다. Bokeh는 높은 수준의 인터페이스와 플롯에 대한 세부적인 제어 기능을 모두 제공하므로 Python을 사용하는 데이터 과학자 및 개발자에게 특히 적합합니다.
이 도구를 어떻게 사용할 수 있나요?
pip 설치 보케
pip 설치 건니콘
from bokeh.layouts import column from bokeh.models import ColumnDataSource, Select from bokeh.plotting import figure, curdoc import numpy as np # Sample data for line plot line_data = { 'x': [1, 2, 3, 4, 5], 'y1': [6, 7, 2, 4, 7], 'y2': [1, 4, 8, 6, 9] } # Data for scatter plot N = 4000 x_scatter = np.random.random(size=N) * 100 y_scatter = np.random.random(size=N) * 100 radii = np.random.random(size=N) * 1.5 colors = np.array([(r, g, 150) for r, g in zip(50 + 2 * x_scatter, 30 + 2 * y_scatter)], dtype="uint8") # Create ColumnDataSource for line plot source = ColumnDataSource(data={'x': line_data['x'], 'y': line_data['y1']}) # Create a figure for line plot plot_line = figure(title="Interactive Line Plot", x_axis_label='X', y_axis_label='Y') line1 = plot_line.line('x', 'y', source=source, line_width=3, color='blue', legend_label='y1') line2 = plot_line.line('x', 'y2', source=source, line_width=3, color='red', legend_label='y2', line_alpha=0.5) # Create a figure for scatter plot plot_scatter = figure(title="Scatter Plot", tools="hover,crosshair,pan,wheel_zoom,zoom_in,zoom_out,box_zoom,undo,redo,reset,tap,save,box_select,poly_select,lasso_select,examine,help") plot_scatter.circle(x_scatter, y_scatter, radius=radii, fill_color=colors, fill_alpha=0.6, line_color=None) # Dropdown widget to select data for line plot select = Select(title="Y-axis data", value='y1', options=['y1', 'y2']) # Update function to change data based on selection def update(attr, old, new): selected_y = select.value source.data = {'x': line_data['x'], 'y': line_data[selected_y]} # Update line colors based on selection line1.visible = (selected_y == 'y1') line2.visible = (selected_y == 'y2') plot_line.title.text = f"Interactive Line Plot - Showing {selected_y}" select.on_change('value', update) # Arrange plots and widgets in a layout layout = column(select, plot_line, plot_scatter) # Add layout to current document curdoc().add_root(layout) `
heroku에서 페이지를 만들고 다음 단계를 수행하세요.
이 파일에는 내 경우의 예를 선언합니다.
웹: 보케 서브 --port=$PORT --address=0.0.0.0 --allow-websocket-origin=juancitoelpapi-325d94c2c6c7.herokuapp.com app.py
보케
git에서 프로젝트를 푸시할 때와 비슷하지만 이 경우 최종 마스터 푸시는 heroku에 있습니다
git 초기화
자식 추가 .
git commit -m "Gunicorn으로 Bokeh 앱 배포"
git push heroku 마스터
플롯 보케로 페이지를 볼 수 있습니다.
Bokeh의 진정한 힘은 웹 환경에서 대화형 대시보드를 제공하여 실시간 데이터 모니터링과 대규모 데이터 세트에 이상적이라는 점입니다. Gunicorn을 사용하여 Heroku와 같은 클라우드 서비스에 Bokeh 애플리케이션을 배포하면 유지 관리 및 업데이트가 용이하고 확장 가능하며 프로덕션에 즉시 사용 가능한 대시보드를 구축할 수 있습니다.
위 내용은 Bokeh는 데이터 시각화를 위한 Python의 흥미로운 데이터 도구입니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!