Bokeh中数据的添加、修改和筛选 | Bokeh 小册子
Bokeh 系列文章传送门：
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。
from bokeh.plotting import figure, output_notebook, showfrom bokeh.layouts import gridplotfrom bokeh.models import ColumnDataSourceimport numpy as npimport pandas as pdoutput_notebook()
1 添加新的数据
ColumnDataSource 通过 stream() 方法来添加新的数据
data1 = {'x_values': [1, 2, 9, 4, 5], 'y_values': [6, 7, 2, 3, 6]}source = ColumnDataSource(data=data1)p1 = figure(plot_width=300, plot_height=300, title= 'origin data')p1.circle(x='x_values', y='y_values', source=source, size=20)show(p1)图示如下：
new_data = {'x_values': [6, 7, 2, 3, 6], 'y_values': [1, 2, 9, 4, 5]}# 在已有数据基础上添加新的数据 （append）source.stream(new_data)p2 = figure(plot_width=300, plot_height=300,title= 'append data with stream')p2.circle(x='x_values', y='y_values', source=source, size=20)show(p2)图示如下：
2 数据更新
用 patch 方法可以更新 ColumnDataSource 的数据。
data = {'x_column': [1, 2, 9, 4, 5, 8], 'y_column': [6, 7, 2, 3, 6, 2]}df = pd.DataFrame(data=data)df如下：
# 更新单个数据data = {'x_column': [1, 2, 9, 4, 5, 8], 'y_column': [6, 7, 2, 3, 6, 2]}df = pd.DataFrame(data=data)df图示如下：
2.1 更新单个数据
# {column:(index, new_value) }source.patch({'x_column':[(0,15)]})p2 = figure(plot_width=300, plot_height=300,title= 'revise single value with patch')p2.circle(x='x_column', y='y_column', source=source, size=20)show(p2)图示如下：
2.2 更新多个数据
# 更新多个数据# {column:(slice, new_values) }s = slice(2,4)source.patch({'x_column':[(s,[20,15])]})p2 = figure(plot_width=300, plot_height=300,title= 'revise multiple values with patch')p2.circle(x='x_column', y='y_column', source=source, size=20)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
from bokeh.plotting import figurefrom bokeh.models import ColumnDataSource, CDSView, IndexFilterfrom bokeh.layouts import gridplotdata = {'x_column': [1, 2, 9, 4, 5, 8], 'y_column': [6, 7, 2, 3, 6, 2]}df = pd.DataFrame(data=data)source = ColumnDataSource(data=df)view = CDSView(source=source, filters=[IndexFilter([0,2,4])])p1 = figure(plot_width=300, plot_height=300, title='origin state')p1.circle(x='x_column', y='y_column', source=source, size=20)p2 = figure(plot_width=300, plot_height=300, title='IndexFilter')p2.circle(x='x_column', y='y_column', source=source, size=20, view=view)grid=gridplot([p1,p2],ncols=2, plot_width=300,plot_height=300)show(grid)图示如下：
3.2 BooleanFilter
根据布尔值， True 或 False 来筛选数据
from bokeh.models import BooleanFilterfrom bokeh.layouts import rowbooleans = [True if y_val>4 else False for y_val in source.data['y_column']]view_booleans = CDSView(source=source, filters=[BooleanFilter(booleans)])p1 = figure(plot_width=300, plot_height=300,title='origin state')p1.circle(x='x_column', y='y_column', source=source, size=20)p2 = figure(plot_width=300, plot_height=300, title='BooleanFilter')p2.circle(x='x_column', y='y_column', source=source, size=20, view=view_booleans)grid=gridplot([p1,p2],ncols=2,plot_width=300,plot_height=300)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。
from bokeh.plotting import figure, showfrom bokeh.layouts import gridplotfrom bokeh.models import ColumnDataSource, CDSView, GroupFilterfrom bokeh.sampledata.iris import flowers# output_file("group_filter.html")source = ColumnDataSource(flowers)view1 = CDSView(source=source, filters=[GroupFilter(column_name='species', group='versicolor')])plot_size_and_tools = {'plot_height': 300, 'plot_width': 300,from bokeh.plotting import figure, showfrom bokeh.layouts import gridplotfrom bokeh.models import ColumnDataSource, CDSView, GroupFilterfrom bokeh.sampledata.iris import flowers# output_file("group_filter.html")source = ColumnDataSource(flowers)view1 = CDSView(source=source, filters=[GroupFilter(column_name='species', group='versicolor')])plot_size_and_tools = {'plot_height': 300, 'plot_width': 300, 'tools':['box_select', 'reset', 'help']}p1 = figure(title="Full data set", **plot_size_and_tools)p1.circle(x='petal_length', y='petal_width', source=source, color='black')p2 = figure(title="Setosa only", x_range=p1.x_range, y_range=p1.y_range, **plot_size_and_tools)p2.circle(x='petal_length', y='petal_width', source=source, view=view1, color='red')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~~
---------------- End ----------------
点击前往【项目实战】
世界杯系列 | 福布斯系列 | 求职系列
知识星球
我的知识星球【Python数据之道成长圈】已开通，想加入的同学，请回复数字 “2” 了解详情。
果您对我的文章感兴趣或者觉得文章内容不错的话，请在阅读后顺便转发到您的圈子里，或者点个赞鼓励我继续前行！ 感谢您的陪伴与支持！
如需加入微信群交流，请添加微信小助手（微信号：147121977，请备注“python”），后续将邀请入群。
更多相关文章
- 毫秒时间戳标识消息导致数据丢失的问题排查
- Pandas小册子：日期数据处理 - 如何按日期筛选、显示及统计数据
- 2017年文章汇总 - Python数据之道
- Python数据类型-List介绍(下)-列表推导式
- Python数据类型-List介绍(上)
- 内卷？猝死？企业如何利用数据分析提升人效比，让员工远离“996”？
- 【工具】历史文章分类汇总-V6 | Python数据之道
- js中基础数据结构数组去重问题
- mysql group_concat 获取一对多的数据