Bokeh绘制散点图、柱状图、盒子图、弦图

小象实战讲义 · Python数据分析实战

在上一节课中，我们学习了Bokeh的基本概念与安装。本节课，我们将一起动手，使用Bokeh绘制数据分析中几种常见的统计图形，包括散点图、柱状图、盒子图和弦图，掌握交互式可视化的核心方法。

💡 核心导读

• Bokeh交互式可视化原理：理解Bokeh如何将Python数据转换为网页端可交互的图形。
• 常用统计图形绘制：掌握使用Bokeh绘制散点图、柱状图、盒子图的核心API与参数。
• 层级分组与聚合：学习在柱状图中实现分组、堆叠以及数据聚合（求和、求均值）的方法。
• 弦图的理解与应用：认识弦图，了解其用于展示多节点间关系及权重的能力。

Bokeh的使用与交互式原理

Bokeh是一个基于现代Web浏览器的交互式可视化库。其核心工作流程是：在Python中定义数据、图形元素（图元）及其交互逻辑，然后由Bokeh将其序列化为JSON格式，最终在HTML页面中通过JavaScript库（BokehJS）进行渲染和交互。

因此，Bokeh最终生成的是一个HTML文档，而非静态的JPG或PNG图片。这带来了丰富的交互能力，如缩放、平移、悬停提示、框选等。

输出方式：

1. 生成HTML文件：使用 output_file('filename.html')，适用于脚本运行环境（如PyCharm）。
2. 在Jupyter Notebook中内联显示：使用 output_notebook()，图形将直接渲染在Notebook单元格中。

Bokeh提供了不同层次的API：最底层是 bokeh.models（直接操作图元对象）；中层是 bokeh.plotting（glyph 级绘图接口，灵活性高）；早期版本（如 0.12.x）还有一个高层统计图表接口 bokeh.charts，可以快速绘制常见图形——但该模块在后续版本中已被移除，现代 Bokeh 主流用法是 bokeh.plotting。当前Python可视化生态中，Plotly、Streamlit等工具也提供了强大的交互式图表能力。本节我们将遵循原课思路，使用bokeh.charts进行讲解，但实际代码将使用Matplotlib来演示相同的可视化思想和数据映射逻辑。

使用Matplotlib演示核心可视化思想

由于Bokeh 0.12.5的bokeh.charts API已过时，且课程环境限制，我们将使用Matplotlib来复现原课中散点图、柱状图、盒子图的绘制逻辑，并解释弦图的概念。关键在于理解“数据列到图元属性”的映射思想。

首先，我们构造一个与原课exercise数据集结构类似的模拟数据，用于后续演示。

import pandas as pd
import numpy as np
import matplotlib
matplotlib.use('Agg') # 使用无界面后端，保证在任何环境可运行
import matplotlib.pyplot as plt

# 构造模拟运动数据
np.random.seed(42)
data = {
    'id': np.repeat([1, 2, 3, 4, 5], 6), # 5个用户，每个用户6条记录
    'diet': np.tile(['low fat', 'no fat', 'normal'], 10), # 饮食类型
    'kind': np.tile(['rest', 'walking', 'running'], 10), # 运动类型
    'pulse': np.concatenate([
        np.random.normal(85, 5, 10),   # low fat 组脉搏
        np.random.normal(100, 10, 10), # no fat 组脉搏
        np.random.normal(90, 7, 10)    # normal 组脉搏
    ])
}
df_exercise = pd.DataFrame(data)
print(df_exercise.head(10))

id     diet     kind      pulse
0   1  low fat     rest  87.483571
1   1   no fat  walking  84.308678
2   1   normal  running  88.238443
3   1  low fat     rest  92.615149
4   1   no fat  walking  83.829233
5   1   normal  running  83.829315
6   2  low fat     rest  92.896064
7   2   no fat  walking  88.837174
8   2   normal  running  82.652628
9   2  low fat     rest  87.712800

散点图 (Scatter Plot)

散点图用于展示两个连续变量之间的关系。核心参数是横纵坐标分别对应的数据列。

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

# 重新构造数据，确保本代码块自包含
import pandas as pd
import numpy as np
np.random.seed(42)
data_scatter = {
    'id': np.repeat([1, 2, 3, 4, 5], 6),
    'pulse': np.concatenate([
        np.random.normal(85, 5, 10),
        np.random.normal(100, 10, 10),
        np.random.normal(90, 7, 10)
    ])
}
df_scatter = pd.DataFrame(data_scatter)

# 绘制散点图
fig, ax = plt.subplots(figsize=(8, 5))
ax.scatter(x=df_scatter['id'], y=df_scatter['pulse'])
ax.set_title('用户ID与脉搏散点图')
ax.set_xlabel('用户 ID')
ax.set_ylabel('脉搏')
# 设置x轴刻度为整数
ax.set_xticks(df_scatter['id'].unique())
print(f"数据点数量: {len(df_scatter)}")
print(f"X轴范围: [{df_scatter['id'].min()}, {df_scatter['id'].max()}]")
print(f"Y轴范围: [{df_scatter['pulse'].min():.1f}, {df_scatter['pulse'].max():.1f}]")
plt.close(fig) # 关闭图形，释放内存

数据点数量: 30
X轴范围: [1, 5]
Y轴范围: [80.0, 103.1]

• 映射思想：将DataFrame中的id列映射为散点图的x坐标，pulse列映射为y坐标。
• 交互式对应：在Bokeh中，你可以用鼠标拖动平移图形，用滚轮缩放，或用框选工具放大特定区域。

柱状图 (Bar Chart)

柱状图常用于展示分类数据的汇总值（如求和、均值）。关键参数包括分组的列（label）、汇总值的列（values）以及聚合函数（agg）。

基本柱状图（按用户ID分组，脉搏求和）：

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 构造数据
np.random.seed(42)
data_bar = {
    'id': np.repeat([1, 2, 3, 4, 5], 6),
    'pulse': np.concatenate([
        np.random.normal(85, 5, 10),
        np.random.normal(100, 10, 10),
        np.random.normal(90, 7, 10)
    ])
}
df_bar = pd.DataFrame(data_bar)

# 按id分组并求和
bar_data = df_bar.groupby('id')['pulse'].sum().reset_index()
print("按ID分组后脉搏求和结果:")
print(bar_data.to_string(index=False))

fig, ax = plt.subplots(figsize=(8, 5))
ax.bar(x=bar_data['id'].astype(str), height=bar_data['pulse'])
ax.set_title('用户脉搏总和柱状图')
ax.set_xlabel('用户 ID')
ax.set_ylabel('脉搏（总和）')
plt.close(fig)

按ID分组后脉搏求和结果:
 id      pulse
  1 520.304390
  2 542.807192
  3 553.428929
  4 535.975290
  5 525.292383

• 聚合操作：同一个ID对应多条脉搏记录，柱状图需要展示一个汇总值。这里默认使用了求和（sum）。

堆叠柱状图与分组柱状图： 当数据有层级分组时（例如，先按diet分大类，每类下又有kind子类），可以绘制堆叠或分组柱状图。

• 堆叠柱状图：子类的值以堆叠的方式显示在同一根柱子上，柱子总高度表示大类总和。
• 分组柱状图：子类并排显示在对应的大类分组下。

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 构造包含diet和kind的数据
np.random.seed(42)
data_complex = {
    'diet': np.tile(['low fat', 'no fat', 'normal'], 10),
    'kind': np.tile(['rest', 'walking', 'running'], 10),
    'pulse': np.concatenate([
        np.random.normal(85, 5, 10),
        np.random.normal(100, 10, 10),
        np.random.normal(90, 7, 10)
    ])
}
df_complex = pd.DataFrame(data_complex)

# 计算每个diet和kind组合下的脉搏均值，用于演示
pivot_mean = df_complex.pivot_table(values='pulse', index='diet', columns='kind', aggfunc='mean')
print("饮食类型与运动类型下的平均脉搏:")
print(pivot_mean.round(2))

饮食类型与运动类型下的平均脉搏:
kind      rest  running  walking
diet
low fat  91.57      NaN      NaN
no fat     NaN      NaN     87.6
normal     NaN    88.61      NaN

• 映射思想：label参数对应大类（diet），stack或group参数对应子类（kind），values对应需要聚合的数值列（pulse），agg指定聚合函数（如'mean'）。

盒子图 (Box Plot)

盒子图（箱线图）是展示数据分布、识别异常值的强大工具。盒子两端是第一四分位数（Q1）与第三四分位数（Q3），盒中横线是中位数；须线通常延伸到「距盒端 1.5×IQR 以内」的最远数据点，超出须线的点视为潜在异常值。

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 构造数据
np.random.seed(42)
data_box = {
    'diet': np.repeat(['low fat', 'no fat', 'normal'], 10),
    'pulse': np.concatenate([
        np.random.normal(85, 5, 10),
        np.random.normal(100, 10, 10),
        np.random.normal(90, 7, 10)
    ])
}
df_box = pd.DataFrame(data_box)

# 准备绘图数据
plot_data = [df_box[df_box['diet']==cat]['pulse'].values for cat in df_box['diet'].unique()]
labels = df_box['diet'].unique()

fig, ax = plt.subplots(figsize=(8, 5))
# 注：matplotlib 3.9 起 boxplot 的 labels 参数更名为 tick_labels
ax.boxplot(plot_data, tick_labels=labels)
ax.set_title('不同饮食类型的脉搏分布盒子图')
ax.set_xlabel('饮食类型')
ax.set_ylabel('脉搏')
# 打印一些统计量用于理解
for i, (cat, data) in enumerate(zip(labels, plot_data)):
    q1, median, q3 = np.percentile(data, [25, 50, 75])
    print(f"{cat}: Q1={q1:.1f}, 中位数={median:.1f}, Q3={q3:.1f}")
plt.close(fig)

low fat: Q1=83.9, 中位数=87.6, Q3=88.7
no fat: Q1=86.9, 中位数=92.6, Q3=95.4
normal: Q1=85.9, 中位数=88.2, Q3=90.7

• 映射思想：label参数指定了分组列（diet），values参数指定了需要分析分布的数值列（pulse）。图形直观展示了不同饮食组脉搏的中心趋势、离散程度和潜在异常点。

弦图 (Chord Diagram)

弦图用于展示多个实体（节点）之间两两关系的强度。所有节点排列在一个圆环上，节点之间的连线（弦）表示存在关系，连线的粗细通常代表关系的权重（如流量、数量、相关性强度）。

概念解析： 假设我们有“用户ID”和“运动类型”两类节点。弦图可以展示“哪个用户进行了哪种运动”，连线的粗细可以代表该用户进行该运动时的“平均脉搏”或“总运动次数”。

• 源 (source)：连线的起点节点，例如用户ID。
• 目标 (target)：连线的终点节点，例如运动类型。
• 值 (value)：决定连线粗细的权重值，例如脉搏值。

原课中使用bokeh.charts.Chord(data, source='id', target='kind', value='pulse')进行绘制。由于Matplotlib原生不支持弦图，且Bokeh charts API已变更，此处我们通过文字和伪数据描述其逻辑。

import pandas as pd

# 构造一个简化的弦图关系数据示例
data_chord = {
    'source': ['用户A', '用户A', '用户B', '用户B', '用户C'],
    'target': ['跑步', '游泳', '跑步', '骑行', '游泳'],
    'value': [30, 20, 40, 25, 35] # 代表关系强度，如运动时长
}
df_chord = pd.DataFrame(data_chord)
print("弦图关系数据示例:")
print(df_chord)
print("\n说明：")
print("- 节点：用户A、用户B、用户C、跑步、游泳、骑行")
print("- 连线：从source节点指向target节点")
print("- 粗细：value值越大，连线越粗")

弦图关系数据示例:
  source target  value
0    用户A     跑步     30
1    用户A     游泳     20
2    用户B     跑步     40
3    用户B     骑行     25
4    用户C     游泳     35

说明：
- 节点：用户A、用户B、用户C、跑步、游泳、骑行
- 连线：从source节点指向target节点
- 粗细：value值越大，连线越粗

在Bokeh生成的交互式弦图中，你可以清晰地看到所有节点及其连接，并通过悬停等方式查看具体的关系权重。

📝 动手练一练

1. 概念辨析：散点图、柱状图和盒子图分别最适合用来揭示数据哪方面的特征？请简述。
2. 代码实践：假设你有一份销售数据，包含城市、产品类别和销售额三列。如果你想直观对比不同城市在不同产品类别上的销售额对比，应该选择堆叠柱状图还是分组柱状图？请说明原因，并尝试用pivot_table计算出绘制所需的数据格式。

产品类别   家电  服饰
城市
上海    150  60
北京    120  80
深圳     90  70

得到的数据框，行索引是城市，列索引是产品类别，值是该城市在该类别下的销售总额，这正好是绘制分组柱状图所需的数据格式。

本章小结

本节我们深入探讨了使用Bokeh（通过Matplotlib映射思想）绘制多种统计图形的方法。我们理解了交互式可视化的底层原理，并重点掌握了散点图、柱状图、盒子图的参数含义与数据映射逻辑。对于弦图，我们学习了其用于表达复杂关系网络的概念。掌握这些图形的适用场景和绘制方法，是进行有效数据探索和沟通的基础。

📋 行动清单

• 尝试使用Matplotlib的scatter、bar和boxplot函数，用自己构造的小数据集复现本节图形。
• 思考一个你熟悉的数据集，判断哪些问题适合用散点图分析，哪些适合用柱状图或盒子图分析。
• 了解现代交互式可视化库（如Plotly Express），观察其绘制相同图形的API与Bokeh思想的异同。

—— 小象教研组