Bokeh绘制常用图形元素

小象实战讲义 · Python数据分析实战

上一节我们介绍了Bokeh的高层图表接口，可以快速绘制常见的统计图。但有时我们需要更灵活的图形组合，或者想在已有图表上添加自定义标记，这时就需要直接操作图形元素（glyph）。本节将学习如何使用Bokeh的glyph级绘图接口（bokeh.plotting，介于底层模型层与高层图表接口之间的中层）绘制圆形、方形、折线等基本图形元素，理解交互式可视化的构建原理。

💡 核心导读

• 图形元素（glyph）是构成图表的基本单元，如点、线、面等
• Bokeh的plotting接口提供circle()、square()、line()等方法绘制基本元素
• 图形元素可用于自定义复杂图表或在现有图表上添加标记
• 交互式可视化本质是数据到图元的映射，通过JSON/HTML在浏览器渲染

图形元素的概念与作用

图形元素（glyph）是构成数据可视化图表的基本图形单元。在Bokeh中，bokeh.plotting模块提供了丰富的图形元素绘制方法，包括圆形、方形、折线、多边形等。

与高层图表接口不同，图形元素接口让我们能够：

1. 自定义复杂图形：当标准统计图无法表达特定数据关系时，可以组合多个图形元素创建定制化图表
2. 增强现有图表：在柱状图、散点图等标准图表上添加额外的标记或注释
3. 理解可视化原理：通过底层API了解”数据→图元→渲染”的完整链路

# 导入必要的库
import matplotlib
matplotlib.use("Agg")  # 使用无界面后端
import matplotlib.pyplot as plt
import numpy as np

# 创建画布和坐标轴
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_xlim(0, 11)
ax.set_ylim(0, 11)
ax.set_title('图形元素绘制原理示意图')
ax.grid(True, linestyle='--', alpha=0.7)

# 硬编码示例数据点
x_points = [2, 5, 8]
y_points = [2, 8, 4]

# 绘制三个点作为示例
ax.scatter(x_points, y_points, s=100, c='red', alpha=0.7, label='数据点')
ax.plot(x_points, y_points, linewidth=2, c='blue', alpha=0.5, label='连接线')

# 添加说明文字
for i, (x, y) in enumerate(zip(x_points, y_points)):
    ax.text(x+0.3, y+0.3, f'点{i+1}', fontsize=10)

ax.legend()
plt.close(fig)  # 关闭图形，释放资源
print("图形元素示意图已创建（数据点→图元映射）")

图形元素示意图已创建（数据点→图元映射）

Bokeh图形元素绘制方法

Bokeh的plotting.figure类提供了多种图形元素绘制方法。虽然原课使用Bokeh 0.12.5版本（其bokeh.charts高层API在后续版本已移除），但底层图元绘制思想与现代交互式可视化库（如plotly、streamlit）一脉相承。

圆形元素（Circle）

圆形是最常用的点标记之一，用于散点图或数据点标记：

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np

# 创建画布
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_xlim(0, 11)
ax.set_ylim(0, 11)
ax.set_title('绘制圆形 (Circle)')
ax.grid(True, linestyle='--', alpha=0.7)

# 硬编码数据点（避免随机性）
x_points = [7, 4, 8, 5, 7]
y_points = [4, 8, 2, 2, 1]

# 绘制圆形：参数依次为 x坐标, y坐标, 点大小, 颜色, 透明度(alpha)
ax.scatter(x_points, y_points, s=100, c='green', alpha=0.7, marker='o')

# 显示坐标点信息
print("圆形坐标点：")
for i, (x, y) in enumerate(zip(x_points, y_points)):
    print(f"  点{i+1}: x={x}, y={y}")

plt.close(fig)

圆形坐标点：
  点1: x=7, y=4
  点2: x=4, y=8
  点3: x=8, y=2
  点4: x=5, y=2
  点5: x=7, y=1

方形元素（Square）

方形元素常用于特殊标记或分类区分：

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np

# 创建新画布
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_xlim(0, 11)
ax.set_ylim(0, 11)
ax.set_title('绘制方形 (Square)')
ax.grid(True, linestyle='--', alpha=0.7)

# 使用相同的坐标点
x_points = [7, 4, 8, 5, 7]
y_points = [4, 8, 2, 2, 1]

# 绘制方形：Matplotlib 的 marker='s' 表示方形标记
ax.scatter(x_points, y_points, s=400, c='navy', alpha=0.6, marker='s')

print("方形坐标点（与圆形相同）：")
print(f"  x坐标: {x_points}")
print(f"  y坐标: {y_points}")

plt.close(fig)

方形坐标点（与圆形相同）：
  x坐标: [7, 4, 8, 5, 7]
  y坐标: [4, 8, 2, 2, 1]

折线元素（Line）

折线用于连接数据点，展示趋势或路径：

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np

# 创建新画布
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_xlim(0, 11)
ax.set_ylim(0, 11)
ax.set_title('绘制折线 (Line)')
ax.grid(True, linestyle='--', alpha=0.7)

# 使用相同的坐标点
x_points = [7, 4, 8, 5, 7]
y_points = [4, 8, 2, 2, 1]

# 绘制折线：参数依次为 x坐标, y坐标, 线宽, 颜色
ax.plot(x_points, y_points, linewidth=3, c='red', alpha=0.8, marker='o', markersize=8)

print("折线连接顺序：")
for i in range(len(x_points)):
    if i < len(x_points) - 1:
        print(f"  点{i+1}({x_points[i]},{y_points[i]}) → 点{i+2}({x_points[i+1]},{y_points[i+1]})")

plt.close(fig)

折线连接顺序：
  点1(7,4) → 点2(4,8)
  点2(4,8) → 点3(8,2)
  点3(8,2) → 点4(5,2)
  点4(5,2) → 点5(7,1)

图形元素组合应用

在实际应用中，我们经常需要组合多种图形元素。例如，在折线图上用圆形标记数据点，或用方形突出显示关键节点：

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np

# 创建最终组合图
fig, ax = plt.subplots(figsize=(8, 8))
ax.set_xlim(0, 11)
ax.set_ylim(0, 11)
ax.set_title('图形元素组合示例')
ax.grid(True, linestyle='--', alpha=0.7)

# 数据
x_points = [7, 4, 8, 5, 7]
y_points = [4, 8, 2, 2, 1]

# 1. 绘制折线（作为连接路径）
ax.plot(x_points, y_points, linewidth=3, c='red', alpha=0.6, label='连接线')

# 2. 绘制圆形（标记所有数据点）
ax.scatter(x_points, y_points, s=100, c='green', alpha=0.7, marker='o', label='数据点')

# 3. 绘制方形（突出显示起点和终点）
ax.scatter([x_points[0], x_points[-1]], [y_points[0], y_points[-1]], 
           s=200, c='navy', alpha=0.5, marker='s', label='起止点')

ax.legend()
print("组合图包含：")
print("  1. 红色折线连接5个点")
print("  2. 绿色圆形标记每个数据点")
print("  3. 蓝色方形突出显示起点和终点")

plt.close(fig)

组合图包含：
  1. 红色折线连接5个点
  2. 绿色圆形标记每个数据点
  3. 蓝色方形突出显示起点和终点

交互式可视化生态现状

原课基于Bokeh 0.12.5版本讲授，该版本提供了bokeh.charts高层API（后续版本已移除）。现代Python交互式可视化生态已更加丰富：

1. Bokeh：依然活跃，但API有所调整，更强调底层图元构建
2. Plotly：提供高层图表接口和底层图形对象，支持丰富交互
3. Streamlit：专注于数据应用的快速构建，内置交互组件
4. Matplotlib：静态可视化的基石，可通过mplcursors等扩展添加交互

这些工具的共同原理是：将Python中的数据映射为图形元素，序列化为JSON/HTML等格式，在浏览器端渲染并实现交互。

📝 动手练一练

1. 概念辨析：图形元素（glyph）与高层图表接口（如柱状图、散点图）的主要区别是什么？各适用于什么场景？

2. 动手实践：使用Matplotlib创建一个组合图，包含以下元素：
   • 用折线连接点(1,1)、(3,4)、(5,2)、(7,5)
   • 在每个数据点位置绘制绿色圆形标记（大小80）
   • 在第一个和最后一个点位置绘制红色方形标记（大小150）

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

# 创建画布
fig, ax = plt.subplots(figsize=(7, 7))
ax.set_xlim(0, 8)
ax.set_ylim(0, 6)
ax.set_title('动手练习：图形元素组合')
ax.grid(True, linestyle='--', alpha=0.5)

# 数据点
x_points = [1, 3, 5, 7]
y_points = [1, 4, 2, 5]

# 1. 绘制折线
ax.plot(x_points, y_points, linewidth=2, c='blue', alpha=0.7)

# 2. 绘制绿色圆形标记所有点
ax.scatter(x_points, y_points, s=80, c='green', alpha=0.7, marker='o')

# 3. 绘制红色方形标记起止点
ax.scatter([x_points[0], x_points[-1]], [y_points[0], y_points[-1]], 
           s=150, c='red', alpha=0.5, marker='s')

plt.close(fig)
print("组合图创建完成！")
print(f"折线连接点: {list(zip(x_points, y_points))}")
print(f"起点: ({x_points[0]}, {y_points[0]}), 终点: ({x_points[-1]}, {y_points[-1]})")

组合图创建完成！
折线连接点: [(1, 1), (3, 4), (5, 2), (7, 5)]
起点: (1, 1), 终点: (7, 5)

本章小结

本节我们学习了图形元素（glyph）的概念和绘制方法，这是理解交互式可视化底层原理的关键。通过圆形、方形、折线等基本元素的组合，我们可以创建高度定制化的图表，或在标准图表上添加增强标记。

📋 行动清单

• 掌握三种基本图形元素的绘制方法：圆形、方形、折线
• 理解图形元素组合应用的场景和实现方式
• 了解现代Python交互式可视化工具生态（Bokeh/Plotly/Streamlit）
• 尝试在现有图表上添加自定义图形元素进行增强

—— 小象教研组