يلعب تصور البيانات دورًا حاسمًا في تفسير كميات كبيرة من المعلومات. ظهرت أدوات مثل Bokeh كحلول شائعة لإنشاء لوحات معلومات وتقارير تفاعلية. توفر كل أداة مزايا فريدة اعتمادًا على مدى تعقيد مشروعك ولغة البرمجة المفضلة لديك. في هذه المقالة، سنتعمق في كل أداة ثم نركز على Bokeh، بما في ذلك المثال العملي والنشر في السحابة.

لهذا السبب...

ما هو البوكيه؟
Bokeh عبارة عن مكتبة تصور تفاعلية تستهدف متصفحات الويب الحديثة للعرض التقديمي. فهو يوفر رسومات أنيقة وموجزة، مما يمكّن المطورين من إنشاء لوحات معلومات ذات تفاعل متقدم. يعد Bokeh مناسبًا بشكل خاص لعلماء البيانات والمطورين الذين يستخدمون Python، حيث يقدم واجهات عالية المستوى وتحكمًا دقيقًا في مخططاتك.

كيف يمكنك استخدام هذه الأداة؟

• تثبيت التبعيات:

بوكيه تثبيت النقطة
تثبيت النقطة gunicorn

• إنشاء المؤامرة: في هذه الحالة قمت بتطوير قطعتي أرض في الصفحة الرئيسية ثم قمت بتسمية "app.py"

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)
`

قم بإنشاء صفحتك في هيروكو وقم بالخطوات التالية.

• إنشاء ملف تعريفي:

في هذا الملف أعلن على سبيل المثال في حالتي.

الويب: خدمة البوكيه --port=$PORT --address=0.0.0.0 --allow-websocket-origin=juancitoelpapi-325d94c2c6c7.herokuapp.com app.py

• إنشاء المتطلبات: في المشروع، قم بإنشاء ملف require.txt واكتبه واحفظه

بوكيه

• انشر مشروعك:

الأمر مشابه عندما تدفع مشروعًا في git ولكن في هذه الحالة تكون الدفعة الرئيسية النهائية في Heroku

جيت الحرف الأول
إضافة بوابة .
git Commit -m "نشر تطبيق Bokeh باستخدام Gunicorn"
بوابة دفع هيروكو ماستر

• وأخيرا...

يمكنك رؤية صفحتك مع خوخه المؤامرات.

• خاتمة

تكمن القوة الحقيقية لـ Bokeh في قدرتها على تقديم لوحات معلومات تفاعلية في بيئات الويب، مما يجعلها مثالية لمراقبة البيانات في الوقت الفعلي ومجموعات البيانات الكبيرة. باستخدام Gunicorn لنشر تطبيقات Bokeh على الخدمات السحابية مثل Heroku، يمكنك إنشاء لوحات معلومات قابلة للتطوير وجاهزة للإنتاج يسهل صيانتها وتحديثها.