Datenvisualisierung spielt eine entscheidende Rolle bei der Interpretation großer Informationsmengen. Tools wie Bokeh haben sich zu beliebten Lösungen für die Erstellung interaktiver Dashboards und Berichte entwickelt. Jedes Tool bietet je nach Komplexität Ihres Projekts und Ihrer bevorzugten Programmiersprache einzigartige Vorteile. In diesem Artikel werden wir uns mit den einzelnen Tools befassen und uns dann auf Bokeh konzentrieren, einschließlich eines praktischen Beispiels und der Bereitstellung in der Cloud.

So dass...

Was ist Bokeh?
Bokeh ist eine interaktive Visualisierungsbibliothek, die sich für die Präsentation an moderne Webbrowser richtet. Es bietet elegante und prägnante Grafiken und ermöglicht Entwicklern die Erstellung von Dashboards mit erweiterter Interaktivität. Bokeh eignet sich besonders für Datenwissenschaftler und Entwickler, die Python verwenden, und bietet sowohl High-Level-Schnittstellen als auch eine detaillierte Kontrolle über Ihre Plots.

Wie können Sie dieses Tool verwenden?

• Abhängigkeiten installieren:

pip install bokeh
pip install gunicorn

• Erstellen Sie die Handlung: In diesem Fall habe ich zwei Plots auf der Hauptseite entwickelt und dann „app.py“ genannt

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)
`

Erstellen Sie Ihre Seite in Heroku und führen Sie die nächsten Schritte aus.

• Erstellen Sie ein Profil:

In dieser Datei zum Beispiel in meinem Fall deklarieren.

web: Bokeh Serve --port=$PORT --address=0.0.0.0 --allow-websocket-origin=juancitoelpapi-325d94c2c6c7.herokuapp.com app.py

• Anforderungen erstellen: Erstellen Sie im Projekt „requirements.txt“ und schreiben und speichern Sie

Bokeh

• Push Ihr Projekt:

Es ist ähnlich, wenn Sie ein Projekt in Git pushen, aber in diesem Fall erfolgt der letzte Master-Push in Heroku

git init
git add .
git commit -m „Bokeh-App mit Gunicorn bereitstellen“
Git Push Heroku Master

• Und schließlich ...

Sie können Ihre Seite mit dem Plot-Bokeh sehen.

• Abschluss

Die wahre Stärke von Bokeh liegt in seiner Fähigkeit, interaktive Dashboards in Webumgebungen bereitzustellen, was es ideal für die Echtzeit-Datenüberwachung und große Datensätze macht. Durch die Verwendung von Gunicorn zur Bereitstellung von Bokeh-Anwendungen auf Cloud-Diensten wie Heroku können Sie skalierbare, produktionsbereite Dashboards erstellen, die einfach zu warten und zu aktualisieren sind.