La visualización de datos juega un papel fundamental en la interpretación de grandes volúmenes de información. Herramientas como Bokeh han surgido como soluciones populares para crear paneles e informes interactivos. Cada herramienta aporta ventajas únicas según la complejidad de su proyecto y su lenguaje de programación preferido. En este artículo, profundizaremos en cada herramienta y luego nos centraremos en Bokeh, incluido un ejemplo práctico y su implementación en la nube.

De modo que...

¿Qué es el bokeh?
Bokeh es una biblioteca de visualización interactiva dirigida a navegadores web modernos para presentaciones. Ofrece gráficos elegantes y concisos, lo que permite a los desarrolladores crear paneles con interactividad avanzada. Bokeh es particularmente adecuado para científicos y desarrolladores de datos que usan Python, ya que ofrece interfaces de alto nivel y control granular sobre sus gráficos.

¿Cómo puedes utilizar esta herramienta?

• Instalar dependencias:

pip instalar bokeh
pip instalar gunicorn

• Crea la trama: En este caso desarrollé dos gráficos en la página principal y luego llamé "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)
`

Crea tu página en heroku y sigue los siguientes pasos.

• Crear un archivo de perfil:

En este archivo declaro por ejemplo en mi caso.

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

• Crear requisitos: En el proyecto cree requisitos.txt y escriba y guarde

bokeh

• Impulsa tu proyecto:

Es similar cuando impulsas un proyecto en git, pero en este caso el impulso maestro final está en heroku

git init
git agregar.
git commit -m "Implementar la aplicación Bokeh con Gunicorn"
git push heroku maestro

• Y finalmente...

Puedes ver tu página con el bokeh de los gráficos.

• Conclusión

El verdadero poder de Bokeh radica en su capacidad para ofrecer paneles interactivos en entornos web, lo que lo hace ideal para el monitoreo de datos en tiempo real y grandes conjuntos de datos. Al utilizar Gunicorn para implementar aplicaciones Bokeh en servicios en la nube como Heroku, puede crear paneles de control escalables y listos para producción que sean fáciles de mantener y actualizar.