Bokeh：Python 交互式可视化的老牌选择

Bokeh：Python 交互式可视化的老牌选择

bokeh 在 GitHub 上已经拿到 20.3K Star 了。

做数据可视化的 Python 开发者基本都听说过 Bokeh。这个项目从 2013 年就开始维护，由 NumFOCUS 提供赞助和法律支持，社区活跃，代码库持续更新。它是 Python 交互式图表领域里真正经得起时间考验的选手。

1、Bokeh 是干什么的

一句话：在浏览器里生成可以拖拽、缩放、交互的图表。

放大缩小、平移拖拽、鼠标悬停弹出数据详情、框选范围过滤、多个图表之间点击联动，这些在 matplotlib 这类静态库里面要么做不到要么需要额外折腾的事，Bokeh 天生支持。它生成的是一个带有 JS 引擎的 HTML 页面，用户用浏览器打开就行，不需要装任何依赖或插件。也可以嵌入 Jupyter Notebook、嵌入 Web 应用，灵活度很高。

2、为什么要用它

Python 画图工具太多了：matplotlib、plotly、seaborn、altair、pyecharts。选哪个取决于场景，但交互性始终是个分水岭。

matplotlib 生态最完善，论文级别的出图质量，但图表是静态的。plotly 交互做得不错，底层是 plotly.js，深度定制时会碰到性能边界。pyecharts 偏 ECharts 生态，中文社区友好但国际化弱一些。

Bokeh 的定位很清晰：API 是纯 Python，底层用 BokehJS 做渲染和交互。这个架构意味着你不需要写一行 JS 代码就能得到高性能的交互图表。几十万数据点照样流畅交互，不会出现拖动卡顿。对于需要处理大规模数据或流式数据的人来说，这种性能表现很有吸引力。

3、核心能力

Bokeh 支持的图表类型相当全。折线图、柱状图、散点图、面积图、饼图、热力图、地理图、网络关系图、甘特图都在文档里有现成示例。内置的布局系统支持将多张图表拼接成仪表盘，加上滑块、下拉框、日期选择器、按钮等交互控件，不用写前端代码就能搭出一个完整的数据应用页面。

大数据处理是它的一个核心优势。Bokeh 跟 NumPy、Pandas、Datashader 无缝对接，百万级数据点也能实时渲染。流式数据场景同样支持，比如通过 WebSocket 或服务器推送持续刷新的监控数据，图表会自动更新，不需要手动刷新页面。

4、安装使用

pipinstallbokeh

上手非常快，几行 Python 代码就能生成第一张交互图表：

frombokeh.plottingimportfigure,show p=figure(title="简单折线图",x_axis_label="x",y_axis_label="y")p.line([1,2,3,4,5],[2,5,3,8,6],line_width=2)show(p)

show()调用后浏览器自动打开，图表支持缩放、平移，鼠标悬停自动显示坐标值。

5、适合哪些人用

数据分析和科研人员，想要比 matplotlib 更灵活的交互效果。Python Web 后端开发者，需要在页面中嵌入图表。处理大规模或实时数据的工程师，对图表渲染性能有硬性要求。需要搭建数据仪表盘或报表系统，又不想引入前端技术栈的团队。

Bokeh 维护超过十年，社区稳定，文档详尽，Stack Overflow 上有超过两万条相关问答。对于一个需要长期依赖的可视化工具，这种持续维护的稳定性比 Star 数量本身更关键。

有超过两万条相关问答。对于一个需要长期依赖的可视化工具，这种持续维护的稳定性比 Star 数量本身更关键。