پایتون – تجسم داده‌ها با استفاده از Bokeh

Bokeh یک کتابخانه تجسم داده در پایتون است که نمودارها و گراف‌های تعاملی با عملکرد بالا را فراهم می‌کند. خروجی Bokeh می‌تواند در محیط‌های مختلفی مانند نوت‌بوک، HTML و سرور تولید شود. همچنین امکان جاسازی نمودارهای Bokeh در برنامه‌های جنگو (Django) و فلسک (Flask) وجود دارد.

Bokeh دو رابط تجسم داده به کاربران ارائه می‌دهد:

• bokeh.models: یک رابط سطح پایین که انعطاف‌پذیری بالایی را برای توسعه‌دهندگان برنامه فراهم می‌کند.
• bokeh.plotting: یک رابط سطح بالا برای ایجاد اشکال بصری.

برای نصب بسته Bokeh، دستور زیر را در ترمینال اجرا کنید:

pip install bokeh

کد #1: نشانگرهای پراکندگی

برای ایجاد نشانگرهای دایره‌ای پراکندگی، از متد circle() استفاده می‌شود.

# وارد کردن ماژول‌ها
from bokeh.plotting import figure, output_notebook, show  

# خروجی به نوت‌بوک
output_notebook()  

# ایجاد نمودار
p = figure(plot_width=400, plot_height=400)  

# افزودن یک رندر دایره‌ای با اندازه، رنگ و شفافیت مشخص
p.circle([1, 2, 3, 4, 5], [4, 7, 1, 6, 3],  
         size=10, color="navy", alpha=0.5)  

# نمایش نتایج
show(p)  

کد #2: یک خط ساده

برای ایجاد یک خط ساده، از متد line() استفاده می‌شود.

# وارد کردن ماژول‌ها
from bokeh.plotting import figure, output_notebook, show  

# خروجی به نوت‌بوک
output_notebook()  

# ایجاد نمودار
p = figure(plot_width=400, plot_height=400)  

# افزودن یک رندر خطی
p.line([1, 2, 3, 4, 5], [3, 1, 2, 6, 5],  
        line_width=2, color="green")  

# نمایش نتایج
show(p)  

کد #3: نمودار میله‌ای

نمودار میله‌ای داده‌های دسته‌ای را با میله‌های مستطیلی ارائه می‌دهد. طول میله متناسب با مقدار نمایش داده شده است.

# وارد کردن ماژول‌های مورد نیاز
import pandas as pd 
from bokeh.charts import Bar, output_notebook, show  

# خروجی به نوت‌بوک
output_notebook()  

# خواندن داده‌ها در یک دیتافریم
df = pd.read_csv(r"D:/kaggle/mcdonald/menu.csv")  

# ایجاد نمودار میله‌ای
p = Bar(df, "Category", values="Calories", 
        title="Total Calories by Category",  
        legend="top_right")  

# نمایش نتایج
show(p)  

کد #4: نمودار جعبه‌ای

نمودار جعبه‌ای برای نمایش داده‌های آماری روی یک نمودار استفاده می‌شود. این نمودار به خلاصه‌سازی ویژگی‌های آماری گروه‌های مختلف داده کمک می‌کند.

# وارد کردن ماژول‌های مورد نیاز
from bokeh.charts import BoxPlot, output_notebook, show 
import pandas as pd  

# خروجی به نوت‌بوک
output_notebook()  

# خواندن داده‌ها در یک دیتافریم
df = pd.read_csv(r"D:/kaggle/mcdonald/menu.csv")  

# ایجاد نمودار جعبه‌ای
p = BoxPlot(df, values="Protein", label="Category",  
            color="yellow", title="Protein Summary (grouped by category)", 
            legend="top_right")  

# نمایش نتایج
show(p)  

کد #5: هیستوگرام

هیستوگرام برای نمایش توزیع داده‌های عددی استفاده می‌شود. ارتفاع هر مستطیل در هیستوگرام متناسب با فراوانی مقادیر در یک بازه خاص است.

# وارد کردن ماژول‌های مورد نیاز
from bokeh.charts import Histogram, output_notebook, show 
import pandas as pd  

# خروجی به نوت‌بوک
output_notebook()  

# خواندن داده‌ها در یک دیتافریم
df = pd.read_csv(r"D:/kaggle/mcdonald/menu.csv")  

# ایجاد هیستوگرام
p = Histogram(df, values="Total Fat", 
              title="Total Fat Distribution",  
              color="navy")  

# نمایش نتایج
show(p)  

کد #6: نمودار پراکندگی

نمودار پراکندگی برای نمایش مقادیر دو متغیر در یک مجموعه داده استفاده می‌شود. این نمودار به یافتن همبستگی بین دو متغیر انتخاب شده کمک می‌کند.

# وارد کردن ماژول‌های مورد نیاز
from bokeh.charts import Scatter, output_notebook, show 
import pandas as pd  

# خروجی به نوت‌بوک
output_notebook()  

# خواندن داده‌ها در یک دیتافریم
df = pd.read_csv(r"D:/kaggle/mcdonald/menu.csv")  

# ایجاد نمودار پراکندگی
p = Scatter(df, x="Carbohydrates", y="Saturated Fat", 
            title="Saturated Fat vs Carbohydrates", 
            xlabel="Carbohydrates", ylabel="Saturated Fat", 
            color="orange")  

# نمایش نتایج
show(p)