Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别。正如下图所示，它说明了Bokeh如何将数据展示到一个Web浏览器上的流程。
正如你所看到的，Bokeh捆绑了多种语言(Python, R, lua和Julia)。这些捆绑的语言产生了一个JSON文件，这个文件作为BokehJS(一个Javascript库)的一个输入，之后会将数据展示到现代Web浏览器上。
Bokeh可以像D3.js那样创建简洁漂亮的交互式可视化效果，即使是非常大型的或是流数据集也可以进行高效互动。Bokeh可以帮助所有人快速方便地创建互动式的图表、控制面板以及数据应用程序。
Bokeh能为像我这样的数据科学家提供什么？
我起初是作为一名商业智能从业者(BIprofessional)开始我的数据科学之旅的，随后，又逐渐学习了预测建模，数据科学和机器学习。我主要使用QlikView和Tableau进行数据可视化，用SAS和Python来做预测分析和数据分析。我几乎没有用过JavaScript。
因此，对于我之前所有的数据产品或想法，我只能要么将其外包要么通过网站线框图向别人展示，这两者都不适合创建快速原型。现在，有了Bokeh，我就可以继续使用Python，并且快速创建这些原型。
Bokeh的优势：
Bokeh允许你通过简单的指令就可以快速创建复杂的统计图，
Bokeh提供到各种媒体，如HTML，Notebook文档和服务器的输出
我们也可以将Bokeh可视化嵌入flask和django程序
Bokeh可以转换写在其它库(如matplotlib, seaborn和ggplot)中的可视化
Bokeh能灵活地将交互式应用、布局和不同样式选择用于可视化
Bokeh面临的挑战：
与任何即将到来的开源库一样，Bokeh正在经历不断的变化和发展。所以，你今天写的代码可能将来并不能被完全再次使用。
与D3.js相比，Bokeh的可视化选项相对较少。因此，短期内Bokeh无法挑战D3.js的霸主地位。
综合Bokeh的优点及其面临的挑战，Bokeh是当前用于快速开发原型产品的理想工具。然而，如果你想在产品的环境下搞点新东西，D3.js可能仍然是你最好的选择。
用Bokeh实现可视化
Bokeh提供了强大而灵活的功能，使其操作简单并高度定制化。它为用户提供了多个可视化界面，如下图所示：
图表(Charts)：一个高级接口(high-level interface)，用以简单快速地建立复杂的统计图表。
绘图(Plotting)：一个中级接口(intermediate-level interface)，以构建各种视觉符号为核心。
模块(Models)：一个低级接口(low-level interface)，为应用程序开发人员提供最大的灵活性。
本文中，我们仅涉及前两个接口，图表(Charts)和绘图(Plotting)。
图表
如上所述，它是一个高级接口，用于通过标准的可视化方式呈现信息。这些方式包括箱形图、柱状图、面积图、热图、甜甜圈图和许多其它图形。你只需输入数据框(data frames)、numpy数组或字典就可以生成这些图。
让我们来看看创建一个图表的通用方法：
1. 导入库和函数/方法
2. 准备数据
3. 设置输出模式(Notebook文档、Web浏览器或服务器)
4. 创建图表并选择图表的样式(如果需要)
5. 可视化图表
为了更好地理解这些步骤，让我用下面的例子来演示一下：
图表范例-1：使用Bokeh创建一个柱状图并在Web浏览器上显示
我们将遵循上述列出的步骤来创建一个图表：
在上面的图表中，你可以看到顶部的工具选项(缩放、调整大小、重置、旋转缩放)，这些工具可以帮助你与图表进行互动。同时，你也可以看到多个图表选项(图例、X轴名标注、Y轴名标注、坐标网格线、宽度、高度等)和各种图表的范例。
图表范例-2：在Notebook文档中，利用箱线图比较IRIS数据集中的萼片长度(sepal length)和花瓣长度(petal length)的分布情况
要创建这个可视化图表，我首先要使用Sklearn库导入IRIS数据集。然后，按照上述步骤在ipythonNotebook文档中进行图表可视化。
图表范例-3：创建一个线图到Bokeh服务器
在绘制可视化图表到Bokeh服务器之前，你首先需要运行服务器。
如果你使用的是conda包，你可以在任何目录下使用运行命令“bokeh-server”。如果不是，“python ./bokeh-server”通常也可以。
(责任编辑：最模板)
