Python Bokeh Dashboard Examples – Selama dua minggu terakhir, saya menghabiskan banyak waktu mencari dan menganalisis data untuk melacak kinerja bisnis. Namun, ketika saya sampai pada akhir analisis saya, saya menemukan bahwa tidak ada cara lain untuk melihat analisis kecuali sebagai file csv sebagai output.

File csv bukanlah alat visualisasi terbaik saat Anda ingin mengomunikasikan informasi penting. Cara sederhana lainnya adalah membuat tabel Excel dengan representasi grafis dari hasil analisis. Menggunakan Excel mungkin bekerja dengan baik jika Anda mempresentasikan analisis satu kali kepada bos Anda, tetapi jika Anda melakukan analisis berulang, lebih baik menggunakan PowerBI atau Bokeh untuk Python seperti yang dibahas dalam posting ini.

Python Bokeh Dashboard Examples

Dengan Bokeh, Anda dapat menghosting papan tulis interaktif menggunakan Python, yang memungkinkan pengguna akhir menyelami data itu sendiri dalam batas yang ditetapkan oleh pembuatnya.

Deploying Bokeh Apps — Holoviews V1.15.3

Dalam contoh ini, saya akan menggunakan kumpulan data saham S&P 500 dari Kaggle (LINK) untuk membuat dasbor sederhana dengan Bokeh. Kumpulan data terdiri dari data harga pasar untuk 505 indeks di S&P 500 selama bertahun-tahun [2013:2018]. saya tambahkan

Sebelum membuat ColumnDataFrame (sumber data), saya sarankan untuk menginisialisasi widget terlebih dahulu. Ini karena widget akan digunakan untuk memfilter data yang digunakan untuk menjalankan sumber data.

Widget MultiChoice digunakan dalam contoh ini untuk memfilter data dari berbagai sinyal.

Dan diteruskan sebagai hasil dari kedua argumen. Anda dapat memilih berapa banyak tiket yang harus ditampilkan widget saat panel kontrol pertama kali diluncurkan.

Python Data Visualization: Bokeh Cheat Sheet

Saya membuat daftar dengan semua kelompok umur dan menggunakannya untuk memasukkan banyak ide. Membuat daftar tahun dari database alih-alih memasukkannya secara manual akan memungkinkan snapshot diperbarui jika data baru ditambahkan ke kumpulan data.

Kolom DataSource digunakan oleh objek yang berbeda dan harus ditentukan terlebih dahulu. Ini mudah dijelaskan karena kelas ColumnDataSource menggunakan DataFrame sebagai masukan.

Sekarang mari kita filter bingkai data S&P 500 dengan nilai widget yang diinisialisasi. Anda dapat menggunakan “widgetname”.value untuk mengakses nilai widget

Widget lain seperti CheckboxButtonGroup tidak memiliki nilai, tetapi Anda menggunakan fungsi tersebut untuk mengakses status widget.

Creating A Custom Dashboard

Sekarang setelah Anda memiliki widget dan sumber data, saatnya menggunakan sumber data untuk membuat beberapa efek visual. Dalam contoh ini, saya membuat array dengan tabel.

Rendering sangat mudah dengan bokeh dan jika Anda menggunakan Seaborn atau perender Python lainnya, itu akan serupa.

Grafik harus memiliki tanggal pada sumbu x dan harga penutupan sebagai sumbu y. Dan alur cerita harus dipadukan dengan nama ticker, sehingga setiap ticker memiliki garisnya masing-masing.

Ada beberapa pertimbangan yang harus diperhatikan saat membuat rencana 505 grup (ticker) seperti itu. Bagaimana Anda mendapatkan warna yang cukup berbeda untuk semua area? Apa yang akan Anda lakukan dengan legenda? Artikel

How Gitguardian Helps Bokeh Secure Its Open Source Repositories

Fungsi berikut akan membuat bagan dengan harga penutupan per hari untuk semua 505 tiket dalam kumpulan data. Itu menambahkan hovertool yang memungkinkan Anda melihat harga penutupan, harga tinggi, harga rendah, dan ukuran tiket yang dikeluarkan pada hari tertentu.

Dimulai dengan memilih daftar warna acak dari palet warna 20 tingkat. Kemudian hovertool akan dibuat sebagai TOOLTIPS. Setelah itu

Sebuah lingkaran kemudian digunakan untuk membuat semua baris individual dari setiap tahap. Pengelompokan dilakukan dengan menggunakan CDSView, yang merupakan cara untuk menambahkan filter berbeda ke angka pada gambar. Dalam contoh ini, kami menggunakannya untuk mengurutkan data menggunakan nama ticker. Semua garis niat untuk 505 tiket dibuat dalam lingkaran. Terakhir, hovertool ditambahkan ke gambar.

Tabel ini sangat berguna karena menunjukkan banyak ukuran. Dalam hal ini, kami hanya menampilkan tanggal, nama ticker, dan harga penutupan. Namun, sangat mudah untuk menambahkan kolom tambahan ke tabel jika diperlukan.

Building Dynamic Dashboards In Python With Angular And Bokeh Charts

Tabel memiliki dua input: ColumnDataSource adalah daftar kolom dengan format yang ditentukan. Sekarang kita telah membuat tabel data, kita perlu membuat daftar kolom. Perhatikan bahwa ColumnDataSource memiliki sumber variabel yang terkait dengannya. Kode di bawah menginisialisasi tabel dengan kolom yang ditentukan. Jika Anda perlu menautkan data dengan cara tertentu, saya sarankan Anda melihat di sini (LINK).

Hal hebat tentang bokeh adalah ia berfungsi. Ini difasilitasi dengan menghubungkan widget Anda ke sumber data.

Setiap kali Anda bekerja dengan widget untuk sementara waktu, mereka mengirimkan pembaruan yang mengubah sumber data jika Anda mengaturnya dengan benar.

Menggunakan tiga widget MultiChoice, Slider dan RangeSlider, mudah untuk membuat fungsi yang mengambil nilai widget dan memfilter sumber data. Ingatlah bahwa ketiga widget tersebut memiliki nama berikut dalam kodenya: ticker_button, year_slider, dan month_slider.

Publish Csv Reports Using Plotly Dash, Pandas And Sqlalchemy

Idenya sederhana, setiap kali Anda mengubah (mengaktifkan) widget, Anda memanggil fungsinya. Fungsi ini mengubah angka saat Anda mendefinisikannya.

Fungsi pemfilteran data menggunakan kode pemfilteran yang sama yang sebelumnya digunakan untuk menginisialisasi aliran data. Nilai widget diakses melalui .value dan nilai baru digunakan untuk membuat data baru. Bingkai data baru kemudian menggantikan data lama di sumber data. Sebagaimana diputuskan oleh source.data v

Sangat mudah untuk membuat tekstur papan dalam bokeh. Widget dan visual mudah dinavigasi dengan sedikit kode dan tata letak yang stabil dicapai setelah coba-coba.

Template yang menggabungkan widget ke dalam kolom dan baris. Pertama, penggeser bulan dan penggeser tahun ditempatkan di atas satu sama lain menggunakan penggeser

Python And Bokeh — Part Iii (tutorial)

Model juga ditugaskan ke widgets_col. Kemudian widgets_col ditempatkan pada baris yang sama dengan ticker_button dan ditugaskan ke widgets_row. Sekarang widgets_row berisi semua widget.

Sekarang kami ingin membuat tata letak dengan widget dan elemen visual (grafik dan tabel). Di bawah ini adalah format dalam kode. Setiap daftar bertindak sebagai lapisan horizontal dalam teks. Ini berarti tajuk ada di bagian atas halaman, lalu widget, dan terakhir bagan dan tabel.

Terakhir, di akhir skrip python Anda, Anda perlu menambahkan konfigurasi ke modul yang terhubung ke dasbor host. Saya telah menambahkan nama untuk ditampilkan sebagai nama tab di browser.

Akhirnya Anda harus mendapatkan papan. Ini dilakukan dengan membuat file .bat yang menggunakan teks di atas bokeh.

Ways You Can Provide Value With Rstudio Connect

File .bat saya ada di bawah. Ini akan membuat lingkungan saya (jika Anda belum membuatnya, hapus jalur dari kode) dan buat host bokeh (jalankan) skrip python (main.py). Meskipun Matplotlib dapat memenuhi semua kebutuhan kita saat kita ingin memplot sesuatu dengan Python, terkadang dibutuhkan waktu untuk membuat tabel yang bagus dengan menggunakannya. Terkadang kita mungkin ingin menunjukkan sesuatu kepada bos jadi lebih baik memiliki situs yang bagus dan interaktif.

Ada banyak perpustakaan bagus yang bisa melakukan ini, Bokeh adalah salah satunya. Namun, mempelajari cara menggunakan perpustakaan semacam itu juga membutuhkan waktu. Sebenarnya, seseorang telah memecahkan masalah ini untuk kita. Ada sebuah perpustakaan bernama

, yang menggunakan Pandas secara langsung dan merender data menggunakan Bokeh. Sintaksnya sangat sederhana dan saya harap Anda akan segera mulai menggunakannya!

Saya ingin menghasilkan data saya sendiri untuk proses presentasi. Misalkan kita memiliki dataset situs e-commerce. Kumpulan data mencakup penjualan dari 2010 hingga 2019 dalam tiga kategori. Mari buat dataset ini menggunakan Numpa.

Develop Data Visualization Interfaces In Python With Dash

Untuk menyiapkan data, kita perlu menyiapkan keluaran notebook yang akan berfungsi di notebook Jupyter/iPython. Saya akan menjelaskan mengapa kita perlu melakukan ini nanti, dan itulah alasannya

Sekarang Anda telah melihat betapa mudahnya membuat rencana yang bagus seperti ini. Yang paling penting adalah itu berhasil. Di bawah ini adalah LINK dari repositori resmi GitHub.

Tentu saja, perpustakaan juga mendukung banyak fungsi lanjutan yang membantu kami mengadaptasi plot jika perlu.

Selain Notebook Jupyter, kami juga dapat mengonfigurasi output ke file HTML. Tabel tersebut kemudian disimpan dan diekspor ke file HTML yang dapat disimpan dan didistribusikan.

Panel— Everything You Need To Know

Perpustakaan untuk menyiapkan data Panda Anda dari ujung ke ujung dengan kode yang sangat sederhana tetapi presentasi dan fungsionalitasnya bagus.

Jelas, perpustakaan tidak dapat memenuhi semua kebutuhan Anda jika Anda memiliki terlalu banyak perpustakaan

Bokeh python