第三方集成#

Bokeh 与各种其他库良好集成，允许您为每个任务使用最合适的工具。

BokehJS#

为了在浏览器中显示可视化效果，Bokeh 将 Python 数据和事件转换为 JSON，并将它们传递给其配套的 JavaScript 库 BokehJS。您也可以将 BokehJS 用作独立库，或与 JavaScript 框架（如 React、Vue、Angular 等）结合使用。

有关 BokehJS 的更多信息，请参阅使用 JavaScript 开发。

hvPlot#

hvPlot 是一个简洁的 API，允许您使用 pandas 的 .plot() 函数和各种数据容器在 Bokeh 中进行绘图。此 API 对于交互式处理数据尤为方便，并允许您快速生成常见类型的绘图。

Panel#

Panel 库提供了一个高级响应式接口，可以轻松地在 Bokeh 之上构建数据密集型仪表板和 Web 应用程序。Panel 实现了 Jupyter notebooks 和 Bokeh 服务器之间的完全互操作性。这使您可以在笔记本电脑中开发或原型化应用程序，并在服务器上部署它们。Panel 还与其他绘图库接口，并允许您将多个数据科学工件合并到单个 Bokeh 应用程序中。此外，该库还包括许多 JavaScript 模板，可让您自定义 Bokeh 应用程序的外观。

HoloViews#

在为 Web 开发复杂的数据可视化时，Bokeh 为您提供了很大的通用性。即便如此，更高级别的 API 可以使日常可视化任务更轻松、更简洁。

HoloViews 是一个简洁的声明式接口，可帮助您构建 Bokeh 绘图。它是一个单独维护的软件包，专注于与 Jupyter notebooks 的交互，并能够快速制作用于数据分析的图形原型。例如，使用三个链接的 Bokeh 绘图构建交互式图形在 HoloViews 中仅需一行代码。

A HoloViews example showing three linked interactive Bokeh plots created with a handful of lines of code.

添加叠加绘图、滑块控件、选择器控件、选择工具和选项卡同样简单直接。

Datashader#

默认情况下，Bokeh 将数据点从 Python 复制到浏览器中运行的 JavaScript 进程中，以提供响应迅速的本地交互式绘图。但是，浏览器只能处理有限的数据量，这使得直接在 JavaScript 中绘制数百万或数十亿个点变得不可行。此外，由于过度绘制和相关问题，典型的绘图渲染技术会为此类大型数据集生成误导性绘图。

Datashader 是一个独立的 Python 库，即使是最大的数据集也渲染为固定大小的栅格图像，从而忠实地表示底层数据。Datashader 为您提供了构建交互式 Bokeh 绘图图像的工具，这些图像在您缩放和平移时在 Python 中动态重新渲染。这种方法使您可以在标准 Web 浏览器中显示任意大型数据集的交互式可视化效果。

A Datashader example showing a Bokeh plot used as a front-end for interactively exploring hundreds of millions of US census data points.

此外，Datashader 与 hvPlot 和 HoloViews 配合良好。这使您可以在绘图的基本版本和渲染版本之间切换、交错 Datashader 和 Bokeh 绘图等等。这是一个 HoloViews 交互示例。