注解

Bokeh 包含几种不同类型的注解，您可以使用它们向可视化添加补充信息。

标题

使用 Title 注解添加描述性文本，这些文本将在绘图边缘周围呈现。

如果您使用bokeh.plotting 接口，添加基本标题的最快方法是将文本作为 title 参数传递给 figure()

from bokeh.plotting import figure, show

p = figure(title="Basic Title", width=300, height=300)

p.scatter([1, 2], [3, 4])

show(p)

默认标题通常位于绘图上方，左对齐。

标题文本值可能包含换行符，这将导致多行标题。

p = figure(title="A longer title\nwith a second line underneath")

要定义标题相对于绘图的位置，请使用 title_location 参数。标题可以位于绘图的上方、下方、左侧或右侧。例如

from bokeh.plotting import figure, show

p = figure(title="Left Title", title_location="left",
           width=300, height=300)

p.scatter([1, 2], [3, 4])

show(p)

使用绘图的 .title 属性自定义默认的 Title。使用标准的文本属性来定义视觉属性，例如字体、边框和背景。

此示例使用 .title 属性设置字体和背景属性，以及标题文本和标题对齐方式

from bokeh.plotting import figure, show

p = figure(width=300, height=300)

p.scatter([1, 2], [3, 4])

# configure visual properties on a plot's title attribute
p.title.text = "Title With Options"
p.title.align = "right"
p.title.text_color = "orange"
p.title.text_font_size = "25px"
p.title.background_fill_color = "#aaaaee"

show(p)

请注意，align 属性是相对于文本方向的。例如：如果您已将标题放置在绘图的左侧，则将 align 属性设置为 "left" 意味着您的文本将在左下角呈现。

要向文档添加更多标题，您需要创建其他 Title 对象。使用绘图的 add_layout() 方法将这些额外的 Title 对象包含在文档中

from bokeh.models import Title
from bokeh.plotting import figure, show

p = figure(title="Left Title", title_location="left",
           width=300, height=300)

p.scatter([1, 2], [3, 4])

# add extra titles with add_layout(...)
p.add_layout(Title(text="Bottom Centered Title", align="center"), "below")

show(p)

如果标题和工具栏放置在绘图的同一侧，它们将占用相同的空间

from bokeh.plotting import figure, show

p = figure(title="Top Title with Toolbar", toolbar_location="above",
           width=600, height=300)

p.scatter([1, 2], [3, 4])

show(p)

如果绘图尺寸足够大，这可以产生更紧凑的绘图。但是，如果绘图尺寸不够大，则标题和工具栏可能会在视觉上重叠。

图例

向绘图添加图例的最简单方法是在调用字形方法时包含任何 legend_label、legend_group 或 legend_field 属性。然后，Bokeh 会自动为您创建一个 Legend 对象。

要更高级地控制绘图的图例，请直接访问 Legend 对象。

基本图例标签

要为字形提供简单的显式标签，请传递 legend_label 关键字参数

p.scatter('x', 'y', legend_label="some label")

如果您为多个字形分配相同的标签名称，则所有字形将合并为一个具有该标签的图例项。

import numpy as np

from bokeh.plotting import figure, show

x = np.linspace(0, 4*np.pi, 100)
y = np.sin(x)

p = figure()

p.scatter(x, y, size=3, marker="square", legend_label="sin(x)", line_color="green")
p.line(x, y, legend_label="sin(x)", line_color="green")

p.line(x, 2*y, legend_label="2*sin(x)",
       line_dash=[4, 4], line_color="orange", line_width=2)

p.scatter(x, 3*y, legend_label="3*sin(x)", size=7, fill_color=None)
p.line(x, 3*y, legend_label="3*sin(x)")

show(p)

自动分组（Python 端）

如果您的数据采用 ColumnDataSource 的形式，则 Bokeh 可以从 ColumnDataSource 的其中一列中的字符串生成图例条目。这样，您可以基于字形组创建图例条目。

要使用 ColumnDataSource 列中的数据生成绘图的图例，请将列名称作为 legend_group 关键字参数传递给字形方法

p.circle('x', 'y', radius=0.5, legend_group="colname", source=source)

由于 legend_group 引用 ColumnDataSource 的列，因此您始终需要为字形方法提供 source 参数。此外，包含标签名称的列必须在该点的数据源中存在

from bokeh.models import ColumnDataSource
from bokeh.plotting import figure, show

orange, blue = '#ef8a62', '#67a9cf'

source = ColumnDataSource(dict(
    x=[1, 2, 3, 4, 5, 6],
    y=[2, 1, 2, 1, 2, 1],
    color=[orange, blue, orange, blue, orange, blue],
    label=['hi', 'lo', 'hi', 'lo', 'hi', 'lo'],
))

p = figure(x_range=(0, 7), y_range=(0, 3), height=300, tools='save')

# legend field matches the column in the source
p.circle('x', 'y', radius=0.5, color='color',
         legend_group='label', source=source)

show(p)

使用 legend_group 意味着 Bokeh 会立即对图例条目进行分组。因此，任何后续 Python 代码都能够看到 Legend.items 属性中的各个图例项。这样，您可以随时重新排列或修改图例。

自动分组（浏览器端）

您还可以选择仅在JavaScript 端（在浏览器中）对图例中的元素进行分组。如果您想对仅在 JavaScript 端计算的列进行分组，例如，使用浏览器端分组是有意义的。

p.circle('x', 'y', radius=0.5, legend_field="colname", source=source)

在这种情况下，Python 代码不会在 Legend.items 中看到多个项。相反，只有一个项表示分组，并且分组发生在浏览器中。

from bokeh.models import ColumnDataSource
from bokeh.plotting import figure, show

orange, blue = '#ef8a62', '#67a9cf'

source = ColumnDataSource(dict(
    x=[1, 2, 3, 4, 5, 6],
    y=[2, 1, 2, 1, 2, 1],
    color=[orange, blue, orange, blue, orange, blue],
    label=['hi', 'lo', 'hi', 'lo', 'hi', 'lo'],
))

p = figure(x_range=(0, 7), y_range=(0, 3), height=300, tools='save')

# legend field matches the column in the source
p.circle('x', 'y', radius=0.5, color='color',
         legend_field='label', source=source)

show(p)

隐藏图例项

要手动控制各个图例项的可见性，请将 LegendItem 的 visible 属性设置为 True 或 False。

import numpy as np

from bokeh.plotting import figure, show

x = np.linspace(0, 4*np.pi, 100)
y = np.cos(x)

p = figure(height=300)

# create two renderers with legend labels
p.scatter(x, y, legend_label="cox(x)")
p.line(x, 2*y, legend_label="2*cos(x)",
       line_dash=[4, 4], line_color="orange", line_width=2)

# set legend label visibility for second renderer to False
p.legend.items[1].visible = False

show(p)

注意

如果图例中的所有项都不可见，则整个图例将被隐藏。此外，如果您使用浏览器端自动分组并将 legend_field 项的可见性设置为 False，则整个组将不可见。

二维图例

要获得具有多列或多行的图例，可以为 Legend 的 nrows 或 ncols 属性设置一个正整数。如果一行中没有足够的空间容纳所有图例项，并且可以避免图例被截断，则此功能可能很有用。行和列的定义取决于图例的 orientation。

import numpy as np

from bokeh.layouts import column
from bokeh.plotting import figure, show

x = np.linspace(0, 4*np.pi, 100)
sinx = np.sin(x)

p1 = figure(title='Default legend layout', width=500, height=300)
[p1.line(x, (1 + i/20)*sinx, legend_label=f"{1+i/20:.2f}*sin(x)") for i in range(7)]

p2 = figure(title='Legend layout with 2 columns', width=500, height=300)
[p2.line(x, (1 + i/20)*sinx, legend_label=f"{1+i/20:.2f}*sin(x)") for i in range(7)]
p2.legend.ncols=2

p3 = figure(title='Legend layout with 3 rows', width=500, height=300)
[p3.line(x, (1 + i/20)*sinx, legend_label=f"{1+i/20:.2f}*sin(x)") for i in range(7)]
p3.legend.nrows=3

show(column(p1, p2, p3))

手动图例

要手动构建图例，请不要使用任何 legend 参数，而是直接为 Legend 对象的各种属性赋值。

要查看创建上面图形的源代码，请访问完整的图例示例单页。

显式索引

要显式指定要在图例中使用的 ColumnDataSource 的索引，请设置 LegendItem 的 index 属性。

当您使用在多个部分中呈现的字形（例如 MultiLine (multi_line()) 或 Patches patches()）时，这对于在图例中显示多个条目很有用

from bokeh.models import Legend, LegendItem
from bokeh.plotting import figure, show

p = figure()

r = p.multi_line([[1,2,3], [1,2,3]], [[1,3,2], [3,4,3]],
                 color=["orange", "red"], line_width=4)

legend = Legend(items=[
    LegendItem(label="orange", renderers=[r], index=0),
    LegendItem(label="red", renderers=[r], index=1),
])
p.add_layout(legend)

show(p)

交互式图例

您可以将图例用作交互式元素，以控制绘图外观的某些方面。单击或点击交互式图例条目可控制与图例条目关联的字形的可见性。

有关更多信息和示例，请参阅用户指南中的交互式图例。

注意

交互式图例的功能目前仅适用于上面描述的基本图例标签。通过指定列自动分组创建的图例尚不支持交互式功能。

颜色栏

要创建 ColorBar，您可以传递一个包含调色板的 ColorMapper 实例，例如

color_bar = ColorBar(color_mapper=color_mapper, padding=5)

但是，对于许多字形，如果字形已经配置了颜色映射，您可以在字形方法返回的渲染器上调用 construct_color_bar 来自动创建颜色栏

color_bar = r.construct_color_bar(padding=5)

颜色栏可以位于绘图内部以及绘图的左侧、右侧、下方或上方。使用 add_layout() 方法将 ColorBar 对象添加到绘图时，指定颜色栏的位置。

import numpy as np

from bokeh.models import LogColorMapper
from bokeh.plotting import figure, show


def normal2d(X, Y, sigx=1.0, sigy=1.0, mux=0.0, muy=0.0):
    z = (X-mux)**2 / sigx**2 + (Y-muy)**2 / sigy**2
    return np.exp(-z/2) / (2 * np.pi * sigx * sigy)

X, Y = np.mgrid[-3:3:200j, -2:2:200j]
Z = normal2d(X, Y, 0.1, 0.2, 1.0, 1.0) + 0.1*normal2d(X, Y, 1.0, 1.0)
image = Z * 1e6

color_mapper = LogColorMapper(palette="Viridis256", low=1, high=1e7)

plot = figure(x_range=(0,1), y_range=(0,1), toolbar_location=None)
r = plot.image(image=[image], color_mapper=color_mapper,
               dh=1.0, dw=1.0, x=0, y=0)

color_bar = r.construct_color_bar(padding=1)

plot.add_layout(color_bar, "right")

show(plot)

比例尺

ScaleBar 是一种视觉指示器，允许衡量绘图上要素的大小。这在地图或 CT 或 MRI 扫描等图像中尤其有用，并且在其他情况下使用坐标轴不合适或过于冗长的情况下也很有用。

要创建 ScaleBar，用户至少需要提供一个Range，显式或隐式均可。

from bokeh.models import Range1d, ScaleBar

scale_bar = ScaleBar(range=Range1d(start=0, end=1000))
plot.add_layout(scale_bar)

范围也可以与绘图共享

from bokeh.models import Range1d, ScaleBar

scale_bar = ScaleBar(range=plot.y_range)
plot.add_layout(scale_bar)

ScaleBar 的默认范围是 "auto"，它使用与比例尺关联的绘图的默认 x 或 y 范围，具体取决于比例尺的方向（"horizontal" 为 Plot.x_range，"vertical" 方向为 Plot.y_range）。

此外，用户可以提供测量单位（ScaleBar.dimensional，它采用 Dimensional 模型的实例）和数据范围的单位（ScaleBar.unit）。默认测量单位是公制长度，由 MetricLength 模型表示，默认数据范围单位是米 ("m")，与默认测量系统的基本单位相同。

如果数据范围的单位与基本单位不同，则用户可以通过适当更改 ScaleBar.unit 来指示这一点。例如，如果范围以千米为单位，则用户将使用以下内容指示

from bokeh.models import ScaleBar, Metric

scale_bar = ScaleBar(
    range=plot.y_range,
    unit="km",
)
plot.add_layout(scale_bar)

可以通过配置 ScaleBar.dimensional 属性来提供其他测量单位。这可以是其他预定义的测量单位，例如英制长度 (ImperialLength) 或角度单位 (Angular)。用户还可以定义自定义测量单位。例如，要为涉及电子伏特 (eV) 的绘图定义自定义公制单位，用户将使用 Metric(base_unit="eV") 作为基础

from bokeh.models import ScaleBar, Metric

scale_bar = ScaleBar(
    range=plot.y_range,
    unit="MeV",
    dimensional=Metric(base_unit="eV"),
)
plot.add_layout(scale_bar)

可以使用 CustomDimensional 模型构建非公制测量单位。例如，可以将角度测量单位定义如下

from bokeh.models import ScaleBar
from bokeh.models.annotations.dimensional import CustomDimensional

units = CustomDimensional(
    basis={
        "°":  (1,      "^\\circ",           "degree"),
        "'":  (1/60,   "^\\prime",          "minute"),
        "''": (1/3600, "^{\\prime\\prime}", "second"),
    }
    ticks=[1, 3, 6, 12, 60, 120, 240, 360]
)

scale_bar = ScaleBar(
    range=plot.y_range,
    unit="''",
    dimensional=units,
)
plot.add_layout(scale_bar)

具有自定义测量单位的比例尺的完整示例

import numpy as np

from bokeh.layouts import column
from bokeh.models import ColumnDataSource, Metric, RangeTool, ScaleBar
from bokeh.plotting import figure, show

n_points = 3000
x_values = np.linspace(0, 100, n_points)
y_values = np.random.randn(n_points).cumsum()

source = ColumnDataSource(data=dict(x=x_values, y=y_values))

detailed_plot = figure(
    width=800,
    height=300,
    tools=["xpan", "xzoom_in", "xzoom_out", "reset", "wheel_zoom"],
    toolbar_location="above",
    active_scroll="wheel_zoom",
    background_fill_color="#efefef",
    x_range=(22, 30),
    y_axis_location=None,
)

detailed_plot.line("x", "y", source=source)

scale_bar = ScaleBar(
    range=detailed_plot.y_range,
    unit="MeV",
    dimensional=Metric(base_unit="eV"),
    orientation="vertical",
    location="top_left",
    background_fill_color=None,
    border_line_color=None,
)
detailed_plot.add_layout(scale_bar)

select_plot = figure(
    width=detailed_plot.width,
    height=150,
    y_range=detailed_plot.y_range,
    y_axis_location=None,
    tools="",
    toolbar_location=None,
    background_fill_color=detailed_plot.background_fill_color,
)

select_plot.line("x", "y", source=source)
select_plot.x_range.range_padding = 0
select_plot.ygrid.grid_line_color = None

range_tool = RangeTool(x_range=detailed_plot.x_range)
range_tool.overlay.fill_color = "navy"
range_tool.overlay.fill_alpha = 0.2
select_plot.add_tools(range_tool)

show(column(detailed_plot, select_plot))

箭头

您可以使用 Arrow 注解连接字形和标签注解。箭头还可以帮助突出显示绘图区域。

箭头是复合注解。这意味着它们使用额外的 ArrowHead 对象作为其 start 和 end。默认情况下，Arrow 注解是单侧箭头：end 属性设置为 OpenHead 类型的箭头（看起来像开口楔形），start 属性设置为 None。如果要创建双侧箭头，请将 start 和 end 属性都设置为可用的箭头之一。

可用的箭头有

使用以下属性控制箭头的视觉效果

• 使用 size 属性控制任何箭头的大小

• 使用标准的线条属性（例如 line_color 和 line_alpha）来控制箭头轮廓的外观。

• 使用 fill_color 和 fill_alpha 来控制箭头内部表面的外观（如果适用）。

Arrow 对象本身具有标准的线条属性。设置这些属性以控制箭头轴的颜色和外观。例如

my_arrow.line_color = "blue"
my_arrow.line_alpha = 0.6

可选地，您可以设置 x_range 和 y_range 属性，使箭头注解引用其他非默认 x 范围或 y 范围。这与双坐标轴的工作方式相同。

from bokeh.models import Arrow, NormalHead, OpenHead, VeeHead
from bokeh.palettes import Muted3 as color
from bokeh.plotting import figure, show

p = figure(tools="", toolbar_location=None, background_fill_color="#efefef")
p.grid.grid_line_color = None

p.circle(x=(0, 1, 0.5), y=(0, 0, 0.7), radius=0.1, color="#fafafa")

vh = VeeHead(size=35, fill_color=color[0])
p.add_layout(Arrow(end=vh, x_start=0.5, y_start=0.7, x_end=0, y_end=0))

nh = NormalHead(fill_color=color[1], fill_alpha=0.5, line_color=color[1])
p.add_layout(Arrow(end=nh, line_color=color[1], line_dash=[15, 5],
                   x_start=1, y_start=0, x_end=0.5, y_end=0.7))

oh = OpenHead(line_color=color[2], line_width=5)
p.add_layout(Arrow(end=oh, line_color=color[2], line_width=5,
                   x_start=0, y_start=0, x_end=1, y_end=0))

show(p)

带状区域

Band 注解是与绘图中的数据在尺寸上链接的彩色条纹。带状区域注解的一种常见用途是指示与一系列测量相关的不确定性。

要定义带状区域，请使用屏幕单位或数据单位。

import numpy as np
import pandas as pd

from bokeh.models import Band, ColumnDataSource
from bokeh.plotting import figure, show

# Create some random data
x = np.random.random(2500) * 140 +20
y = np.random.normal(size=2500) * 2 + 6 * np.log(x)

df = pd.DataFrame(data=dict(x=x, y=y)).sort_values(by="x")

df2 = df.y.rolling(window=300).agg({"y_mean": "mean", "y_std": "std"})

df = pd.concat([df, df2], axis=1)
df["lower"] = df.y_mean - df.y_std
df["upper"] = df.y_mean + df.y_std

source = ColumnDataSource(df.reset_index())

p = figure(tools="", toolbar_location=None, x_range=(40, 160))
p.title.text = "Rolling Standard Deviation"
p.xgrid.grid_line_color=None
p.ygrid.grid_line_alpha=0.5

p.scatter(x="x", y="y", color="blue", marker="dot", size=10, alpha=0.4, source=source)

p.line("x", "y_mean", line_dash=(10, 7), line_width=2, source=source)

band = Band(base="x", lower="lower", upper="upper", source=source,
            fill_alpha=0.3, fill_color="yellow", line_color="black")
p.add_layout(band)

show(p)

框型注解

BoxAnnotation 是一个矩形框，您可以使用它来突出显示特定的绘图区域。使用屏幕单位或数据单位来定位框型注解。

要定义这些框的边界，请使用 left/right 或 top/ bottom 属性。如果您仅提供一个边界（例如，一个 left 值但没有 right 值），则该框将扩展到您未指定的尺寸的可用绘图区域的边缘。

from bokeh.models import BoxAnnotation
from bokeh.plotting import figure, show
from bokeh.sampledata.glucose import data

TOOLS = "pan,wheel_zoom,box_zoom,reset,save"

#reduce data size
data = data.loc['2010-10-06':'2010-10-13'].reset_index()

p = figure(x_axis_type="datetime", tools=TOOLS)

p.line("datetime", "glucose", source=data, color="gray", legend_label="glucose")

low_box = BoxAnnotation(top=80, fill_alpha=0.2, fill_color='#D55E00')
mid_box = BoxAnnotation(bottom=80, top=180, fill_alpha=0.2, fill_color='#0072B2')
high_box = BoxAnnotation(bottom=180, fill_alpha=0.2, fill_color='#D55E00')

p.add_layout(low_box)
p.add_layout(mid_box)
p.add_layout(high_box)

p.title.text = "Glucose Range"
p.xgrid.grid_line_color=None
p.ygrid.grid_line_alpha=0.5
p.xaxis.axis_label = 'Time'
p.yaxis.axis_label = 'Value'
p.legend.level = "overlay"
p.legend.location = "top_left"

show(p)

多边形注解

PolyAnnotation 是一个多边形，其顶点位于屏幕单位或数据单位中。

要定义多边形的顶点，请为 xs 和 ys 属性提供一系列坐标。Bokeh 会自动连接最后一个顶点到第一个顶点以创建闭合形状。

from datetime import datetime as dt

import pandas as pd

from bokeh.models import PolyAnnotation
from bokeh.plotting import figure, show
from bokeh.sampledata.stocks import GOOG

p = figure(height=200, x_axis_type="datetime",
           background_fill_color="#efefef", title="Google stock")

df = pd.DataFrame(GOOG)
df["date"] = pd.to_datetime(df["date"])

p.line(df["date"], df["close"], line_width=1.5, color="grey")

start_date = dt(2008, 11, 24)
start_y = df.loc[df["date"] == start_date]["close"].values[0]

end_date = dt(2010, 1, 4)
end_y = df.loc[df["date"] == end_date]["close"].values[0]

polygon = PolyAnnotation(
    fill_color="blue", fill_alpha=0.2,
    xs=[start_date, start_date, end_date, end_date],
    ys=[start_y - 100, start_y + 100, end_y + 100, end_y - 100],
)
p.add_layout(polygon)

show(p)

标签

标签是矩形框，其中包含有关字形或绘图区域的附加信息。

要创建单个文本标签，请使用 Label 注解。以下是此注解最重要的属性

• text 属性，其中包含要在标签内显示的文本。

• x 和 y 属性，用于设置位置（以屏幕单位或数据单位表示）。

• x_offset 和 y_offset 属性，用于指定标签相对于其 x 和 y 坐标的位置。

• 标准的文本属性以及其他样式参数，例如

• border_line 和 background_fill 属性。

Label(x=100, y=5, x_units='screen', text='Some Stuff',
      border_line_color='black', border_line_alpha=1.0,
      background_fill_color='white', background_fill_alpha=1.0)

text 值可能包含换行符，这将导致多行标签。

Label(x=100, y=5, text='A very long label\nwith multiple lines')

要一次创建多个标签，请使用 LabelSet 注解。要配置标签集的标签，请使用一个数据源，其中包含具有标签属性（例如 text、x 和 y）数据的列。如果您直接为 x_offset 和 y_offset 等属性赋值（而不是列名称），则此值将用于标签集的所有标签。

LabelSet(x='x', y='y', text='names',
         x_offset=5, y_offset=5, source=source)

以下示例说明了 Label 和 LabelSet 的用法

from bokeh.models import ColumnDataSource, Label, Node
from bokeh.plotting import figure, show

source = ColumnDataSource(data=dict(
    height=[66, 71, 72, 68, 58, 62],
    weight=[165, 189, 220, 141, 260, 174],
    names=["Mark", "Amir", "Matt", "Greg", "Owen", "Juan"],
))

p = figure(title="Dist. of 10th Grade Students", x_range=(140, 275))
p.xaxis.axis_label = "Weight (lbs)"
p.yaxis.axis_label = "Height (in)"

p.scatter(x="weight", y="height", size=8, source=source)

p.text(x="weight", y="height", text="names",
       x_offset=5, y_offset=5, anchor="bottom_left", source=source)

frame_left = Node(target="frame", symbol="left", offset=5)
frame_bottom = Node(target="frame", symbol="bottom", offset=-5)

citation = Label(
    x=frame_left,
    y=frame_bottom,
    anchor="bottom_left",
    text="Collected by Luke C. 2016-04-01",
    padding=10,
    border_radius=5,
    border_line_color="black", background_fill_color="white",
)

p.add_layout(citation)

show(p)

LabelSet 的 text 值可能包含换行符，这将导致多行标签。

斜率

Slope 注解是可以从绘图的一个边缘到另一个边缘以特定角度延伸的线条。

以下是此注解最常用的属性

• gradient：线条的梯度，以数据单位表示。

• y_intercept：线条的 y 轴截距，以数据单位表示。

• 标准的线条属性。

import numpy as np

from bokeh.models import Slope
from bokeh.palettes import Sunset10
from bokeh.plotting import figure, show

# linear equation parameters
slope, intercept = 2, 10

x = np.arange(0, 20, 0.2)
y = slope * x + intercept + np.random.normal(0, 4, 100)

blue, yellow = Sunset10[0], Sunset10[5]

p = figure(width=600, height=600, x_axis_label='x', y_axis_label='y',
           background_fill_color="#fafafa")
p.y_range.start = 0

p.scatter(x, y, size=8, alpha=0.8, fill_color=yellow, line_color="black")

slope = Slope(gradient=slope, y_intercept=intercept,
              line_color=blue, line_dash='dashed', line_width=4)

p.add_layout(slope)

show(p)

跨度

Span 注解是与绘图的 x 轴或 y 轴正交的线条。它们具有单个维度（宽度或高度），并从绘图区域的一个边缘延伸到相对边缘。

以下是此注解最常用的属性

• dimension：跨度线的方向。方向可以是以下两个值之一：* "height" 表示平行于绘图 x 轴的线条。或 "width" 表示平行于绘图 y 轴的线条。

• location：跨度沿 dimension 指定的轴的位置。

• location_units：location 属性的单位类型。默认设置为使用数据单位。

• 标准的线条属性。

from datetime import datetime as dt

from bokeh.models import Span
from bokeh.plotting import figure, show
from bokeh.sampledata.daylight import daylight_warsaw_2013

p = figure(height=350, x_axis_type="datetime", y_axis_type="datetime",
           title="2013 Sunrise and Sunset in Warsaw with DST dates marked",
           y_axis_label="Time of Day", background_fill_color="#fafafa")
p.y_range.start = 0
p.y_range.end = 24 * 60 * 60 * 1000

p.line("Date", "Sunset", source=daylight_warsaw_2013,
       color='navy', line_dash="dotted", line_width=2, legend_label="Sunset")
p.line("Date", "Sunrise", source=daylight_warsaw_2013,
       color='orange', line_dash="dashed", line_width=2, legend_label="Sunrise")

dst_start = Span(location=dt(2013, 3, 31, 2, 0, 0), dimension='height',
                 line_color='#009E73', line_width=5)
p.add_layout(dst_start)

dst_end = Span(location=dt(2013, 10, 27, 3, 0, 0), dimension='height',
               line_color='#009E73', line_width=5)
p.add_layout(dst_end)

p.yaxis.formatter.context = None
p.xgrid.grid_line_color = None

show(p)

须状线

Whisker 注解是与绘图中的数据在尺寸上链接的“茎”。您可以使用数据单位或屏幕单位定义此注解。

须状线注解的常见用途是指示单个点测量的误差范围或不确定性。

以下是此注解最常用的属性

• lower：须状线下端的坐标。

• upper：须状线上端的坐标。

• dimension：须状线的方向。方向可以是以下两个值之一：* "width" 表示平行于绘图 x 轴的须状线。或 "height" 表示平行于绘图 y 轴的须状线。

• base：须状线沿 dimension 指定的维度的位置。

• 标准的线条属性。

from bokeh.models import ColumnDataSource, Whisker
from bokeh.plotting import figure, show
from bokeh.sampledata.autompg2 import autompg2 as df
from bokeh.transform import factor_cmap, jitter

classes = list(sorted(df["class"].unique()))

p = figure(height=400, x_range=classes, background_fill_color="#efefef",
           title="Car class vs HWY mpg with quantile ranges")
p.xgrid.grid_line_color = None

g = df.groupby("class")
upper = g.hwy.quantile(0.80)
lower = g.hwy.quantile(0.20)
source = ColumnDataSource(data=dict(base=classes, upper=upper, lower=lower))

error = Whisker(base="base", upper="upper", lower="lower", source=source,
                level="annotation", line_width=2)
error.upper_head.size=20
error.lower_head.size=20
p.add_layout(error)

p.scatter(jitter("class", 0.3, range=p.x_range), "hwy", source=df,
          alpha=0.5, size=13, line_color="white",
          color=factor_cmap("class", "Light7", classes))

show(p)