企业官网建设流程全解析

在数据可视化这件事上，我用Python写过不少东西，从最开始老老实实画静态图的matplotlib，到后来追求快速出图的seaborn和plotly，工具换了好几轮。但如果你问我，现在要在Python生态里挑一个既能应付探索性分析、又能体面地交付给非技术同事做演示的交互式绘图库，我会首推Bokeh。

Pyecharts够炫，但遇到复杂联动逻辑时容易束手束脚；Plotly交互开箱即用，但大型数据集下那个重绘延迟确实让人头大；Matplotlib的静态图在报告里依旧能打，但“交互”两个字跟它基本不沾边。而Bokeh给我的感觉一直很特别——它的设计哲学从一开始就是奔着“浏览器”和“交互”去的，数据变了，图表可以通过服务器自动推送更新，这种流式刷新的能力，在别的库里很少见到这么干净的实现。

这篇文章我不会去复读官方文档的API列表，而是想从一个实际干过活的人的角度，讲清楚Bokeh是什么、它的核心组件怎么用、能做出什么样的交互效果，以及我在项目里踩过的一些坑。如果你正打算入门Bokeh，或者在纠结要不要把某个可视化需求迁移到Bokeh上，这篇东西应该能帮你省下不少时间。

1. 为什么要用Bokeh：它解决的是静态图解决不了的问题

1.1 Bokeh的核心定位与设计理念

Bokeh在Python可视化库里的定位，用一句话概括就是：面向浏览器的交互式可视化库。它把你的数据转换成可以在现代浏览器里直接运行的HTML和JavaScript代码，你不需要写一行前端代码，就能得到一个带缩放、平移、悬停提示、点击联动、甚至实时数据推送的图表。

这里有个很有意思的设计选择：Bokeh的API是纯Python的，但它生成的底层结构是一套基于JSON的协议，叫做BokehJS。也就是说，你写的Python代码本质上是在描述“这个图应该有哪些元素、哪些交互”，然后Bokeh会把这套描述翻译成浏览器能识别的脚本。这种做法带来的好处很实在——你不必掉进JavaScript的坑里，同时图表依然是真正的Web原生组件，可以在任何网页、仪表盘里无缝嵌入。

我个人的体会是，Bokeh最打动我的地方在于它对“数据流”的支持。传统的绘图流程是“数据准备好了 → 画图 → 保存成图片 → 丢给别人看”，一旦数据更新，整套流程得重来。Bokeh则不一样，它允许你建立一个与Python服务端相连的图，数据一变，图自动变。这在做实时监控面板、交易数据看板这类场景时，简直是一种享受。

1.2 它和Matplotlib、Plotly的关键差异

很多人入门Python可视化时都从Matplotlib开始，然后慢慢发现它画静态图确实很强，还专门对比过Matplotlib和Bokeh：Matplotlib的强项是出版级别的静态图，它把每个轴、每个线条的细节都控制得死死的；Bokeh的强项则完全在另一个维度，它关心的是“用户在看这张图的时候，能不能自己探索数据”。比如鼠标滚轮缩放、拖拽平移、框选放大，这些在Bokeh里是默认就有的能力，Matplotlib里你得写一堆事件绑定的代码才能勉强实现。

和Plotly相比，Bokeh的差异更微妙。两者都做交互式可视化，但底层思路完全不同。Plotly的渲染主要靠WebGL和SVG，图表一多、数据一大，页面会出现明显的卡顿感。Bokeh则有一套自己的Canvas渲染引擎，处理千万级数据点的能力要从容得多。另外，Bokeh的生态里包含了一个叫Bokeh Server的组件，它能让你在Python和浏览器之间保持双向通信。这个能力在构建复杂业务系统时非常关键，因为你可以直接在Python回调函数里处理用户在前端的操作，比如用户点了一下图里的某个点，Python端立刻就能收到信号并做出响应。Plotly也有Dash框架，但那是另一套更重型的全家桶方案。

1.3 适合用Bokeh的场景清单

根据我这几年在真实项目里的经验，这几个场景用Bokeh是特别舒服的：

• 数据探索看板：你自己需要在大量数据里找规律，拖拽缩放、框选局部数据这些操作能大大提升效率。
• 给非技术同事交付分析结果：做一个带交互的网页，丢给对方点开就能用，比发一堆静态PNG截图体面得多。
• 实时数据监控：比如监控服务器指标、爬虫运行状态、股票价格变化，Bokeh Server能直接把数据推送到前端。
• 需要嵌入自己Web应用的图表：Bokeh提供了多种嵌入方式，既能生成完整页面，也能作为一个组件嵌进现成的HTML里。
• 地理空间数据可视化：Bokeh对经纬度坐标有原生支持，配合底图插件可以做出来不错的地图效果。

不太适合的场景也有：如果你只是要一张放在论文里的静态图，说实话Matplotlib或者Seaborn更合适，Bokeh虽然也能导出静态图，但杀鸡用牛刀了；如果你需要极其复杂的自定义前端交互效果，那还是老老实实写前端吧。

2. 核心概念拆解：figure、glyph和ColumnDataSource

2.1 Figure：Bokeh的画布入口

Bokeh的绘图起点是figure函数，它跟Matplotlib的plt.subplots在概念上有相似之处，但返回的对象能力要强大得多。你创建了一个figure，实际上就创建了一个带默认工具栏、坐标轴、网格线的绘图区域。

from bokeh.plotting import figure p = figure( title="某电商平台月度销售趋势", width=900, height=500, x_axis_label="月份", y_axis_label="销售额（万元）", x_range=("1月", "2月", "3月", "4月", "5月", "6月"), tools="pan,wheel_zoom,box_zoom,reset,save" )

这里有个细节值得注意：x_range我传的是一个字符串列表，Bokeh会自动把x轴识别为类别型（Categorical）坐标轴。如果你不传这个参数，Bokeh则会根据数据类型推断坐标轴类型——数值型自动用线性轴，时间型自动用时间轴。这个自动推断机制大部分时候很聪明，但一旦数据里混进了奇怪的类型，它也会给你弄出点莫名其妙的结果，建议在关键图表里显式指定坐标轴类型。

tools参数指定了图表自带的交互工具。pan是拖拽平移、wheel_zoom是滚轮缩放、box_zoom是框选缩放、reset是回到初始视图、save是保存图片。这些工具会以图标的形式显示在图表旁边的工具栏里，用户自己就能操作，完全不用你额外写代码。

2.2 Glyph：图表的视觉元素

Glyph这个概念是Bokeh的核心抽象，理解它，你就理解了Bokeh的百分之六十。简单来说，glyph就是你画在图上的一种图形元素，比如圆圈、方块、线条、柱子、弧形、扇形等等。Bokeh内置了几十种glyph，涵盖散点图、折线图、柱状图、面积图、热力图、饼图等常见图表类型。

from bokeh.plotting import figure, show from bokeh.models import ColumnDataSource import pandas as pd # 准备数据 data = pd.DataFrame({ "month": ["1月", "2月", "3月", "4月", "5月", "6月"], "sales": [320, 410, 385, 520, 600, 780], "cost": [200, 250, 230, 280, 330, 400] }) source = ColumnDataSource(data) p = figure( title="销售额与成本对比", width=800, height=400, x_range=data["month"].tolist(), tools="pan,wheel_zoom,box_zoom,reset" ) # 添加柱状图glyph p.vbar( x="month", top="sales", source=source, width=0.4, color="#4A90D9", legend_label="销售额", alpha=0.8 ) # 添加另一个柱状图glyph，错开位置 p.vbar( x="month", top="cost", source=source, width=0.4, color="#E8836B", legend_label="成本", alpha=0.8, x_offset=0.25 ) show(p)

这个例子很有意思的地方在于，里面加了legend_label参数，Bokeh会自动生成图例；alpha参数控制了透明度，当两个柱子靠得很近的时候，透明度能避免后面的柱子完全被挡住。我还用了x_offset来把第二个柱子向右错开，这个参数是新版本才有的，旧版本你得自己计算偏移量。

2.3 ColumnDataSource：Bokeh的数据引擎

这是我认为Bokeh最值得花时间理解的概念。

ColumnDataSource，简称CDS，是Bokeh的数据结构核心。你可以把它理解成一个“字典的升级版”：它把每一列数据以数组的形式存储，并且要求所有列的长度必须一致。为什么需要这个东西？因为Bokeh需要把数据从Python传递到JavaScript端，而CDS就是两者之间的标准协议格式。

source = ColumnDataSource(data={ "x": [1, 2, 3, 4, 5], "y": [6, 7, 2, 4, 5], "label": ["A", "B", "C", "D", "E"], "color": ["#4A90D9", "#E8836B", "#50B83C", "#F5A623", "#8B5CF6"] }) p.circle(x="x", y="y", radius=0.2, fill_color="color", legend_label="label", source=source)

注意在p.circle里，x和y传的都是字符串"x"和"y"，而不是实际的列表数据。这个语法看起来奇怪，但它的含义是：“从source里取名为x的列和名为y的列来画图”。一旦你的图绑定到了CDS上，后面所有交互事件和动态更新，都基于这个CDS来进行。

CDS的价值在交互场景里体现得最淋漓尽致。举个例子，你想做一个图，用户点击某个数据点后，另一个图同步高亮这个点在另一个维度上的表现。如果你把两组数据都放到同一个CDS里，把两个图绑定到同一个CDS上，这个联动效果几乎是零成本实现的。因为Bokeh里所有的选择、高亮、回调机制，都是围绕CDS的索引来工作的。

# 同一个CDS可以被多个图共享 source = ColumnDataSource(df) p1 = figure(width=400, height=400, title="视图1") p1.circle("x", "y", source=source, size=10) p2 = figure(width=400, height=400, title="视图2") p2.line("x", "z", source=source, line_width=2)

这样一来，你在p1上选择了一个数据点，p2能感知到你的选择状态，因为它在看同一个CDS。这种“多个图共享一份数据”的模式，在搭建仪表盘时非常实用。

3. 从零开始：5分钟跑通一个Bokeh实战Demo

3.1 安装与环境准备

Bokeh的安装非常省心，用pip一行命令就完事：

pip install bokeh

如果想升级到最新的开发版，也可以从GitHub仓库拉下来安装，但日常使用完全没有必要，稳定版就够了。装完之后，建议在Jupyter Notebook里测试一下：

from bokeh.io import output_notebook output_notebook()

这个output_notebook函数告诉你用的是哪个输出环境。在Notebook里调用它，图表就会直接渲染在单元格下方；如果你写的是普通脚本，则需要用output_file指定输出HTML文件的路径：

from bokeh.io import output_file, show output_file("sales_dashboard.html") show(p)

show函数会启动一个本地HTTP服务器，然后在浏览器里打开渲染好的页面。这个过程是即时的，你每次运行脚本，浏览器都会自动刷新加载最新图表。

3.2 一个完整的销售数据图表实战

下面我用一个相对完整的例子，把前面讲到的概念串起来。假设你现在拿到了一份某电商平台各门店的销售数据，想知道每个门店的销售额和利润情况，还要看看目标完成率。

import pandas as pd import numpy as np from bokeh.plotting import figure, show, output_file from bokeh.models import ColumnDataSource, HoverTool, RangeSlider # ========== 1. 准备数据 ========== np.random.seed(42) stores = [f"门店{i}" for i in range(1, 21)] sales = np.random.randint(800, 20000, size=20) profit = sales * np.random.uniform(0.1, 0.35, size=20) target = np.random.randint(10000, 22000, size=20) df = pd.DataFrame({ "store": stores, "sales": sales, "profit": profit.round(), "target": target, "rate": (sales / target * 100).round(1) }) # ========== 2. 创建数据源 ========== source = ColumnDataSource(df) # ========== 3. 创建图表 ========== p = figure( title="2024年Q4各门店销售业绩分析", width=1000, height=500, x_range=stores, tools="pan,wheel_zoom,box_zoom,reset,save", tooltips=[("门店", "@store"), ("销售额", "@sales{0,0}"), ("利润率", "@profit{0,0}"), ("完成率", "@rate%")] ) # ========== 4. 添加图形元素 ========== p.vbar(x="store", top="sales", source=source, width=0.6, color="#4A90D9", legend_label="销售额", alpha=0.85) p.circle(x="store", y="target", source=source, size=8, color="#E8836B", legend_label="目标值") # ========== 5. 设置细节 ========== p.xaxis.major_label_orientation = 45 # 横轴标签旋转45度，避免文字重叠 p.yaxis.axis_label = "金额（元）" p.legend.location = "top_left" p.legend.click_policy = "hide" # 图例可点击隐藏对应元素 # ========== 6. 输出图表 ========== output_file("store_sales_analysis.html") show(p)

这里面有几个细节值得说一说。

首先是tooltips参数。我在figure里直接传了这个参数，它会在用户鼠标悬停在数据点上时显示一个信息框。字符串里@store的意思是“取CDS里store列的值”，@{0,0}则是一个数字格式模板，0,0表示千位分隔符格式。这个语法是Bokeh的定制模板语言，熟悉它之后制作信息框会很灵活。

其次是legend_location和legend.click_policy。前者控制图例位置，后者是个非常实用的交互功能：用户点击图例里的某项，对应的图形元素就会隐藏起来，这在数据项太多需要临时聚焦时特别好用。

最后是xaxis.major_label_orientation = 45。当门店数量多起来，横轴的文字标签会打架，旋转45度之后清晰多了。这种细节处理，往往决定了图表是否“专业”。

3.3 保存与分享的几种姿势

Bokeh图表做好之后，分享方式很灵活：

• show(p)：直接在浏览器里打开，适合自己查看和调试。
• output_file("xxx.html")+show(p)：保存成HTML文件，可以直接发给别人，对方双击就能在浏览器里打开看，不需要安装Python环境。
• p.save("xxx.html")：有时候别人不需要交互功能，只想快速看个图片，可以用这种方式。
• 在Jupyter Notebook里直接用：图表会作为一个富文本HTML对象嵌入在单元格里。

有一种情况需要注意：如果你把HTML文件发给别人，对方打开时发现图表不显示，很可能是文件路径里带有中文字符或者浏览器安全策略拦截了本地JS。解决办法是用p.open_browser()配合一个本地静态服务器来访问，或者直接把Bokeh的JS库CDN链接嵌入到HTML里。

不过我自己最常用的方式，其实是下面要讲的Bokeh Server模式——直接把图表做成一个实时运行的Web服务，数据更新的时候页面自动刷新，这才是Bokeh真正的完全体。

4. 交互进阶：从静态展示到动态联动

4.1 用HoverTool增强用户体验

HoverTool是Bokeh里最常用的交互工具之一，它的作用是在鼠标悬停时展示详细信息。你可以把它添加到figure的tools列表里，也可以实例化后单独通过add_tools方法挂载：

from bokeh.models import HoverTool hover = HoverTool( tooltips=[ ("门店", "@store"), ("销售额", "@sales{0,0}"), ("利润率", "@profit{0.0%}"), ("完成率", "@rate{0.0}%") ], mode="mouse" # 鼠标悬停触发；还有 "vline" 和 "hline" 模式 ) p.add_tools(hover)

mode参数值得展开讲一下。默认的mouse模式是鼠标指到哪个点就显示哪个点的信息；vline模式则是鼠标在同一竖直位置时，会同时显示这个位置所有数据点的信息，适合折线图里多个序列对比的场景；hline模式类似，按水平位置触发。在折线图里做多序列对比时，用vline模式体验会好很多。

4.2 滑杆、下拉框与按钮：让图表听你的话

光有悬停提示还不够，真正的交互需要用户能主动改变图表的呈现内容。Bokeh的Panel、Slider、Select、Button这些控件，配合JavaScript回调，可以让你做出“用户拖一拖滑杆，图表数据就跟着变”的效果。

这里我分享一个我常用的模式：用JavaScript回调更新数据。Bokeh支持用一种叫CustomJS的机制，直接在Python代码里写JavaScript代码，然后绑定到控件事件上。

from bokeh.models import Slider, CustomJS slider = Slider(start=500, end=20000, step=500, value=5000, title="最低销售额阈值") callback = CustomJS(args={"source": source}, code=""" const data = source.data; const threshold = cb_obj.value; // 遍历所有数据点，根据阈值调整柱子颜色 for (let i = 0; i < data['sales'].length; i++) { if (data['sales'][i] >= threshold) { data['color'][i] = '#4A90D9'; // 达标 - 蓝色 } else { data['color'][i] = '#E8836B'; // 未达标 - 红色 } } source.change.emit(); """) slider.js_on_change("value", callback)

这段代码实现的效果是：用户拖动滑杆设定一个销售额阈值，低于阈值的门店柱子立刻变成红色，高于的保持蓝色。source.change.emit()是关键，它通知Bokeh“这个数据源变了，请重新渲染所有绑定它的图形”。

这种用CustomJS的做法的好处是：所有逻辑都在前端完成，不需要起Bokeh Server，性能极好。适合做数据筛选、颜色变化、文本更新这类交互。但它的局限也很明显——前端JavaScript里没法直接跑Python代码，你要是想在前端回调里做复杂的Pandas数据操作，那就别硬用CustomJS了，应该上Bokeh Server。

4.3 用Bokeh Server实现真正的Python联动

前面提到的CustomJS，本质上只是把JavaScript代码“交给浏览器执行”。但Bokeh最厉害的地方在于：它允许你在Python端运行回调函数，实现前后端双向通信。这一步靠的是Bokeh Server。

Bokeh Server的使用方式很简单，你不调用show(p)，而是调用curdoc().add_root(p)，然后通过bokeh serve --show my_app.py启动服务。在服务模式下，你可以用on_change绑定事件到Python函数上：

# app.py from bokeh.plotting import figure, curdoc from bokeh.models import Slider, ColumnDataSource import pandas as pd # 准备数据 df = pd.DataFrame({"month": range(1, 13), "sales": [120, 150, 130, 200, 180, 210, 260, 240, 280, 300, 320, 350]}) source = ColumnDataSource(df) p = figure(title="月度销售趋势", width=800, height=400) p.line(x="month", y="sales", source=source, line_width=3) slider = Slider(start=0, end=2, step=0.1, value=1, title="增长率") # 这个函数是Python代码，会在滑杆变化时被调用 def update(attr, old, new): rate = slider.value new_sales = df["sales"] * rate source.data = {"month": df["month"], "sales": new_sales.tolist()} slider.on_change("value", update) curdoc().add_root(p) curdoc().add_root(slider)

然后命令行执行：

bokeh serve --show app.py

浏览器会自动打开本地地址，你会看到一个带滑杆的交互图表。每次拖动滑杆，Python代码都会在服务端被触发执行，更新数据源，图表自动刷新。

这个模式的能力上限，说实话非常高。因为你在服务端能做任何事情——查数据库、调API、做机器学习推理、跑复杂的统计计算——然后把结果推送到前端。我在实际项目里做过一个数据异常检测的看板，用户在前端选择时间范围，后端Python立刻对这段数据跑一遍异常检测算法，把异常点标红推送到图上，整个过程非常流畅，体验接近原生桌面应用。

5. 布局与集成：把多个图拼成一个完整的看板

5.1 用Column、Row和Tabs组织图表

一个正经的数据看板，往往不只有一张图。Bokeh提供了非常方便的布局组件，能让你把多个图拼装成不同的版面结构。

column是垂直排列，row是水平排列，gridplot可以看成行列组合的通用网格。更进阶一点的Tabs组件，能把多个图放到不同的标签页里，适合组织多个维度的分析内容。

from bokeh.layouts import column, row, gridplot from bokeh.models import Tabs, Panel # 假设已经创建了 p1, p2, p3, p4 四个图 # 1. 简单垂直排列 layout_v = column(p1, p2) # 2. 网格布局：两行两列 layout_grid = gridplot([[p1, p2], [p3, p4]], width=500, height=300) # 3. 标签页布局 tab1 = Panel(child=p1, title="销售趋势") tab2 = Panel(child=p2, title="利润分析") tabs = Tabs(tabs=[tab1, tab2])

我个人的经验是：网格布局gridplot在做季度/月度对比报告时特别方便，因为你可以在同一个图框里塞入多个散点图，快速对比不同维度的数据分布。Tabs则适合做一个“总览 + 明细”的结构，总览页放核心指标，明细页放详细数据表或者更多维度的拆分图表。

5.2 嵌入到现有Web应用的几种方式

Bokeh图表做好了，要不要嵌入到你自己的Web应用里？这取决于你的Web应用是什么技术栈。

• 纯HTML页面：用script, div = components(p)拿到一段JS和一段HTML，直接粘到你的页面里，引一下Bokeh的CDN文件即可。
• Flask服务：在Flask路由里渲染Bokeh图表，可以用components生成片段，然后交给Jinja2模板渲染。
• Django服务：同样可以用components方式，也可以使用Bokeh Server做更复杂的实时交互。

# Flask集成示例 from flask import Flask, render_template from bokeh.embed import components from bokeh.plotting import figure app = Flask(__name__) @app.route("/") def index(): p = figure(width=600, height=400) p.line([1, 2, 3], [4, 5, 6]) script, div = components(p) return render_template("index.html", script=script, div=div) if __name__ == "__main__": app.run(debug=True)

在index.html模板里，你需要引入Bokeh的JS和CSS文件，然后把{{ script | safe }}和{{ div | safe }}放到合适的位置。这种方式特别适合给公司的内部系统快速加一个可视化页面，不用起独立的Bokeh服务，开销也小。

5.3 导出静态图片：什么时候需要、怎么操作

交互式图表确实酷炫，但有些场合你依然需要一张静态图片——比如放进PPT、写进周报邮件。Bokeh的导出功能有点特殊，它依赖Selenium和浏览器驱动，因为它是用“打开网页然后截图”的方式来实现导出的。

from bokeh.io import export_png, export_svg export_png(p, filename="chart.png")

在没装浏览器驱动之前，这个函数会报错找不到Chrome驱动。装好之后倒是简单，但是导出的PNG清晰度一般，缩放比例也有限制。所以我的建议是：如果只是偶尔需要静态图片，直接在浏览器里打开图表，用截图工具截一张，效果更好，不用折腾环境。真要大批量生成静态图走流程，再考虑配置Selenium。

6. 几个我实际踩过的坑和避坑心得

6.1 中文字体显示问题

这是一个国产环境特有的坑。Bokeh默认的字体配置里，中文字符经常会渲染成方框或者乱码。我的解决方案是显式设置字体家族：

p.xaxis.axis_label_text_font = "Microsoft YaHei" p.xaxis.major_label_text_font = "Microsoft YaHei" p.title.text_font = "Microsoft YaHei"

或者统一设置主题：

from bokeh.themes import Theme theme = Theme(json={ "attrs": { "Axis": {"axis_label_text_font": "Microsoft YaHei", "major_label_text_font": "Microsoft YaHei"}, "Title": {"text_font": "Microsoft YaHei"} } }) p.theme = theme

注意，这套配置在不同的操作系统上要改字体名称。Windows上是Microsoft YaHei，macOS上是PingFang SC，Linux服务器上就得看装了什么中文字体，比如WenQuanYi Zen Hei或Noto Sans CJK SC。

6.2 数据集较大时的性能优化

Bokeh处理百万级数据点比大多数Python绘图库都强，但也不是没有上限。我在处理千万级点位数据时，明显感觉到交互变得卡顿。性能优化的核心思路有三个：

第一，抽样。在数据传递到Bokeh之前，先用Pandas的sample或resample降低数据密度。对于时间序列，可以先做降采样；对于散点图，可以用scatter的radius大小来直观控制点的显示数量。

第二，用WebGL渲染。Bokeh的散点图支持WebGL后端，开启方式很简单：

p = figure(output_backend="webgl")

开启之后，大量点的渲染效率会提升很多，尤其在硬件加速的浏览器上，体验差别非常明显。

第三，用图像的传递方式处理超大栅格数据。如果你在做热力图这类数据，Bokeh提供了Image和ImageRGBA两个glyph，它们把数据以图形像素的形式传递，速度极快，但会丢失交互式点选信息。取舍取决于业务需求。

6.3 图表联动的经典困境

我碰到过好几次这样的需求：两个图绑定了同一个CDS，看起来链路很顺，但实际运行时发现，一个图的选择状态没法同步到另一个图的高亮效果。排查下来的原因通常是：两个图虽然共享了CDS，但没有共享Selection状态。Bokeh的ColumnDataSource里有一个叫selected的属性和indices属性，当你在图1上选择了一个点，Bokeh默认只更新图1的内部状态。要让图2感知，需要你手动触发事件监听：

source.selected.on_change("indices", callback)

或者更简单一点，给多个图绑定同一个数据源时，确保你用的是同一个ColumnDataSource实例，并且在图属性配置里显式声明selection_policy为render等需要的模式。这个问题比较隐蔽，新手很容易被表面的共享数据源迷惑，实际调试时才发现状态没有同步。

6.4 小技巧：颜色映射与色带应用

最后分享一个我非常喜欢的小功能——颜色映射。当你的数据点要按照数值大小着色时，不需要手动生成颜色列表，Bokeh有专门的LinearColorMapper：

from bokeh.models import LinearColorMapper, ColorBar color_mapper = LinearColorMapper(palette="Viridis256", low=min(df["sales"]), high=max(df["sales"])) p.scatter( x="sales", y="profit", source=source, fill_color={"field": "rate", "transform": color_mapper}, size=12, color="black" ) color_bar = ColorBar(color_mapper=color_mapper, location=(0, 0)) p.add_layout(color_bar, "right")

这里fill_color的语法很有意思：{"field": "rate", "transform": color_mapper}表示“从CDS的rate列取值，然后用color_mapper把值映射成颜色”。配上一个ColorBar，你的散点图瞬间能多表达一个维度，信息密度高很多，而且视觉上也非常专业。

7. 写在最后：Bokeh的取舍与进阶方向

做技术选型的时候，我见过太多人一上来就问“哪个库最厉害”，但实际编码的时候才发现，每个库都有自己的脾气。Bokeh的脾气是：它需要你稍微花点时间理解ColumnDataSource这个核心概念，一旦跨过这个门槛，后面的事情基本水到渠成；它不擅长做超大规模数据集的静态高保真输出，但在交互探索和实时推送这个赛道上，它是Python生态里少有的能打选手。

如果接下来你想深入学Bokeh，我的建议是按这个顺序来：先玩玩figure和常用glyph，把柱状图、散点图、折线图画溜；然后啃ColumnDataSource，试着用同一个数据源驱动多个图；接着学CustomJS，做几个能响应滑杆、下拉框的小交互；最后上Bokeh Server，把它跑成一个真正的Web应用。每个阶段都有大量的官方示例可以直接抄，官网的Gallery是我见过最好的可视化库案例库，几乎每个示例都能一键查看源码。

我在好几个项目里都用Bokeh做过最终交付的仪表盘，同事们的反馈出奇一致：“这个页面点起来很爽，比我之前看的Excel截图强多了。”也许对一个数据人来说，最好的夸奖莫过于此。工具会变，但“让数据自己说话”这件事，值得反复打磨。