面向对象散景的多个问题 [已过时]

Question

---

---

---

注意：这个问题涉及“第一代”散景服务器，该服务器已被弃用和删除了几年。此问题或其答案中的任何内容都与任何版本的 Bokeh >= 0.11

无关

有关使用受支持的现代散景服务器的详细信息，请参阅用户指南的Running a Bokeh Server 章节。

---

---

---

我正在尝试了解Bokeh 我正在构建的交互式应用程序。我正在查看Bokeh examples，我看到大多数示例都是在全局命名空间中编写的，但是“app”子目录中的示例以很好的面向对象样式编写，其中主类继承自 HBox 等 Property 类。

这将是一堆问题，因为我认为这种 Bokeh 编程方式没有得到很好的记录。我遇到的第一件事是除非我包含extra_generated_classes，否则情节不会绘制。

1. extra_generated_classes 有什么作用？

   其次，看起来事件循环 setup_events 在启动时在 create 之前被调用，随后每次情节触发事件时。

2. 为什么 setup_events 每次触发事件都需要注册回调？为什么在第一次尝试注册它们之前不等待创建完成？

   我不确定的最后一件事是如何在此处强制重绘字形。滑块演示适用于我，我尝试做基本相同的事情，除了使用散点图而不是线。

   我在update_data 的最后设置了一个pdb 跟踪，我可以保证self.source 与self.plot.renderers[-1].data_source 匹配，并且从一开始就对它们进行了调整。但是，self.plot 本身并没有改变。

3. 什么是面向对象的方法相当于调用 store_objects 来更新绘图？

   我对第三个特别困惑，因为它看起来不像 sliders_app 示例需要这样的东西。为了澄清起见，我正在尝试制作可变数量的小部件/滑块，所以这就是我的代码的样子：

类属性：

extra_generated_classes = [['ScatterBias', 'ScatterBias', 'HBox']]
maxval = 100.0

inputs = Instance(bkw.VBoxForm)
outputs = Instance(bkw.VBoxForm)
plots = Dict(String, Instance(Plot))
source = Instance(ColumnDataSource)


cols = Dict(String, String)
widgets = Dict(String, Instance(bkw.Slider))
# unmodified source
df0 = Instance(ColumnDataSource)

初始化方法

@classmethod
def create(cls):
    obj = cls()

    ##############################
    ## load DataFrame
    ##############################
    df = pd.read_csv('data/crime2013_tagged_clean.csv', index_col='full_name')
    obj.cols = {'x': 'Robbery', 
            'y': 'Violent crime total',
            'pop': 'Population'
            }

    cols = obj.cols

    # only keep interested values
    df2= df.ix[:, cols.values()]

    # drop empty rows
    df2.dropna(axis=0, inplace=True)

    df0 = df2.copy()
    df0.reset_index(inplace=True)
    # keep copy of original data
    obj.source = ColumnDataSource(df2)
    obj.df0 = ColumnDataSource(df0)

    ##############################
    ## draw scatterplot
    ##############################

    obj.plots = {
            'robbery': scatter(x=cols['x'],
                y=cols['y'], 
                source=obj.source,
                x_axis_label=cols['x'],
                y_axis_label=cols['y']),
            'pop': scatter(x=cols['pop'], 
                y=cols['y'], 
                source=obj.source,
                x_axis_label=cols['pop'],
                y_axis_label=cols['y'],
                title='%s by %s, Adjusted by by %s'%(cols['y'], 
                    cols['pop'], cols['pop'])),
        }

    obj.update_data()
    ##############################
    ## draw inputs
    ##############################
    # bokeh.plotting.scatter 
    ## TODO: refactor so that any number of control variables are created
    # automatically. This involves subsuming c['pop'] into c['ctrls'], which
    # would be a dictionary mapping column names to their widget titles 
    pop_slider = obj.make_widget(bkw.Slider, dict(
            start=-obj.maxval, 
            end=obj.maxval, 
            value=0, 
            step=1, 
            title='Population'), 
        cols['pop'])

    ##############################
    ## make layout
    ##############################
    obj.inputs = bkw.VBoxForm(
            children=[pop_slider]
            )

    obj.outputs = bkw.VBoxForm(
            children=[obj.plots['robbery']]
        )

    obj.children.append(obj.inputs)
    obj.children.append(obj.outputs)

    return obj

update_data

def update_data(self):
    """Update y by the amount designated by each slider"""
    logging.debug('update_data')
    c = self.cols
    ## TODO:: make this check for bad input; especially with text boxes
    betas = { 
            varname: getattr(widget, 'value')/self.maxval 
            for varname, widget in self.widgets.iteritems()
            }

    df0 = pd.DataFrame(self.df0.data)
    adj_y = []
    for ix, row in df0.iterrows():
        ## perform calculations and generate new y's
        adj_y.append(self.debias(row))

    self.source.data[c['y']] = adj_y
    assert len(adj_y) == len(self.source.data[c['x']])
    logging.debug('self.source["y"] now contains debiased data')

    import pdb; pdb.set_trace()

请注意，我确信事件处理程序已正确设置和触发。我只是不知道如何使更改后的源数据反映在散点图中。

Answer 1

我正在寻找相同的答案（缺乏文档使其变得困难）。

回答问题 #1，“extra_generated_classes”的用途是什么：

tl;dr extra_generated_classes 定义了用于模板生成js/html代码的modulename、classname和parentname，并扩展了传递给app类的父类（示例中通常是HBox或VBox） .

更长的答案。查看 bokeh/server/utils/plugins.py 中的源代码，这是在使用 --script 命令行参数传递给 bokeh-server 的代码上运行的代码。在plugins.py的最后，可以看到extra_generated_classes被传递给flask方法render_template，它渲染了一个Jinja2模板。查看模板内部，oneobj.html，extra_generated_classes 是一个包含三个内容的数组：modulename、classname 和 parentname，它们被传递到 bokeh.server.generatejs：

{% block extra_scripts %}
  {% for modulename, classname, parentname in extra_generated_classes %}
  <script
    src="{{ url_for('bokeh.server.generatejs', modulename=modulename, classname=classname, parentname=parentname) }}"
  ></script>
  {% endfor %}
{% endblock %}

bokeh.server.generatejs 是 bokeh/server/views/plugins.py 中的 Python 代码，只为模板 app.js 调用 render_template，您可以在 bokeh/server/templates 中找到该模板。该模板采用模块名、类名和父名，基本上创建将父名（例如 HBox 或 VBox）扩展到类名（您的应用程序）的 js 代码。