Bokeh热图中如何基于circle的value2值创建大小图例？

好问题！在Bokeh里确实没有直接内置的「大小图例」组件，但我们可以手动构建一组参考圆形来模拟这个效果，完全能满足你的热图场景需求。下面是具体的实现思路和代码示例：

核心思路 #

我们通过创建一组带有明确数值标签的参考圆形，将它们放置在主图的侧边（比如和color_bar相邻的位置），以此来直观展示value2数值和圆形大小的对应关系。

完整代码示例 #

假设你已经有了基础的热图代码，我们在此基础上添加大小图例：

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, LinearColorMapper, ColorBar, Range1d
import pandas as pd

# 模拟你的DataFrame数据（替换成你实际的数据）
data = {
    'categories': ['CatA', 'CatA', 'CatB', 'CatB', 'CatC', 'CatC'],
    'Species': ['Sp1', 'Sp2', 'Sp1', 'Sp2', 'Sp1', 'Sp2'],
    'value1': [10, 20, 30, 40, 50, 60],
    'value2': [15, 30, 45, 60, 75, 90]
}
df = pd.DataFrame(data)

# ---------------------- 主热图部分（你已实现的代码） ----------------------
# 配置value1的颜色映射
color_mapper = LinearColorMapper(palette="Viridis256", low=df['value1'].min(), high=df['value1'].max())

# 创建主图对象
p = figure(
    x_range=df['categories'].unique(),
    y_range=df['Species'].unique(),
    toolbar_location=None,
    tools="hover",
    tooltips=[("Value1", "@value1"), ("Value2", "@value2")],
    title="Categories vs Species Heatmap"
)

# 绘制核心圆形热图
p.circle(
    x='categories',
    y='Species',
    size='value2',  # 用value2控制大小
    color={'field': 'value1', 'transform': color_mapper},  # 用value1控制颜色
    source=df,
    alpha=0.8
)

# 添加value1的颜色条
color_bar = ColorBar(
    color_mapper=color_mapper,
    label_standoff=12,
    location=(0,0),
    title="Value1"
)
p.add_layout(color_bar, 'right')

# ---------------------- 添加value2的大小图例 ----------------------
# 1. 选择value2的关键刻度值（比如最小值、中位数、最大值，也可以自定义分位数）
size_ticks = [df['value2'].min(), df['value2'].median(), df['value2'].max()]

# 2. 构建图例数据源：定义参考圆形的位置、大小和标签
# 这里把图例放在主图X轴右侧的空白区域，位置可以根据你的图调整
legend_data = {
    'x': [len(df['categories'].unique()) + 0.6] * len(size_ticks),
    'y': [1.6, 0.5, -0.6],  # 垂直排列的位置，对应Y轴的Species范围
    'size': size_ticks,
    'label': [f"Value2: {tick}" for tick in size_ticks]
}
legend_source = ColumnDataSource(legend_data)

# 3. 添加参考圆形和标签文本
p.circle(x='x', y='y', size='size', color='gray', source=legend_source, alpha=0.9)
p.text(
    x='x',
    y='y',
    text='label',
    text_align='left',
    text_baseline='middle',
    source=legend_source,
    x_offset=12,
    text_font_size='10pt'
)

# 4. 调整X轴范围，给图例留出足够空间
p.x_range = Range1d(-0.5, len(df['categories'].unique()) + 1.2)

# 显示最终图形
show(p)

关键细节说明 #

• 刻度值选择：你可以根据value2的分布调整刻度值，比如如果数值跨度大，用对数刻度或者分位数（如25%、50%、75%分位数）会更合理。
• 位置调整：如果你的Y轴物种数量更多，需要对应调整legend_data里的y值，保证所有参考圆形都能显示在图内。
• 缩放适配：如果你的value2是经过缩放（比如用LinearInterpolator映射到10-100的像素大小），那么图例里的size也要用同样的缩放逻辑，确保大小对应关系准确。
• 样式优化：你可以给图例添加标题（用p.text添加固定文本）、调整圆形颜色和透明度，让它和主图风格更统一。

内容的提问来源于stack exchange，提问作者Corsair