寫在前面

我相信大家已經(jīng)閱讀了不少有關“機器學習”、“數(shù)據(jù)科學家”、“數(shù)據(jù)可視化”等話題的文章。有些人將數(shù)據(jù)科學稱為?21 世紀最性感的工作。?Anaconda 的《2020 年數(shù)據(jù)科學狀況報告》指出，21% 的時間用于數(shù)據(jù)可視化。使用工具或庫來幫助我們完成講故事的流程很重要。

數(shù)據(jù)可視化是預測建模中最基本、最重要的步驟之一。人們通常從數(shù)據(jù)可視化開始以獲得更多見解，并嘗試通過探索性數(shù)據(jù)分析 (EDA) 來理解數(shù)據(jù)。制作圖表和視覺效果是更好的選擇，而不是研究表格和值，因為人們喜歡視覺效果而不是無聊的文本或值。

所以，制作清晰、優(yōu)雅、富有洞察力的圖表，讀者可以輕松理解，始終將觀眾視為非技術(shù)人員。越少影響越大，適當?shù)目梢暬瘞頂?shù)據(jù)的清晰度，有助于決策。我們給出一個有助于Bokeh可視化的快速指南。

什么是Bokeh？

Bokeh 是 Python 中的交互式可視化庫。Bokeh提供的最佳功能是針對現(xiàn)代 Web 瀏覽器進行演示的高度交互式圖形和繪圖。Bokeh 幫助我們制作出優(yōu)雅、簡潔的圖表，其中包含各種圖表。

Bokeh 主要側(cè)重于將數(shù)據(jù)源轉(zhuǎn)換為 JSON 格式，然后用作 BokehJS 的輸入。Bokeh的一些最佳功能是：

• 靈活性：?Bokeh 也為復雜的用例提供簡單的圖表和海關圖表。
• 功能強：?Bokeh 具有易于兼容的特性，可以與 Pandas 和 Jupyter 筆記本一起使用。
• 樣式：?我們可以控制圖表，我們可以使用自定義 Javascript 輕松修改圖表。
• 開源：?Bokeh 提供了大量的示例和想法，并在 Berkeley Source Distribution (BSD) 許可下分發(fā)。

使用Bokeh，我們可以輕松地將大數(shù)據(jù)可視化并以吸引人的優(yōu)雅方式創(chuàng)建不同的圖表。

在哪使用Bokeh圖

有很多可視化庫，為什么我們只需要使用Bokeh？

我們可以使用 Bokeh 庫在網(wǎng)頁上嵌入圖表。使用Bokeh，我們可以將圖表嵌入網(wǎng)絡、制作實時儀表板和應用程序。Bokeh 為圖表提供了自己的樣式選項和小部件。這是使用 Flask 或 Django 在網(wǎng)站上嵌入Bokeh圖的優(yōu)勢。

主要是Bokeh提供了兩個界面層次，簡單易上手。

• Bokeh模型
• Bokeh圖
• Bokeh應用
• Bokeh服務器

Bokeh模型

Bokeh模型提供低級接口，為應用程序開發(fā)人員提供高端靈活性

Bokeh圖

Bokeh繪圖提供了一個用于創(chuàng)建視覺符號的高級界面。Bokeh繪圖是 Bokeh.models 模塊的子類。它包含圖形類的定義；圖形類是最簡單的繪圖創(chuàng)建。

Bokeh應用程序

Bokeh應用程序包，用于創(chuàng)建Bokeh文件；是一家輕量級工廠。

Bokeh服務器

Bokeh 服務器用于發(fā)布和共享交互式圖表和應用程序。

安裝Bokeh庫

用pip安裝Bokeh庫，運行以下命令

pip?install?pandas-Bokeh

為conda環(huán)境安裝Bokeh庫，運行以下命令

conda?install?-c?patrikhlobil?pandas-Bokeh

導入Bokeh庫

為Bokeh庫導入必要的包。

import?pandas?as?pd
#?pip?install?pandas_Bokeh
import?pandas_Bokeh
from?Bokeh.io?import?show,?output_notebook
from?Bokeh.plotting?import?figure
pandas_Bokeh.output_notebook()
pd.set_option('plotting.backend',?'pandas_Bokeh')

Bokeh繪圖是一個用于創(chuàng)建交互式視覺效果的界面，我們從中導入 它作為保存我們圖表的容器。?figure

from?Bokeh.plotting?import?figure

我們需要以下命令來顯示圖表。

from?Bokeh.io?import?show,?output_notebook

我們需要以下命令來在 jupyter notebook 中顯示圖表的輸出。

pandas_Bokeh.output_notebook()

要將圖表嵌入為 HTML，請運行以下命令。

pandas_bokeh.output_file（文件名）

Hovertool 用于在我們使用鼠標指針懸停在數(shù)據(jù)上時顯示值， ColumnDataSource 是 DataFrame 的 Bokeh 版本。

from?Bokeh.models?import?HoverTool,?ColumnDataSource

繪制圖表的語法

使用Pandas Bokeh

現(xiàn)在，通過以下代碼將Bokeh繪圖庫用于 Pandas 數(shù)據(jù)框。

dataframe.plot_Bokeh()

為Bokeh創(chuàng)建 Figure 對象

我們將創(chuàng)建一個圖形對象，它只不過是一個保存圖表的容器。我們可以給 figure() 對象取任何名字，這里我們給了 fig.

fig?=?figure()
'''
自定義繪圖代碼
'''
show(fig)

使用 ColumnDataSource 創(chuàng)建圖表

要將 ColumnDataSource 與渲染函數(shù)一起使用，我們至少需要傳遞 3 個參數(shù)：

• x?– 包含圖表 x 軸數(shù)據(jù)的 ColumnDataSource 列的名稱
• y?– 包含圖表 y 軸數(shù)據(jù)的 ColumnDataSource 列的名稱
• source?– ColumnDataSource 列的名稱，該列包含我們?yōu)?x 軸和 y 軸引用的數(shù)據(jù)

要在單獨的 HTML 文件中顯示輸出圖表，請運行以下命令。

output_file('abc.html')

使用Bokeh庫主題

Bokeh主題有一組預定義的設計，可以將它們應用到您的繪圖中。Bokeh 提供了五個內(nèi)置主題。

• caliber,
• dark_minimal,
• light_minimal,
• night_sky,
• contrast.

下圖顯示了圖表在內(nèi)置主題中的外觀。在這里，我采取了不同主題的折線圖。

運行以下代碼以使用內(nèi)置主題繪制圖表。

圖表樣式

為了增強圖表，我們可以使用不同的屬性。對象共有的三組主要屬性：

• 線屬性
• 填充屬性
• 文本屬性

基本造型

我將只添加自定義圖表所需的代碼，您可以根據(jù)需要添加代碼。最后，我將展示帶有演示代碼的圖表，以便清楚地理解。好吧，還有更多屬性的詳細解釋請參見官方文檔。

為圖表添加背景顏色。

fig?=?figure(background_fill_color="#fafafa")

設置圖表寬度和高度的值我們需要在figure()中添加高度和寬度。

fig?=?figure(height=350,?width=500)

隱藏圖表的 x 軸和 y 軸。

fig.axis.visible=False

隱藏圖表的網(wǎng)格顏色。

fig.grid.grid_line_color?=?None

要更改圖表顏色的強度，我們使用 alpha 。

fig.background_fill_alpha=0.3

要為圖表添加標題，我們需要在 figure() 中添加標題。

fig?=?figure(title="abc")

要添加或更改 x 軸和 y 軸標簽，請運行以下命令。

fig.xaxis.axis_label='X-axis'
fig.yaxis.axis_label='Y-axis'

簡單樣式的演示圖表

x?=?list(range(11))
y0?=?x

fig?=?figure(width=500,?height=250,title='Title',background_fill_color="#fafafa")

fig.circle(x,?y0,?size=12,?color="#53777a",?alpha=0.8)
fig.grid.grid_line_color?=?None
fig.xaxis.axis_label='X-axis'
fig.yaxis.axis_label='Y-axis'

show(fig)

使用 Bokeh.plotting 界面創(chuàng)建圖表的步驟是：

• 準備數(shù)據(jù)
• 創(chuàng)建一個新的情節(jié)
• 為您的數(shù)據(jù)添加渲染，以及您對繪圖的可視化自定義
• 指定生成輸出的位置（在 HTML 文件中或在 Jupyter Notebook 中）
• 顯示結(jié)果

Python 中的Bokeh用例

我們將要處理的數(shù)據(jù)是我們當中最著名的數(shù)據(jù)集，可以在 kaggle上找到該數(shù)據(jù)集。

在我們中間是人們玩手機游戲的新熱潮，它突然流行起來，成為大流行中的熱門視頻游戲。在此向所有我們的粉絲簡要介紹游戲的運作方式。在我們之中是一款多人游戲，其中四到十名玩家被放入一艘外星飛船。每個玩家都有自己的Imposter或Crewmate角色；船員的任務是在飛船周圍跑來跑去完成所有分配的任務，并照顧好不被冒名頂替者殺死。玩家可以被投票下船，因此每場比賽都成為生存游戲。

數(shù)據(jù)

讓我們加載數(shù)據(jù)并再創(chuàng)建一個特征User ID；用戶 id 會告訴我們它像用戶 1、用戶 2 等哪個用戶。

import?glob
path?=?'archive'?
all_files?=?glob.glob(path?+?"/*.csv")
li?=?[]
usr=0
for?filename?in?all_files:
????usr+=1
????df?=?pd.read_csv(filename,?index_col=None,?header=0)
????df['User?ID']=usr
????li.append(df)
df?=?pd.concat(li,?axis=0,?ignore_index=True)
df[:2]

數(shù)據(jù)說明

• Game Completed Date-游戲完成的日期和時間
• Team團隊- 告訴我們玩家是冒名頂替者還是船員
• Outcome結(jié)果- 告訴我們游戲是否贏/輸
• Task Completed已完成的任務 - 船員完成的任務數(shù)
• All Tasks Completed?– 布爾變量顯示所有任務是否由船員完成
• Murdered謀殺- 船員是否被謀殺
• Imposter Kills冒名頂替者殺死?– 冒名頂替者的擊殺次數(shù)
• Game Length游戲時長——游戲的總持續(xù)時間
• Ejected?- 玩家是否被其他玩家驅(qū)逐
• Sabotages Fixed?– 船員修復的破壞次數(shù)
• Time to complete all tasks完成所有任務的時間——船員完成任務所用的時間
• Rank Change排名變化- 比賽輸/贏后排名的變化
• Region/Game Code地區(qū)/游戲代碼- 服務器和游戲代碼
• User ID用戶 ID?–用戶數(shù)量。

注意：本文不包含 EDA，但展示了如何在 Bokeh 中使用不同的圖表

看看數(shù)據(jù)的分布。

df.describe(include='O')

我們將創(chuàng)建一個特征 Minute 并從 Game Lenght 中提取數(shù)據(jù)。

df['Min']?=?df.apply(lambda?x?:?x['Game?Length'].split("?")[0]?,?axis?=?1)
df['Min']?=?df['Min'].replace('m',?'',?regex=True)
df['Min'][:2]

0    07
1    16
Name: Min, dtype: object

現(xiàn)在，我們將替換 Murdered 特征的值。

df['Murdered'].replace(['No',?'Yes',?'-'],?['Not?Murdered',?'Murdered',?'Missing'],inplace=True)

完成必要的清潔步驟后。首先，讓我們看看Bokeh中的基本圖表。

餅形圖

檢查一下游戲中是否有更多的船員或冒名頂替者，我們有總共 2227 人的數(shù)據(jù)。

df_team?=?df.Team.value_counts()
df_team.plot_Bokeh(kind='pie',?title='Ration?of?Mposter?vs?Crewmate')

如圖所示，Cremates 占?79%，Imposters 占?21%，由此可見?Imposter: Crewmates?的比例為1:4。冒名頂替者較少，因此有可能贏得大部分比賽。

圓環(huán)圖

檢查游戲中是否有更多的船員或冒名頂替者被謀殺。我們將添加兩個我們將在圖表中使用的功能 Angle 和 Color。

from?math?import?pi
df_mur?=?df.Murdered.value_counts().reset_index().rename(columns={'index':?'Murdered',?'Murdered':?'Value'})
df_mur['Angle']?=?df_mur['Value']/df_mur['Value'].sum()?*?2*pi
df_mur['Color']?=?['#3182bd',?'#6baed6',?'#9ecae1']

df_mur

將用annular_wedge()做一個圓環(huán)圖。

from?Bokeh.transform?import?cumsum

fig?=?figure(plot_height=350,?
?????????????title="Ration?of?Murdered?vs?Not?Murdered",?
?????????????toolbar_location=None,

tools="hover",?tooltips="@Murdered:?@Value",?x_range=(-.5,?.5))
fig.annular_wedge(x=0,?y=1,?inner_radius=0.15,?
??????????????????outer_radius=0.25,?direction="anticlock",

start_angle=cumsum('Angle',?include_zero=True),
??????????????????end_angle=cumsum('Angle'),

line_color="white",?fill_color='Color',?legend_label='Murdered',?source=df_mur)

fig.axis.axis_label=None
fig.axis.visible=False
fig.grid.grid_line_color?=?None
show(fig)

大多數(shù)人在游戲中被謀殺，但大部分數(shù)據(jù)丟失。所以我們不能說大多數(shù)人是在游戲中被謀殺的。

散點圖

首先，將創(chuàng)建 Sabotages fixed 和 Minutes 的數(shù)據(jù)框，并更改列名并在其中添加 T。

df_min?=?pd.crosstab(df['Min'],?df['Sabotages?Fixed']).reset_index()
df_min?=?df_min.rename(columns={0.0:'0T',?1.0:'1T',
???????????????????????2.0:'2T',3.0:'3T',4.0:'4T',5.0:'5T'
????????????????????})
df_min[:2]

將 3 次破壞固定為?0,1 和 2?并創(chuàng)建一個數(shù)據(jù)框。

df_0?=?df_min[['Min',?'0T']]
df_1?=?df_min[['Min',?'1T']]
df_2?=?df_min[['Min',?'2T']]

要制作只有一個圖例的簡單散點圖，我們可以傳遞數(shù)據(jù)并使用scatter()它來制作圖表。

df_min.plot_Bokeh.scatter(x='Min',?y='1T')

要制作包含多個圖例的散點圖，我們需要使用圓圈；這是圖形對象的一種方法。圓圈是Bokeh提供的眾多繪圖樣式之一，您可以使用三角形或更多。

fig?=?figure(title='Sabotages?Fixed?vs?Minutes',?
?????????????tools=?'hover',?
?????????????toolbar_location="above",?
?????????????toolbar_sticky=False)
fig.circle(x="Min",y='0T',?
?????????size=12,?alpha=0.5,?
?????????color="#F78888",?
?????????legend_label='0T',?
?????????source=df_0),
fig.circle(x="Min",y='1T',?
?????????size=12,?alpha=0.5,?
?????????color="blue",?
?????????legend_label='1T',?
?????????source=df_1),
fig.circle(x="Min",y='2T',?
?????????size=12,?alpha=0.5,?
?????????color="#626262",?
?????????legend_label='2T',?
?????????source=df_2),
show(fig)

簡單直方圖

看看游戲之間的分鐘分布。將用hist來繪制直方圖。

df_minutes?=?df['Min'].astype('int64')
df_minutes.plot_Bokeh(kind='hist',?title='Distribution?of?Minutes')

大多數(shù)比賽有6分鐘到14分鐘的時間。

堆積直方圖

看看游戲長度是否會增加，因此冒名頂替者和船員會減少還是增加。我們將使用?hist來制作堆疊直方圖。

df_gm_te?=?pd.crosstab(df['Game?Length'],?df['Team'])
df_gm_te

df_gm_te.plot_Bokeh.hist(title='Gamelegth?vs?Imposter/Crewmate',?figsize=(750,?350))

冒名頂替者不傾向于長時間玩游戲，他們只想殺死所有火葬并贏得游戲。

不同類型的條形圖

簡單條形圖

看看給定的任務是否由人完成。如果所有任務都完成，那么自動火葬將獲勝。

df_tc?=?pd.DataFrame(df['Task?Completed'].value_counts())[1:].sort_index().rename(columns={'Task?Completed':?'Count'})
df_tc.plot_Bokeh(kind='bar',?y='Count',?title='How?many?people?have?completed?given?task?',?figsize=(750,?350))

完成最多的任務是 7 個，完成最少的任務是 10 個。

堆積條形圖

看看誰贏了：冒名頂替者或火葬。我一直覺得冒名頂替者獲勝最多，因為他們只有一份工作可以殺死所有人。

df1?=?pd.crosstab(df['Team'],?df['Outcome'])
df1.plot_Bokeh.bar(title='Who?wins:?Imposter?or?Crewmates',stacked=True,
figsize=(550,?350))

冒名頂替者比 Crewmates 贏得更多。Imposter贏得或輸?shù)舯荣悰]有太大區(qū)別，價值非常接近。很多情況下，他們有5個火葬場和4個冒名頂替者。

堆積垂直條形圖

完成任務會不會贏得比賽讓我們拭目以待。

df['All?Tasks?Completed'].replace(['Yes','No'],?['Tasks?Completed','Tasks?Not?Completed'],?inplace=True)

df2?=?pd.crosstab(df['Outcome'],?df['All?Tasks?Completed'])
df2.plot_Bokeh.barh(title='Completeing?task:?win?or?loss',?stacked=True,
figsize=(650,?350))

完成任務將自動贏得火葬。完成任務贏得比賽的人數(shù)更多。

雙向條形圖

用雙向條形圖看看用戶是贏了還是輸了。要制作雙向條形圖，我們需要將一個度量設為負值，這里我們將損失特征設為負值。

df_user?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index()
df_user['Loss']?=?df_user['Loss']*-1
df_user['User?ID']?=?(df_user.index+1).astype(str)?+?'?User'
df_user?=?df_user.set_index('User?ID')
df_user[:2]

現(xiàn)在完成上面的過程后，我們只需要barh()?在兩個方向上制作一個條形圖即可。

df_user.plot_Bokeh.barh(title='Users:?Won?or?Defeat')

從圖表中，我們可以輕松區(qū)分用戶是被擊敗還是贏得了比賽。

折線圖

看看游戲中火化的排出比例。我們將line?用來制作折線圖。

df_crewmate?=?df[df['Team']?==?'Crewmate']
df_t_ej?=?pd.crosstab(df_crewmate['User?ID'],?df_crewmate['Ejected']).reset_index()
df_t_ej?=?df_t_ej[['No','Yes']]
df_t_ej.plot_Bokeh.line(title='Cremates?Memebers:?Ejected?vs?Minutes',?figsize=(750,?350))

沒有被逐出游戲的成員存在很大差異。

棒棒糖圖表

將獲勝的前 10 名用戶的圖表可視化。我在所有用戶 ID 中添加了一個用戶字符串。數(shù)據(jù)框看起來像這樣。

df_user_new?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index().sort_values(by='Win',?ascending=False)[:10]
df_user_new['User?ID']?=?(df_user_new.index+1).astype(str)?+?'?User'
df_user_new[:2]

在此圖表中，我們將從圖表中刪除 x 軸和 y 軸網(wǎng)格線。為了制作棒棒糖圖表，我們需要結(jié)合 segment() 和circle()。

x?=?df_user_new['Win']

factors?=?df_user_new['User?ID']?#.values
fig?=?figure(title="Top?10?Users:?Win",?toolbar_location=None,tools="hover",?tooltips="@x",
y_range=factors,?x_range=[0,75],
plot_width=750,?plot_height=350)

fig.segment(0,?factors,?x,?factors,?line_width=2,?line_color="#3182bd")
fig.circle(x,?factors,?size=15,?fill_color="#9ecae1",?line_color="#3182bd",?line_width=3)
fig.xgrid.grid_line_color?=?None
fig.ygrid.grid_line_color?=?None
show(fig)

面積圖

看看在這段時間（分鐘）內(nèi)修復了多少破壞事件。在這里為了簡單起見，我們將只看到兩個破壞活動 0th 和 1st。

from?Bokeh.models?import?ColumnDataSource
from?Bokeh.plotting?import?figure,?output_file,?show

#?data
df_min?=?pd.crosstab(df['Min'],?df['Sabotages?Fixed']).reset_index()
df_min?=?df_min.rename(columns={0.0:'0T',?1.0:'1T',2.0:'2T',3.0:'3T',4.0:'4T',5.0:'5T'})

#?chart
names?=?['0T','1T']
source?=?ColumnDataSource(data=dict(x?=?df_min.Min,
????????????????????????????????????y0?=?df_min['0T'],
????????????????????????????????????y1?=?df_min['1T']))

fig?=?figure(width=400,?height=400,?title='Sabotages?Fied?vs?Minutes')
fig.varea_stack(['y0','y1'],?x='x',?color=("grey",?"lightgrey"),legend_label=names,?source=source)

fig.grid.grid_line_color?=?None
fig.xaxis.axis_label='Minutes'

show(fig)

隨著時間的增加，破壞活動會減少。

到目前為止，我們已經(jīng)看到了Bokeh中的所有基本圖表，現(xiàn)在看看如何在Bokeh中使用布局。這將幫助我們創(chuàng)建儀表板或應用程序。因此，我們可以將特定用例的所有信息集中在一個地方。

Bokeh庫的布局功能

Layout 函數(shù)將讓我們構(gòu)建一個由繪圖和小部件組成的網(wǎng)格。我們可以在一個布局中擁有盡可能多的行和列或網(wǎng)格。

有許多可用的布局選項：

• 如果要垂直顯示圖，請使用**column()**函數(shù)。
• 如果要水平顯示圖，請使用**row()**函數(shù)。
• 如果您希望以網(wǎng)格方式繪制圖形，請使用**gridplot()**函數(shù)。
• 如果您希望圖表以最佳方式放置，請使用**layout()**函數(shù)

取一個虛擬數(shù)據(jù)。

from?Bokeh.io?import?output_file,?show
from?Bokeh.layouts?import?row,column
from?Bokeh.plotting?import?figure
output_file("layout.html")
x?=?list(range(11))
y0?=?x
y1?=?[10?-?i?for?i?in?x]
y2?=?[abs(i?-?5)?for?i?in?x]
#?create?three?plots
s1?=?figure(width=250,?height=250,?background_fill_color="#fafafa")
s1.circle(x,?y0,?size=12,?color="#53777a",?alpha=0.8)
s2?=?figure(width=250,?height=250,?background_fill_color="#fafafa")
s2.triangle(x,?y1,?size=12,?color="#c02942",?alpha=0.8)
s3?=?figure(width=250,?height=250,?background_fill_color="#fafafa")
s3.square(x,?y2,?size=12,?color="#d95b43",?alpha=0.8)

如果我們使用?column()?函數(shù)，輸出將如下所示。

show(column(s1,?s2,?s3))

如果我們使用?row()?函數(shù)，輸出將如下所示。

#?將結(jié)果排成一行并顯示
show(row(s1,?s2,?s3))

在 Bokeh 中制作儀表板布局。在這里我拍了三張圖表，一張是棒棒糖圖，另外兩張是Bokeh的餅圖。

在Bokeh中設置布局的主要邏輯是我們希望如何設置圖表。創(chuàng)建一個如下圖所示的設計。

layout?=?grid([[fig1],
???????????????[fig2,?fig3]])

在 Bokeh 中運行儀表板布局的整個代碼。

from?Bokeh.io?import?output_file,?show
from?Bokeh.plotting?import?figure
from?Bokeh.layouts?import?column,?grid
#?1?layout
df_user_new?=?pd.crosstab(df['User?ID'],?df['Outcome']).reset_index().sort_values(by='Win',?ascending=False)[:10]
df_user_new['User?ID']?=?(df_user_new.index+1).astype(str)?+?'?User'
x?=?df_user_new['Win']
factors?=?df_user_new['User?ID']?
fig1?=?figure(title="Top?10?Users:?Win",?toolbar_location=None,
??????????????tools="hover",?tooltips="@x",
??????????????y_range=factors,?x_range=[0,75],?
??????????????width=700,?height=250)
fig1.segment(0,?factors,?x,?factors,?line_width=2,?line_color="#3182bd")
fig1.circle(x,?factors,?size=15,?fill_color="#9ecae1",?line_color="#3182bd",?line_width=3)
#?2?layout
df_mur?=?df.Murdered.value_counts().reset_index().rename(columns={'index':?'Murdered',?'Murdered':?'Value'})
df_mur['Angle']?=?df_mur['Value']/df_mur['Value'].sum()?*?2*pi
df_mur['Color']?=?['#3182bd',?'#6baed6',?'#9ecae1']
fig2?=?figure(height=300,width=400,?title="Ration?of?Murdered?vs?Not?Murdered",?
??????????????toolbar_location=None,?tools="hover",?tooltips="@Murdered:?@Value",?x_range=(-.5,?.5))
fig2.annular_wedge(x=0,?y=1,??inner_radius=0.15,?outer_radius=0.25,?direction="anticlock",
???????????????????start_angle=cumsum('Angle',?include_zero=True),?end_angle=cumsum('Angle'),
???????????????????line_color="white",?fill_color='Color',?legend_label='Murdered',?source=df_mur)
#?3?layout
df_team?=?pd.DataFrame(df.Team.value_counts()).reset_index().rename(columns={'index':?'Team',?'Team':?'Value'})
df_team['Angle']?=?df_team['Value']/df_team['Value'].sum()?*?2*pi
df_team['Color']?=?['#3182bd',?'#6baed6']

fig3?=?figure(height=300,?width=300,?title="Ration?of?Cremates?vs?Imposter",??
??????????????toolbar_location=None,?tools="hover",?tooltips="@Team:?@Value",?x_range=(-.5,?.5))
fig3.annular_wedge(x=0,?y=1,??inner_radius=0.15,?outer_radius=0.25,?direction="anticlock",
???????????????????start_angle=cumsum('Angle',?include_zero=True),?end_angle=cumsum('Angle'),
???????????????????line_color="white",?fill_color='Color',?legend_label='Team',?source=df_team)
#?Styling
for?fig?in?[fig1,?fig2,?fig3]:
????????fig.grid.grid_line_color?=?None
for?fig?in?[fig2,?fig3]:
????????fig.axis.visible=False
????????fig.axis.axis_label=None
layout?=?grid([
????????????????[fig1],
????????????????[fig2,?fig3]
???????])
show(layout)