Bokeh与其他多种库集成得很好，允许您为每个任务使用最合适的工具。
Bokeh生成JavaScript，因此Bokeh输出可以与各种JavaScript库组合，例如 React . 列出这样的库已经超出了本文的范围；最好还是试试看！
Bokeh的一个主要优点是它将数据从Python直接复制到浏览器中，这使得用户能够快速、响应地与所表示的数据进行交互，即使没有运行实时的Python进程。然而，对于绘制数百万或数十亿个点，这种优势可能会变成一种负担，因为当前的web浏览器在其可以处理的数据量方面非常有限。此外，这种大型数据集的可视化表示往往会产生误导，因为 overplotting 以及相关问题。
Datashader 是一个单独可用的Python库，它可以将最大的数据集预渲染成一个固定大小的栅格图像，该图像忠实地表示数据的分布。Datashader包括一些工具和示例，演示如何构建交互式Bokeh图，在Bokeh中缩放和平移时动态地重新呈现这些图像，使在web浏览器中处理任意大的数据集变得切实可行。
Datashader与 HoloViews （见下文和 this_example )，它允许您在绘图的数据阴影版本和非数据阴影版本之间灵活切换，将基于datashader的绘图与其他基于Bokeh的绘图交错，等等。
Bokeh的设计目的是为Python程序员提供大量的功能和灵活性，从而使开发复杂的可视化应用程序以用于web浏览器上部署是可行的。然而，对于日常工作探索和可视化数据，在Bokeh提供的基础上使用更高级别的API可以很有帮助，这样可以简化在不显式指定每个步骤的情况下执行常见可视化任务。
HoloViews 是一个单独维护的包，它为构建Bokeh图提供了一个简洁的声明性接口。HoloViews特别关注于在Jupyter笔记本中的交互使用，允许快速原型化数据分析。例如，要构建一个具有三个链接的Bokeh图的交互式图形，只需要在HoloViews中使用一行代码：
添加覆盖图、滑块小部件、选择器小部件、选择工具和选项卡也同样简单。HoloViews对象也可以使用基于Matplotlib的后端来渲染，该后端允许SVG或PDF输出当前不适用于本机Bokeh打印。查看全息视图 Bokeh_Backend 更多细节的教程。