1. 点击事件

在Plotly中，可以通过selectedpoints和unselected参数设置数据点的选中状态和样式。

以下是一个基础的事件绑定示例：

python 复制代码

import plotly.graph_objects as go
import numpy as np
import pandas as pd

# 创建示例数据
x = np.random.rand(100)
y = np.random.rand(100)

# 创建 FigureWidget
fig = go.FigureWidget(data=go.Scatter(
    x=x,
    y=y,
    mode="markers",
    selected={"marker": {"color": "red", "size": 15}},  # 高亮选中状态
    unselected={"marker": {"opacity": 0.5}}  # 未选中状态
))
fig.layout.hovermode = 'closest'
fig.layout.height = 600
fig.layout.width = 1000

# 定义点击事件的响应函数
def on_click(trace, points, state):
    if points.point_inds:  # 如果有点击的数据点
        selected_point = points.point_inds[0]  # 获取第一个点击的数据点索引
        # 更新图表数据（例如高亮显示点击的数据点）
        with fig.batch_update():
            fig.update_traces(selectedpoints=[selected_point])
    else:
        print("No point clicked")

# 绑定点击事件
fig.data[0].on_click(on_click)

# 显示图表
fig.show()

这里只是简单演示了如何绑定点击事件，其实点击事件不仅可以更新图表，还可以触发外部操作。

例如：

调用 API 获取详细信息：通过点击事件获取数据点的详细信息。-
打开新页面或模态窗口：展示更多相关内容。
控制其他图表联动更新：实现多图表之间的交互。

2. 动态更新

实时数据流的动态更新功能是数据可视化中的一项重要技术，它允许图表根据实时数据动态刷新，从而为用户提供最新的信息。

在Plotly中，可以通过多种方式实现这一功能，具体取决于数据的来源和更新频率。

下面的示例中，模拟了一个数据动态增长的情况。

为了简化代码，示例中增长的数据是随机生成的，实际场景中，数据可能来自API的推送 ，数据库轮询 ，或者消息队列的订阅等等。

python 复制代码

import plotly.graph_objects as go
import random
import time
from IPython.display import clear_output, display

# 初始化数据
x_data = []
y_data = []

# 创建初始图表
fig = go.Figure(data=go.Scatter(x=x_data, y=y_data, mode='lines+markers'))

# 模拟动态刷新
for i in range(20):
    # 生成新的数据点
    new_x = i
    new_y = random.randint(0, 100)
    x_data.append(new_x)
    y_data.append(new_y)

    # 更新图表数据
    fig.data[0].x = x_data
    fig.data[0].y = y_data

    # 清除之前的输出
    clear_output(wait=True)

    # 显示更新后的图表
    display(fig)

    # 暂停一段时间，模拟动态效果
    time.sleep(1)

3. 性能优化策略

单数据点的数量达到一定数目的时候，相比于静态图表，交互功能的性能问题是不得不考虑的问题。

当性能出现问题时，Plotly的优化技巧主要有：

使用增量更新的方式减少重绘次数：

python 复制代码

# 使用batch_update减少重绘次数
with fig.batch_update():
    fig.data[0].x = new_x
    fig.data[0].y = new_y
    fig.layout.title = 'Updated Title'

对高频数据采用节流（throttle）技术，限制更新频率：

python 复制代码

from functools import partial

def throttle(func, delay):
    last_call = 0
    def wrapper(*args, **kwargs):
        nonlocal last_call
        now = time.time()
        if now - last_call >= delay:
            func(*args, **kwargs)
            last_call = now
    return wrapper

fig.on_event('plotly_relayout', throttle(handle_resize, 0.5))

复杂的大规模数据场景考虑使用WebGL提升渲染性能：

python 复制代码

import plotly.express as px

fig = px.scatter(
    df,
    x='x',
    y='y',
    render_mode='webgl'  # 关键参数
)

4. 总结

从点击响应到数据流驱动，Plotly的交互体系正在重新定义数据探索的边界。

掌握事件监听、状态管理和动态渲染技术，你可以：

构建智能仪表盘：点击钻取分析
开发监控系统：实时数据流可视化
创建交互报告：动态参数联动分析

未来的可视化不应只是数据的展示板，而应成为人机协同的智能界面。

『Plotly实战指南』--交互功能进阶篇

1. 点击事件

2. 动态更新

3. 性能优化策略

4. 总结