d3.partition 分区布局完全指南:用 d3-hierarchy 构建 Icicle 与 Sunburst 邻接图
本文围绕 d3 仓库中的 Partition 布局文档(docs/d3-hierarchy/partition.md)展开,系统讲解 d3-hierarchy 提供的分区(partition)布局:它如何把层级结构转换成充满空间的邻接图(矩形 icicle 图或环形 sunburst 图)、x0 / y0 / x1 / y1 四个输出坐标的确切含义,以及 size、round、padding 三个配置项的默认值与用法。读完本文,你可以直接写出可运行的 icicle 图代码,并理解布局计算的前提条件(必须先 sum、建议先 sort)与坐标输出设计背后的工程考量。
什么是分区布局:邻接图的思想
分区布局(partition layout)生成的是邻接图(adjacency diagram):一种"充满空间"(space-filling)的 node-link 树图变体。与 node-link 图在父子节点之间画连线不同,partition 布局把每个节点画成实心区域——矩形(即 "icicle" 冰柱图)或圆弧扇形(即 "sunburst" 日环图),节点之间的相对位置本身即表达了层级关系;而区域的大小则编码了一个量化维度(如收入、文件体积、占比)。这个维度在 node-link 图中很难直观呈现。
在 d3-hierarchy 模块总览中,partition 被归类为三类层级可视化技术之一:
- Node-link 图:用离散标记(节点 + 连线)表达拓扑,如 tree、cluster;
- 邻接图:通过节点相对位置表达拓扑,可同时用面积编码数量维度。"icicle" 图用矩形、"sunburst" 用环形扇区,两者都由 partition 布局产生;
- 包含图:通过包含关系表达拓扑,如 treemap、pack。
需要说明:partition 布局的实现源码位于 d3-hierarchy 包(对应版本为 ^3.1.2,见 package.json 的 dependencies 与 yarn.lock 中的解析结果)中的 src/partition.js。当前仓库是 d3 元包与官方文档仓库,src/index.js 只做 export * from "d3-hierarchy" 这样的再导出,因此仓库内不包含 partition.js 本体;本文对实现的描述以官方文档与 CHANGES.md 为准。
API 一览:方法与默认值
Partition 的完整 API 只有五个成员,全部见 api.md 中的索引。整理成表如下:
| 成员 | 作用 | 默认值 |
|---|---|---|
partition() |
以默认设置创建一个新的 partition 布局 | — |
*partition*(*root*) |
对给定 root hierarchy执行布局,向 root 及其所有后代写入坐标属性 | — |
*partition*.size(*size*) |
设置布局尺寸为二元数组 [width, height];不传参时返回当前尺寸 |
[1, 1] |
*partition*.round(*round*) |
按布尔值开启/关闭坐标取整;不传参时返回当前取整状态 | false |
*partition*.padding(*padding*) |
设置节点相邻子节点之间的间距(数字);不传参时返回当前 padding | 0 |
所有方法都遵循 d3 一贯的 getter/setter 风格:传参则设置并返回布局本身(可链式调用),不传参则返回当前值。
partition(root) 的输出坐标
布局计算会在 root 及其每个后代节点上写入四个属性:
node.x0— 矩形左边缘node.y0— 矩形顶边缘node.x1— 矩形右边缘node.y1— 矩形底边缘
文档同时给出两条硬性前提:
- 必须先调用
node.sum(或node.count)再传入布局。partition 依赖node.value决定每个节点占据的宽度,未求和的节点没有value; - 建议先调用
node.sort排好序再计算布局。排序发生在布局之前才会影响子节点的排布顺序。
这一点在 hierarchy.md 中有对应的推荐排序方式——对 icicle 图推荐"先按高度降序、再按聚合值降序":
root
.sum((d) => d.value)
.sort((a, b) => b.height - a.height || b.value - a.value);
坐标输出为什么是 x0/x1 而不是 x0/dx
CHANGES.md 记录了这一设计的历史:v4.0.0 起,d3.treemap 与 d3.partition 两个空间填充布局改为输出 x0, x1, y0, y1 四个边缘坐标,替代旧版的 x0, dx, y0, dy 宽度/高度形式。原因是精度:相邻单元格的公共边缘在"起点 + 宽度"模式下可能因浮点运算出现微小偏差(例如 a.x0 + a.dx 与 b.x0 相差一个 ε),而直接存边缘坐标可以保证相邻单元格边缘严格相等。同一版本中还为 partition 新增了 round(取整)与 padding(间距)支持。
完整示例:构建一张 icicle 图
下面是一份可直接运行的完整流程:数据 → stratify → hierarchy → sum/sort → partition → 渲染 SVG 矩形。数据沿用 stratify.md 文档中的表格结构(name,parent 两列 CSV),因为多数真实业务数据(组织、目录、科目)都是这种扁平父子表而非嵌套 JSON。
<svg width="960" height="500"></svg>
<script src="https://cdn.jsdelivr.net/npm/d3@7"></script>
<script>
const name = "Eve,Cain,Seth,Enos,Noam,Abel,Awan,Enoch,Azura";
const parent = ",Eve,Eve,Seth,Seth,Eve,Eve,Awan,Eve";
const value = "0,3,7,4,3,1,5,2,2"; // 叶子节点带数值
// 1. 把扁平行转成层级(stratify)
const table = d3.csvParse(name + "\n" + parent + "\n" + value,
(d) => ({name: d.name, parent: d.parent, value: +d.value}));
const root = d3.stratify()
.id((d) => d.name)
.parentId((d) => d.parent)
(table);
// 2. 求和 + 排序(partition 的前置条件)
root.sum((d) => d.value)
.sort((a, b) => b.height - a.height || b.value - a.value);
// 3. 布局:显式指定画布尺寸
const width = 960, height = 500;
d3.partition()
.size([width, height])
.padding(2) // 相邻兄弟节点之间留 2px 缝隙
(root);
// 4. 渲染:x0/y0/x1/y1 直接映射为 rect 属性
d3.select("svg")
.selectAll("rect")
.data(root.descendants())
.join("rect")
.attr("x", (d) => d.x0)
.attr("y", (d) => d.y0)
.attr("width", (d) => Math.max(0, d.x1 - d.x0))
.attr("height", (d) => Math.max(0, d.y1 - d.y0))
.attr("fill", (d) => d3.schemeCategory10[d.depth % 10]);
</script>
几个值得注意的细节:
size的默认值是[1, 1],即不设置时坐标落在[0,1]×[0,1]归一化区间内(这对配合d3.scaleLinear二次映射很方便,但直接画 SVG 必须显式设置画布尺寸);padding(2)让相邻兄弟节点之间留出 2 像素的视觉分隔,padding 越大缝隙越明显,但会等比压缩节点可用面积;- 渲染时
d.x1 - d.x0可能出现极小的负值(padding 作用于极小节点时),用Math.max(0, ...)兜底是常见做法; node.x0等四个属性是布局原地写入节点对象的,布局函数本身不返回新的数据副本,所以root.descendants()里每个节点都自带坐标。
变体:sunburst 日环图
Icicle 与 sunburst 共用同一个布局,只是渲染几何不同:把 y0/y1 解释为半径、x0/x1 解释为角度(乘以 2π),再交给 d3-shape 的 arc 生成器即可:
// 布局不变:
d3.partition().size([2 * Math.PI, radius])
.padding(0.5)
(root.sum((d) => d.value));
// 渲染:角度取弧度,半径取 y0/y1
const arc = d3.arc()
.innerRadius((d) => d.y0)
.outerRadius((d) => d.y1)
.startAngle((d) => d.x0)
.endAngle((d) => d.x1);
svg.selectAll("path")
.data(root.descendants())
.join("path")
.attr("d", arc)
.attr("fill", (d) => d3.schemeCategory10[d.depth % 10]);
从源码结构看,arc 生成器以原点为中心、默认读取 innerRadius / outerRadius / startAngle / endAngle 字段(见 arc.md),因此只要把 partition 的坐标映射过去就能复用饼图/环图的圆角(cornerRadius)与角间隙(padAngle)能力;配合 d3.zoom 还可以实现点击某个扇区后放大下钻的经典交互。
使用与安装
partition 属于 d3 主包的一部分。通过包管理器安装(需要 Node >=12,见 package.json 的 engines 声明):
npm install d3
安装后既可以按 ESM 方式从主包整体导入(src/index.js 会再导出 d3-hierarchy 的全部 API),也可以单独安装 d3-hierarchy(当前锁定版本为 3.1.2,见 yarn.lock)。在浏览器环境中,package.json 的 exports 字段声明了 umd 条件指向 dist/d3.min.js,即引入 UMD 构建后可直接使用全局 d3.partition。
在 d3 v7 中,d3.partition、partition.size、partition.round、partition.padding 的官方文档位置为 docs/d3-hierarchy/partition.md,API 索引位于 docs/api.md。
常见坑与参数速查
- 忘记
sum导致节点消失:未求和的节点value为undefined,宽度为零,矩形不可见。布局前必须root.sum((d) => d.value)(或root.count())。 value必须非负:node.sum 要求value访问器返回非负数字。若只想按叶子计数,用root.sum((d) => d.value ? 1 : 0)或对内部节点返回 0。size忘了设,图形挤在左上角一像素:默认[1, 1]是归一化坐标,务必设置为目标画布的[width, height](sunburst 场景则为[2 * Math.PI, radius])。round的取舍:开启取整后坐标为整数、SVG 渲染更锐利,但大 padding 下可能出现相邻节点间出现 1px 错位;默认关闭。- 排序时机:
node.sort必须在布局调用之前完成,之后重排不会触发重排布——需要先sort再重新执行partition(root)。 - 与 treemap 的区别:treemap 是递归二分面积,每个父节点区域内独立排布子节点(支持多种切片算法与嵌套 padding);partition 则是"每层占据一条水平带",深度越深越靠下,因此 icicle 图能清晰展示每一层级的整体占比对比。
小结
Partition 布局是 d3-hierarchy 中 API 面最窄的布局之一——一个构造函数、一个可调用入口、三个配置方法——但它输出的 x0/y0/x1/y1 四个坐标足以驱动 icicle 与 sunburst 两种经典的面积编码层级图。使用它的关键链路只有三步:stratify/hierarchy 建树,sum + sort 准备数据,partition().size([...]).padding(n)(root) 计算坐标。理解了"边缘坐标代替宽度"这一 v4 起的设计、以及默认 size [1,1] 的归一化行为,就能避免绝大多数渲染问题。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00