Bokeh项目中Glyphs渲染范围配置错误的解析与修复
在Bokeh数据可视化库中,开发者发现了一个关于Glyphs(图形标记)渲染范围的配置问题。这个问题会导致当用户平移(pan)包含额外坐标轴的图表时,某些Glyphs会提前消失,而不是按照预期的坐标轴范围保持显示。
问题现象
当图表配置了多个Y轴时,Glyphs的显示行为出现异常。具体表现为:当一个Glyph被绘制在第二个Y轴上(例如Y轴2的范围是[250,-750]),如果用户平移图表使得主Y轴(Y轴1)不再显示Glyph所在Y值范围(例如Y轴1不再显示负值区域),即使该Glyph在Y轴2的范围内仍然可见,它也会从视图中消失。
技术分析
问题的根源在于Bokeh的Patches Glyph实现中。在渲染过程中,系统会执行一个称为"culling"的优化操作,即不渲染那些完全位于视图区域之外的图形元素以提高性能。然而当前的实现存在两个关键缺陷:
-
默认情况下,
PatchesGlyph仅使用主坐标轴范围(x_range和y_range)来判断是否需要culling,而忽略了用户可能为Glyph配置的其他坐标轴(通过x_range_name和y_range_name参数指定) -
在判断是否应该cull时,没有正确考虑复合坐标系统(composite coordinate systems)的情况
解决方案
正确的实现方式应该是:
- 通过
renderer.coordinates属性获取Glyph实际使用的坐标系统 - 使用
x_source和y_source来确定正确的坐标范围,这已经考虑了复合坐标系统的情况 - 基于这些正确的坐标范围执行culling操作
这种改进确保了Glyphs的显示行为会严格遵循用户为它们配置的坐标轴范围,而不是简单地依赖主坐标轴的范围判断。
影响范围
这个问题主要影响以下情况:
- 使用多个Y轴或X轴的图表
- 使用
Patches等会执行culling操作的Glyph类型 - 用户执行平移、缩放等交互操作时
值得注意的是,并非所有Glyph类型都会执行culling操作,因此这个问题的影响范围是有限的。
修复状态
根据讨论,这个问题已经在Bokeh的代码库中得到确认,并且解决方案已经明确。修复将确保Glyphs正确地使用用户配置的坐标范围来决定它们的显示行为,从而提供更准确和符合预期的可视化效果。
对于开发者来说,理解这个问题有助于:
- 正确配置多坐标轴图表
- 诊断类似的Glyph显示问题
- 在需要时实现自定义的Glyph渲染行为
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00