Vizro项目0.1.34版本发布:图表优化与KPI增强
Vizro是一个由McKinsey开源的Python数据可视化框架,旨在帮助数据分析师和开发者快速构建交互式仪表盘。该项目基于Plotly和Dash构建,提供了声明式的API设计,使得创建复杂的可视化界面变得更加简单高效。
本次发布的0.1.34版本带来了一系列改进和优化,主要集中在图表显示效果和关键绩效指标(KPI)展示方面。下面我们将详细介绍这些更新内容。
图表显示优化
新版本对图表显示效果进行了两项重要改进:
-
移除Graph组件中的PNG导出按钮:开发团队移除了图表模式栏中的PNG导出功能,这一调整使得界面更加简洁,减少了不必要的操作干扰。对于需要导出图表的用户,可以考虑使用其他方式如截图工具或编程方式导出。
-
透明背景支持:现在当图表在仪表板中使用时,会自动采用透明背景。这一改进使得图表能够更好地融入仪表板的整体设计风格,避免了白色背景与其他主题颜色不协调的问题,提升了整体的视觉一致性。
KPI卡片增强功能
在关键绩效指标展示方面,新版本为kpi_card_reference组件新增了reverse_color参数。这个功能特别实用:
- 当
reverse_color设置为True时,系统会根据数值变化方向自动反转颜色显示。例如,负增长通常会显示为红色,正增长显示为绿色,但在某些业务场景下,用户可能希望反色显示(如成本指标,希望减少显示为绿色)。这个参数让这种需求可以轻松实现。
技术兼容性改进
本次更新还包含了对Kedro集成的优化:
-
数据集工厂支持:
datasets_from_catalog函数现在能够正确处理Kedro 0.19.9及以上版本中的数据集工厂模式。这使得Vizro能够更好地与Kedro的数据管道集成,特别是在处理动态生成的数据集时更加稳定可靠。 -
依赖版本调整:为了保持与最新Kedro功能的兼容性,项目将Kedro的最低版本要求提升到了0.19.0。使用较旧版本Kedro的用户需要注意升级环境。
问题修复
新版本修复了一个类型系统相关的问题:
- 修正了
add_type方法在重复添加相同类型时会报错的问题。现在该方法能够正确处理类型重复添加的情况,提高了框架的健壮性。
总结
Vizro 0.1.34版本虽然是一个小版本更新,但在图表展示效果和KPI功能方面都带来了实用的改进。透明背景的支持让仪表板设计更加灵活,KPI卡片的颜色反转功能则增强了业务场景的适用性。同时,与Kedro集成的优化也体现了该项目对数据工程工作流的良好支持。
对于现有用户,建议关注Kedro依赖版本的变化,及时更新环境配置。新功能如reverse_color参数可以立即在项目中尝试使用,以提升仪表板的表达能力。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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