Apache ECharts 中多堆叠名称功能的深度解析
背景介绍
Apache ECharts 作为一款强大的数据可视化库,在图表堆叠功能方面一直有着广泛的应用。当前版本中,通过 series-line.stack 和 series-bar.stack 属性可以实现数据系列的堆叠展示,其中 stack 属性接受字符串值,相同 stack 名称的系列会被堆叠在一起。
现有堆叠机制的局限性
现有堆叠机制存在一个明显的限制:当需要多个系列基于同一个基准系列进行堆叠,但这些系列之间又不需要相互堆叠时,当前的单一堆叠名称机制无法满足需求。
举例来说,假设有三个数据系列 A、B 和 C:
- 希望 B 堆叠在 A 上
- 同时 C 也堆叠在 A 上
- 但不希望 B 和 C 之间相互堆叠
当前的单一堆叠名称机制无法实现这种灵活的堆叠关系,因为一旦将三个系列都设置为相同的堆叠名称,它们就会全部堆叠在一起。
技术实现方案探讨
现有解决方案的不足
目前开发者常用的解决方案是复制基准系列(如上述例子中的系列 A),然后分别与其他系列进行堆叠。这种方法虽然能达到视觉效果,但存在以下问题:
- 工具提示中会显示重复的基准系列数据
- 数据处理逻辑变得复杂
- 可能引发其他副作用,如系列交互时的数据一致性问题
提出的改进方案
新的 API 设计建议允许 stack 属性不仅接受字符串,还可以接受字符串数组。这种设计可以实现更灵活的堆叠关系:
seriesA.stack = ["ab", "ac"] // A 同时属于 ab 和 ac 两个堆叠组
seriesB.stack = "ab" // B 堆叠在 A 上(通过 ab 组)
seriesC.stack = "ac" // C 堆叠在 A 上(通过 ac 组)
这种设计保持了向后兼容性(仍然支持字符串值),同时提供了更强大的堆叠控制能力。
实际应用案例分析
在光伏发电系统监控场景中,这种多堆叠名称功能特别有用。例如需要展示:
- 光伏发电量(produced)
- 电池充电量(charged)
- 直接消耗电量(directlyConsumed)
- 总消耗量(consumed)
- 电池放电量(discharged)
理想的可视化效果是:
- charged 和 directlyConsumed 堆叠在 produced 上
- discharged 和 directlyConsumed 堆叠在 consumed 上
- 但 charged 和 discharged 不相互堆叠
当前的单一堆叠名称机制无法实现这种精确的堆叠关系,而多堆叠名称功能可以完美解决这个问题。
技术实现考量
实现多堆叠名称功能需要考虑以下技术细节:
- 堆叠计算逻辑:需要重新设计堆叠值的计算算法,处理一个系列属于多个堆叠组的情况
- 交互一致性:确保在缩放、提示框等交互场景下,数据的展示保持一致
- 性能优化:避免因复杂的堆叠关系导致性能下降
- API 设计:保持 API 的简洁性和一致性,便于开发者理解和使用
总结与展望
多堆叠名称功能将为 Apache ECharts 带来更强大的数据可视化能力,特别是在需要复杂堆叠关系的业务场景中。这一改进不仅解决了现有机制的局限性,还为更丰富的数据展示方式打开了大门。
对于开发者而言,这一功能将减少为实现特定堆叠效果而不得不采用的各种变通方案,使代码更加简洁、可维护性更高。期待在未来的 ECharts 版本中看到这一功能的实现,为数据可视化带来更多可能性。
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