Python Choroplethmapbox渲染速度慢吗？

在过去的几天里，我第一次使用Plotly和Dash，希望为地理NetCDF4数据开发一个基于浏览器的数据浏览器。到目前为止，这一点给我留下了深刻的印象，但是我发现与

choroplethmappbox

的一些交互更新和渲染所花的时间比预期的要长。我相信这可能是讨论过的同一个问题

以下是可用的代码和示例数据，其中可以使用以下命令运行Dash应用程序： python choropleth.py（python 3.7）

我的数据来源于一个4D NetCDF4文件（在本例中是一个海洋温度的模型-temp.nc），其尺寸为时间、深度、纬度和经度。在我的例子中，我只绘制一个二维叶绿素贴图，但我希望用户以交互方式选择所需的时间间隔（以及最终的深度）（渲染将始终在二维空间中）

使用中的示例，我使用二维网格单元的GeoJSON文件和熊猫数据帧来渲染海洋温度。一切正常，但滑块值（时间）的任何更改都需要很长时间才能更新（在我的机器上约为6秒）。似乎在选择滑块值和运行

update\u figure（）

回调之间还有一秒左右的时间，然后在浏览器中开始新渲染之前还有4-5秒

update\u figure（）

回调直接从NetCDF4文件读取请求的数据，然后直接更新现有图形字典中的Z值，并将其作为新图形返回（请参见下面的代码片段）。起初，我担心响应时间慢是由于从NetCDF4读取数据造成的，但是一个基本的定时函数显示，在大多数情况下，

update\u figure（）

回调在不到0.01秒的时间内运行。因此，延迟似乎要么来自

@app.callback

，要么来自Dash中的渲染函数（post

update_figure（）

）

我怀疑缓慢的渲染时间与每个单元多边形的GeoJSON有关（总共渲染47k网格单元多边形，每个多边形由6个点定义（即总共284k点）），不幸的是，这无法进一步简化

我正在寻求有关如何在用户与应用程序交互时加快更新/渲染速度的建议。我的两个想法包括：

如果可能，使用WebGL？从文档中我不清楚

choroplethmappbox

是否已经使用WebGL？如果没有，是否有一种途径可以利用它来加快渲染速度

实现某种形式的客户端回调，尽管我不知道这是否可行，因为我需要在用户请求时直接从NetCDF文件中读取值？也许可以读取/返回新的Z值，然后在客户端将其与现有的GeoJSON合并

---

感谢您的建议。

这似乎很有趣-您是否尝试过询问Dash论坛或在GitHub上打开门票？我想知道它是否会在那里得到更多的关注。这看起来很有趣-你有没有试过问Dash论坛或者在GitHub上开一张票？我想知道它是否会在那里得到更多的关注。

# Create the callback and callback function (update_figure)
@app.callback(Output('plot', 'figure'),
              [Input('slide', 'value')],
              [State('plot','relayoutData'),State('plot', 'figure')])
def update_figure(x,r,f):
    t0 = tme.time()
    f['layout']['mapbox']['center']['lat'] = f['layout']['mapbox']['center']['lat']
    f['layout']['mapbox']['center']['lon'] = f['layout']['mapbox']['center']['lon']
    f['layout']['mapbox']['zoom'] = f['layout']['mapbox']['zoom']

    # If the map window has been panned or zoomed, grab those values for the new figure
    if r is not None:
        if 'mapbox.center' in r:
            f['layout']['mapbox']['center']['lat'] = r['mapbox.center']['lat']
            f['layout']['mapbox']['center']['lon'] = r['mapbox.center']['lon']
            f['layout']['mapbox']['zoom'] = r['mapbox.zoom']

    # Extract the new time values from the NetCDF file
    tmp = nc['temp'][x, -1, :, :].values.flatten()
    # Repace the Z values in the original figure with the updated values, leave everything else (e.g. cell geojson and max/min ranges) as-is
    f['data'][0]['z'] = np.where(np.isnan(tmp), None, tmp).tolist()
    print("update_figure() time: ",tme.time()-t0)
    return f