基于缩放域动态缩减时序数据集优化交互绘图性能的可行性问询

我有一个大型时序数据集，缩小视图缩放时交互式绘图会卡顿。想问问有没有开发者试过基于缩放级别动态缩减数据集规模？比如采用sampling transform，仅对可见数据进行采样，当超过特定域大小后禁用该变换，这种方案可行吗？

我的数据生成代码如下：

import datetime
import random
import json

dt2 = datetime.datetime.now()
ydt = datetime.timedelta(days=365)
dt1 = dt2 - ydt
dt1 = dt1.timestamp()
dt2 = dt2.timestamp()
times = [random.uniform(dt1, dt2) for i in range(10**5)]
times.sort()
values = []
for t in times:
    d = {}
    t = datetime.datetime.fromtimestamp(t)
    t = t.isoformat(" ", timespec="seconds")
    v = random.uniform(0, 1000)
    c = random.randint(0,1)
    d["time"] = t
    d["data"] = v
    d["category"] = c
    values.append(d)

with open("./test.json", "wt") as f:
    json.dump(values[:10**4], f)

我在Vega Editor中已实现部分效果（为适配需求裁剪了数据）。

这种基于缩放级别动态采样的方案完全可行，而且是解决大型时序数据可视化卡顿的常用优化手段，已有大量开发者和可视化库实践过：

1. 方案合理性

   • 当视图缩放程度低（显示大范围数据）时，大量数据点会重叠，既影响视觉清晰度又拖慢渲染速度，此时对可见区域数据采样能大幅降低渲染压力，同时保留数据整体趋势；
   • 当缩放程度高（聚焦小范围数据），数据点不再重叠，禁用采样可保证数据细节完整，完全匹配可视化的需求平衡。

2. Vega-Lite中的落地方式
   在你使用的Vega-Lite中，可以这样实现：

   • 通过selection定义缩放交互，捕获当前可见的时间域范围；
   • 结合transform中的sample或自定义聚合逻辑，根据当前缩放的域大小动态调整采样策略：
     • 计算时间域的跨度，当跨度超过设定阈值时应用采样，否则跳过；
     • 也可用bin+aggregate的方式，对可见时间区间做分箱聚合，替代单纯采样，更能保留数据的统计特征。

3. 关键注意点

   • 采样逻辑要保证可见区域内的数据分布具有代表性，避免因采样丢失关键趋势；
   • 动态切换采样状态时需做好过渡处理，避免视图突变；
   • 若数据量达到千万级以上，可考虑前端采样前先通过后端做预聚合分层，不同缩放级别对应不同粒度的预聚合数据，进一步提升性能。

内容的提问来源于stack exchange，提问作者user19087