如何用Plotly高效可视化随时间变化的3D向量？

我正在Jupyter中尝试可视化随时间变化的3D向量，希望通过滑块等控件作为时间选择器。以下是示例数据集：

import pandas as pd
import numpy as np
import math

num_steps = 10
time_range = list(index / (num_steps - 1) for index in range(0, num_steps))
df = pd.DataFrame(
    index=time_range,
    data={
        "gravity": [np.array((t, 0.0, math.sqrt(1 - t**2))) for t in time_range],
    }
)

我参考Plotly滑块文档实现了如下代码：

import plotly.graph_objects as go
from plotly.offline import init_notebook_mode

init_notebook_mode(connected=True)

fig = go.Figure()

for index, row in df.iterrows():
    gravity = row["gravity"]
    fig.add_trace(
        go.Scatter3d(
            x=[0.0, gravity[0]],
            y=[0.0, gravity[1]],
            z=[0.0, gravity[2]],
            mode='lines',
            visible=False,
        )
    )

fig.data[0].visible = True

steps = []
for i in range(len(fig.data)):
    step = dict(
        method="update",
        args=[
            {"visible": [False] * len(fig.data)},
            {"title": "Slider switched to step: " + str(i)},
        ],
    )
    step["args"][0]["visible"][i] = True
    steps.append(step)

sliders = [dict(
    active=0,
    currentvalue={"prefix": "Time: "},
    pad={"t": 50},
    steps=steps
)]

fig.update_layout(
    sliders=sliders,
    scene = dict(
        xaxis = dict(nticks=4, range=[-2,2],),
        yaxis = dict(nticks=4, range=[-2,2],),
        zaxis = dict(nticks=4, range=[-2,2],),
        aspectmode='manual',
        aspectratio=dict(x=1, y=1, z=1),
    ),
)

fig.show()

该方案已解决首次移动滑块前所有轨迹同时渲染的问题，但当增大num_steps（例如设为1000）时，界面会变得非常卡顿。请问是否有更轻量化的Plotly实现方式？若没有，Jupyter环境下还有哪些适用的替代库？

一、Plotly轻量化优化方案 #

卡顿根源是创建了与时间步数量一致的Scatter3d trace，每个trace都有独立的渲染开销，当num_steps=1000时，浏览器需要承载1000个图形对象，性能必然下降。

优化思路：只用单个Scatter3d trace，通过滑块直接更新该trace的x/y/z数据，而非切换多个trace的可见性。

优化后代码：

import plotly.graph_objects as go
from plotly.offline import init_notebook_mode

init_notebook_mode(connected=True)

# 初始化单个trace，使用第一个时间步的数据
initial_gravity = df.iloc[0]["gravity"]
fig = go.Figure(data=[go.Scatter3d(
    x=[0.0, initial_gravity[0]],
    y=[0.0, initial_gravity[1]],
    z=[0.0, initial_gravity[2]],
    mode='lines'
)])

# 生成滑块步骤：更新单个trace的数据
steps = []
for i in range(len(df)):
    gravity = df.iloc[i]["gravity"]
    step = dict(
        method="update",
        args=[
            # 更新trace的x/y/z数据
            {"x": [[0.0, gravity[0]]], "y": [[0.0, gravity[1]]], "z": [[0.0, gravity[2]]]},
            {"title": f"Time: {df.index[i]:.2f}"}
        ]
    )
    steps.append(step)

sliders = [dict(
    active=0,
    currentvalue={"prefix": "Time: "},
    pad={"t": 50},
    steps=steps
)]

fig.update_layout(
    sliders=sliders,
    scene = dict(
        xaxis = dict(nticks=4, range=[-2,2],),
        yaxis = dict(nticks=4, range=[-2,2],),
        zaxis = dict(nticks=4, range=[-2,2],),
        aspectmode='manual',
        aspectratio=dict(x=1, y=1, z=1),
    ),
)

fig.show()

这种方式始终只维护一个3D线条对象，无论num_steps多大，渲染开销都保持最低，能大幅提升交互流畅度。

二、Jupyter环境下的替代库 #

1. ipywidgets + Matplotlib #

结合ipywidgets的滑块控件和Matplotlib的3D绘图，适合轻量到中等规模的时间序列3D可视化，性能稳定。

示例代码：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import ipywidgets as widgets
from IPython.display import display

# 准备数据
num_steps = 1000
time_range = np.linspace(0, 1, num_steps)
gravity_data = np.array([(t, 0.0, np.sqrt(1 - t**2)) for t in time_range])

# 创建3D绘图
fig = plt.figure(figsize=(8,6))
ax = fig.add_subplot(111, projection='3d')
ax.set_xlim(-2, 2)
ax.set_ylim(-2, 2)
ax.set_zlim(-2, 2)
ax.set_aspect('equal')

# 初始化线条
line, = ax.plot([0, gravity_data[0,0]], [0, gravity_data[0,1]], [0, gravity_data[0,2]], color='blue')

# 定义滑块更新函数
def update_plot(time_idx):
    vec = gravity_data[time_idx]
    line.set_data([0, vec[0]], [0, vec[1]])
    line.set_3d_properties([0, vec[2]])
    fig.canvas.draw_idle()

# 创建滑块
slider = widgets.IntSlider(min=0, max=num_steps-1, value=0, description='Time Step:')
widgets.interact(update_plot, time_idx=slider)

plt.show()

2. PyVista #

基于VTK的3D可视化库，专为大规模3D数据设计，交互流畅，支持丰富的3D对象操作，适合专业级可视化需求。

示例代码：

import pyvista as pv
import numpy as np
import ipywidgets as widgets

# 准备数据
num_steps = 1000
time_range = np.linspace(0, 1, num_steps)
gravity_data = np.array([(t, 0.0, np.sqrt(1 - t**2)) for t in time_range])

# 创建绘图场景
plotter = pv.Plotter(notebook=True)
plotter.set_background('white')
plotter.set_scale(xscale=1, yscale=1, zscale=1)
plotter.add_axes()

# 创建向量线条（初始状态）
start_point = np.array([0,0,0])
line = plotter.add_lines(np.vstack([start_point, gravity_data[0]]), color='blue', width=2)

# 更新函数
def update(time_idx):
    line.points = np.vstack([start_point, gravity_data[time_idx]])
    plotter.render()

# 添加滑块
slider = widgets.IntSlider(min=0, max=num_steps-1, value=0, description='Time Step:')
widgets.interact(update, time_idx=slider)

plotter.show()

3. Mayavi #

老牌专业3D可视化库，性能优异，支持复杂3D场景的交互式渲染，适合科学计算领域的可视化需求。

内容的提问来源于stack exchange，提问作者ollik1