9.1 渲染性能优化

9.1 渲染性能优化

Seaborn 的性能瓶颈分三类：统计口径税（bootstrap 重采样）、渲染税（逐点绘制矢量元素）、重复初始化税（循环里反复建画布）。定位实验先行，调优才有方向。

第 7.2 节从数据量角度给过减负策略，本节换一个轴：同样的数据，不同用法之间的耗时差可以达到两个数量级。先做定位实验，再对症下药。

定位实验：三税各缴多少

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import time

rng = np.random.default_rng(9)
df = pd.DataFrame({
    'group': rng.choice(list('ABCD'), 200_000),
    'value': rng.normal(0, 1, 200_000),
})

def timed(label, fn):
    t0 = time.perf_counter()
    fn()
    plt.close('all')
    print(f'{label}: {time.perf_counter() - t0:.2f} 秒')

# 税一：bootstrap 置信区间
timed('pointplot 默认 ci', lambda: sns.pointplot(data=df, x='group', y='value'))
# 输出示例：pointplot 默认 ci: 4.1 秒
timed('pointplot sd 口径', lambda: sns.pointplot(
    data=df, x='group', y='value', errorbar='sd'))
# 输出示例：pointplot sd 口径: 0.3 秒 —— 十倍以上的差全部来自统计口径
​

# 税二：逐点渲染（20 万散点）
timed('散点 20 万', lambda: sns.scatterplot(
    data=df, x='value', y='value'.replace('value', 'value') if False else df['value'],
    alpha=0.05, s=4))
# 输出示例：散点 20 万: 1.8 秒 —— 矢量点在输出 PDF/SVG 时还会再膨胀
timed('二维直方图 20 万', lambda: sns.histplot(
    data=df, x='value', y='value', bins=80))
# 输出示例：二维直方图 20 万: 0.2 秒 —— 分箱计数绕开逐点渲染
​

五条速效调优

# 一：大样本换误差口径（已验证，最快见效）
sns.pointplot(data=df, x='group', y='value', errorbar='sd', n_boot=100)

# 二：栅格化——渲染时把散点图层栅格化，矢量输出不随点数膨胀
ax = sns.scatterplot(data=df, x='value', y='value', s=4, alpha=0.05)
ax.set_rasterized(True)   # 仅影响输出文件体积与导出速度，屏幕显示不变

# 三：复用 Figure——循环出图时别每张都走 pyplot 全新初始化
fig, ax = plt.subplots(figsize=(5, 4))
for name, grp in df.groupby('group'):
    ax.clear()                       # 清空重画，画布与内存复用
    sns.histplot(data=grp, x='value', ax=ax)
    ax.set_title(f'组 {name}')
    fig.savefig(f'group_{name}.png', dpi=120)

# 四：dtypes 减负——object 转 category 后分组映射更快
df['group'] = df['group'].astype('category')

# 五：数据前置过滤——不画的行不进绘图函数
subset = df[df['group'] == 'A']
​

第五条看似废话，却是最常被忽略的一条：许多"慢"的调用其实在为图上根本看不到的离群区间计算刻度。set_xlim 之前的过滤比之后的裁剪便宜。

什么时候放弃调优、直接预聚合

# 判断标准：绘图函数收到的行数是否远超图形元素数
summary = df.groupby('group', observed=True)['value'].agg(
    median='median', q25=lambda s: s.quantile(0.25),
    q75=lambda s: s.quantile(0.75)).reset_index()
# 预聚合后数据只剩 4 行，直接画分位区间带：
fig, ax = plt.subplots()
ax.fill_between(summary['group'].astype(str), summary['q25'], summary['q75'], alpha=0.3)
ax.plot(summary['group'].astype(str), summary['median'], marker='o', color='#b03a2e')
ax.set_xlabel('组')
ax.set_ylabel('取值')
# 输出说明：20 万行压成 4 行后，任何"性能问题"都不复存在
​

规则化：当图形元素数（柱、点、线段）远小于行数三个数量级以上时，预聚合几乎总是正确答案；当两者接近（散点图本来就是每行一个点）时，调优空间在渲染层（栅格化、抽样）。

案例：仪表盘后端出图提速

背景：一个每日批量生成 60 张分面图的报表任务，单轮 4 分多钟，被运维催。

操作：按三税逐项排查——profile 发现 70% 时间耗在 12 张带置信带的折线图上（bootstrap 税），20% 耗在 30 张万点散点（渲染税），10% 是循环内重复初始化。对应下药：误差口径换 sd、散点层 rasterized、循环改 fig 复用。

结果解读：单轮耗时降到 40 秒。这个比例（口径税占大头）在业务数据（分组多、行数大）里非常典型——遇到慢先查统计口径，再查渲染，顺序反了容易白忙。变式：若该报表必须保留置信区间（合规要求），bootstrap 换成解析公式（正态近似）或 n_boot=200 加随机种子固定，把税降到可控。

⚠️ 常见坑：plt.close('all') 不写进循环，内存里的画布会越积越多，长任务后期慢得像泄漏——这不是 Seaborn 的问题，是 pyplot 的全局状态机制。

💡 关键直觉：先测量再优化。三税的占比在不同任务里天差地别，凭感觉调优有五成概率在优化不占大头的那一段。

本节要点回顾

• 三税框架：口径税、渲染税、初始化税，定位实验先行；
• 大样本换口径：errorbar 加 n_boot 是最快的单点优化；
• rasterized 省输出：矢量导出场景的隐藏开关；
• fig 复用防泄漏：循环出图的标准姿势是 clear 加 savefig；
• 预聚合的判断线：元素数与行数差三个数量级就该聚合。