Reflex XY: визуализация данных на Python в одном вызове вместо цепочки библиотек

Библиотека XY работает поверх привычного стека: NumPy, Pandas, Google Colab. Она заменяет цепочку из нескольких инструментов одним декларативным синтаксисом, где в одном вызове xy.chart() сочетаются линии, разброс, полосы ошибок, аннотации, легенды, темы и интерактивные элементы. Ниже разбираем, как собрать такой график с нуля.

Что понадобится?

• Python 3.8+ и менеджер пакетов pip
• Google Colab (или локальный Jupyter Notebook с поддержкой виджетов)
• Библиотеки NumPy и Pandas (ставятся автоматически как зависимости)
• Библиотека xy (устанавливается одной командой)
• Около 40 минут на прохождение всех шагов

Пошаговая инструкция

1. Установите библиотеку и включите виджеты

Откройте Google Colab и выполните в первой ячейке:

import subprocess, sys
subprocess.run([sys.executable, "-m", "pip", "install", "-q", "xy"], check=True)

from google.colab import output as _colab_output
_colab_output.enable_custom_widget_manager()

import numpy as np
import pandas as pd
import xy
print("xy", xy.__version__)

Если вы работаете не в Colab, а в локальном Jupyter, строку с enable_custom_widget_manager() можно пропустить. Графики в этом случае отобразятся через встроенный HTML-фоллбэк (запасной способ отрисовки).

2. Создайте функцию рендеринга

Она пригодится на каждом шаге: показывает живой виджет, а если виджет недоступен, рендерит HTML:

from IPython.display import display, HTML

def render(chart, note=""):
    if note:
        display(HTML(f"<h3>{note}</h3>"))
    try:
        display(chart)
    except Exception:
        display(HTML(chart.to_html()))
    return chart

3. Подготовьте синтетические данные

Генерируем 180 дней выручки с трендом, шумом и конверсией:

rng = np.random.default_rng(7)
days = np.arange(180)
trend = 200 + 0.9 * days + 18 * np.sin(days / 9.0)
revenue = trend + rng.normal(0, 12, days.size)
conv = 0.06 + 0.02 * np.sin(days / 21.0) + rng.normal(0, 0.003, days.size)
sigma = 10 + 6 * np.abs(np.sin(days / 15.0))

4. Соберите многослойный график с двумя осями

Ключевой шаг: один вызов xy.chart() принимает все слои, оси, аннотации, легенды и тему:

peak = int(np.argmax(revenue))

layered = xy.chart(
    xy.error_band(days, revenue - 1.96 * sigma,
                  revenue + 1.96 * sigma,
                  name="95% band", color="#7c3aed", opacity=0.16),
    xy.line(days, revenue, name="Revenue",
            color="#7c3aed", width=2.5, curve="smooth"),
    xy.scatter(days[::12], revenue[::12],
               name="Weekly check", color="#7c3aed",
               size=7, stroke="#ffffff", stroke_width=1.5),
    xy.line(days, conv, name="Conversion",
            color="#f59e0b", width=2,
            dash="dashed", y_axis="y2"),
    xy.x_axis(label="Day", grid=True),
    xy.y_axis(label="Revenue (k)", grid=True, format=",.0f"),
    xy.y_axis(id="y2", label="Conversion",
              side="right", grid=False, format=".1%"),
    xy.x_band(120, 150, text="Campaign",
              color="#22c55e", opacity=0.10),
    xy.hline(float(revenue.mean()), text="mean",
             color="#94a3b8"),
    xy.callout(float(days[peak]), float(revenue[peak]),
               "peak", dx=-60, dy=-40),
    xy.legend(loc="upper left", ncols=2, toggle=True),
    xy.tooltip(title="Day", format={"y": ",.1f"}),
    xy.theme(palette=["#7c3aed", "#f59e0b"],
             grid_color="#e6e6ef"),
    title="Layered composition",
    width=900, height=440, crosshair=True,
)
render(layered)

Здесь error_band рисует 95%-й доверительный интервал (полосу вокруг линии, которая показывает вероятный разброс), y_axis(id="y2") добавляет вторую вертикальную ось справа, а callout ставит выноску на пиковое значение.

5. Подключите DataFrame и постройте фасеты

Визуализация данных из Pandas-таблицы работает по именам столбцов:

n = 4000
df = pd.DataFrame({
    "x": rng.normal(0, 1, n),
    "noise": rng.normal(0, 1, n),
    "region": rng.choice(
        ["North", "South", "East", "West"], n),
})
df["y"] = 2.1 * df["x"] + df["noise"] * 0.9
df["mag"] = np.abs(df["y"])

render(xy.facet_chart(
    xy.scatter("x", "y", color="#0ea5e9",
               size=4, opacity=0.6),
    by="region", data=df, cols=2,
    share_x=True, share_y=True,
    link=True, link_select=True,
    width=760, height=220, gap=12,
    title="Faceted by region",
))

Параметр link=True синхронизирует зум и панорамирование между всеми четырьмя панелями фасетов (подграфиков, разбитых по категории «регион»).

6. Визуализируйте полтора миллиона точек

XY автоматически переключается на плотностной рендеринг (density rendering), когда точек слишком много для поточечной отрисовки:

N = 1_500_000
r = 6.0 * rng.beta(1.2, 3.0, N)
theta = (2.9 * np.log1p(r)
         + rng.integers(0, 4, N) * (np.pi / 2)
         + rng.normal(0, 0.05, N))

big = xy.scatter_chart(
    xy.scatter(r * np.cos(theta), r * np.sin(theta),
               color=np.exp(-r / 2.2),
               colormap="magma_r",
               density=True, size=2.5, opacity=0.85,
               zoom_size_factor=2.6,
               zoom_opacity=0.95),
    xy.colorbar(title="density"),
    title=f"{N:,} points",
    width=760, height=520,
    zoom=True, pan=True, wheel_zoom=True,
)
render(big)

После рендеринга вызов big.memory_report() покажет, сколько байт отправлено на первую отрисовку и какой бэкенд (вычислительный движок) использован.

7. Свяжите выделение на графике с Python-кодом

Пользователь выделяет область мышью, а данные из этой области попадают обратно в Python через колбэк (callback, функция обратного вызова):

def on_select(selection):
    xs, ys = selection.xy(0)
    print(f"Выделено {len(selection):,} точек, "
          f"среднее y = {ys.mean():.3f}")

render(xy.scatter_chart(
    xy.scatter("x", "y", color="#ef4444",
               size=5, opacity=0.7),
    data=df, select=True,
    on_select=on_select,
    title="Shift-drag → данные в Python",
    width=760, height=380,
))

Зажмите Shift и растяните прямоугольник на графике: в консоли появится количество попавших в выделение точек и среднее значение.

Что делать с этим прямо сейчас?

Аналитику и дата-сайентисту. Замените цепочку Matplotlib плюс Plotly плюс Bokeh одним xy.chart(). Визуализация данных в полтора миллиона точек с плотностным рендерингом закрывает задачи, для которых раньше нужен был Datashader или серверный пре-агрегатор.

Автору Дзена. Экспорт в HTML, SVG и PNG (через встроенные методы библиотеки) позволяет вставлять интерактивные графики в статьи. Визуализация данных о трафике или доходности канала в одном графике с двумя осями выглядит убедительнее скриншотов из таблиц.

Маркетологу. Колбэки и выделение областей на графике дают живые дашборды для презентаций: клиент сам выделяет период кампании и видит метрики в реальном времени, без переключения между вкладками.

В России библиотека ставится через pip без ограничений. Из ближайших по задачам инструментов, доступных на русском рынке, можно назвать Plotly (для более простых графиков) и Streamlit (для дашбордов), но композиционная модель XY, где все слои объявляются в одном вызове, у них прямого аналога не имеет.

Освоение XY занимает один вечер, а результат, интерактивный график с колбэками в Python, можно показывать клиенту или встраивать в статью уже на следующее утро.