所以，我正在调查mpld3以获得一些更大的数据集（磁盘上约700MB），我可以使用square/crossfilter加载。有趣的是能够做类似的事情：
import matplotlib.pyplot as pl
import numpy as np
import mpld3
# data is a numpy recarray of city information, for example
fig, ax = pl.subplots(1,3)
n, bins, patches = ax[0].hist(data['population'], bins=10)
counts, edges_x, edges_y, im = ax[1].hist2d(data['land_area'], data['wealth'], bins=10)
points = ax[2].scatter(data['latitude'], data['longitude'])
然后能够在生成的直方图上进行拖动/滑动选择，以动态地改变其他两个图，只绘制通过选择的点。我的猜测是因为每个＆＃34; city＆＃34;之间没有联系。在这些情节中，这个问题可能太多了，而且完全使用d3会更容易吗？
答案 0 :(得分：0)
我们传统上一直在指导人们远离mpld3来处理大型数据集，例如来自FAQ：
mpld3适用于大型数据集吗？
简短回答：不是真的。与matplolib本身一样，Mpld3专为中小规模的可视化而设计，这不太可能改变。原因是mpld3建立在HTML的SVG的基础之上，它不是特别适合大型数据集。具有超过几千个元素的图形对交互式特征的响应会明显变慢。
但是，crossfilter可能是让mpld3能够很好地处理大数据的一般方法，如果你让它工作，请分享！