cuxfilter 完整实践指南用 RAPIDS 构建 GPU 加速的交互式交叉筛选仪表盘【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills导读cuxfilter 是 NVIDIA RAPIDS 生态中面向 GPU 加速交叉筛选仪表盘的专用库它让开发者只需几行 Python 代码就能在 Jupyter Notebook 中构建支持多图表联动的交互式探索性数据分析仪表盘——所有过滤、分组、聚合运算全部在 GPU 上通过 cuDF 完成浏览器端只接收渲染结果。本文以 cuxfilter 参考文档 为主体结合 optimize-for-gpu 技能 的决策框架、安装指引与代码转换模式完整讲解 cuxfilter 的安装环境、数据加载、图表与控件体系、仪表盘构建、布局主题、图可视化、多 GPU 扩展及性能调优并明确其已停更sunset的项目状态与替代方案帮助你既能维护存量 26.06 应用也能为新建项目做出正确的技术选型。项目状态务必先读cuxfilter 已经日落sunsetv26.06 是最终版本后续 RAPIDS 发行不再发布任何包。下文所有功能在 26.06 包上仍然可用但对于新项目RAPIDS 官方建议直接用受维护的库自行组合仪表盘cuDFGPU 数据加载/聚合HoloViews / hvPlot / Datashader联动交叉筛选可视化并用Panel、Plotly Dash、Streamlit 或 Bokeh 提供服务。详见 决策框架文档 与 安装文档。一、cuxfilter 的定位与核心概念cuxfilter 位于 RAPIDS 生态的可视化层上游由 cuDF数据层、cuGraph图分析、cuML机器学习提供计算能力下游整合 Bokeh、Datashader、Deck.gl 与 Panel 完成渲染与交互。它最大的特点是数据永不离开 GPU——每次筛选、groupby、聚合都在 GPU 上执行仅把紧凑的绘图结果送往浏览器因此能支撑数百万行数据的实时联动探索。cuxfilter 由五个核心模块构成模块职责cuxfilter.DataFrame包装 cuDF / dask_cudf DataFrame是创建仪表盘的入口cuxfilter.DashBoard交互式仪表盘对象由 DataFrame 和图表组合生成cuxfilter.charts图表工厂函数bar、scatter、line、heatmap、choropleth、graph 及各种控件cuxfilter.layouts预设与自定义布局配置控制图表排布cuxfilter.themes视觉主题default、dark、rapids、rapids_dark标准工作流始终是加载数据 → 创建图表 → 构建仪表盘 → 展示。二、安装与环境要求cuxfilter 的安装遵循本仓库统一约定的uv add方式若用户项目已配置包管理器则跟随既有项目不要重写其工具链。注意 cuxfilter 依赖 cuDF因此安装时会自动拉取cudf-cu12或cudf-cu13# CUDA 12.x uv add --extra-index-urlhttps://pypi.nvidia.com cuxfilter-cu1226.6.* # CUDA 13.x uv add --extra-index-urlhttps://pypi.nvidia.com cuxfilter-cu1326.6.*两个命令安装的都是最终版 26.06 发行——之后不再有任何更新发布。cuxfilter 的 wheel 也直接存在于 PyPI 上因此 NVIDIA extra index 是可选项。RAPIDS 包统一要求 Python 3.11、Linux 或 WSL2 平台无原生 macOS/Windows且需要支持 CUDA 12.x 或 13.x 的 NVIDIA GPU详见 installation.md。安装完成后建议立即验证 GPU 环境与包版本import cuxfilter import cudf print(cuxfilter.__version__) # 应输出 26.06 版本号 df cudf.DataFrame({x: [1, 2, 3], y: [4, 5, 6]}) cux_df cuxfilter.DataFrame.from_dataframe(df) print(cux_df.data.head()) # 应打印 GPU dataframe环境前提cuxfilter 的 GPU 执行必须依赖 NVIDIA CUDA 显卡RAPIDS 26.06 的 wheel 仅支持 Linux/WSL2 与 CUDA 12/13且安装需要网络访问见 SKILL.md 兼容性声明。三、DataFrame加载数据cuxfilter.DataFrame是一切操作的起点它包装 cuDF 或 dask_cudf DataFrame。3.1 从 cuDF DataFrame最常见import cudf import cuxfilter cudf_df cudf.DataFrame({ x: [0, 1, 2, 3, 4], y: [10.0, 11.0, 12.0, 13.0, 14.0], category: [A, B, A, B, A] }) cux_df cuxfilter.DataFrame.from_dataframe(cudf_df)3.2 从磁盘上的 Arrow 文件cux_df cuxfilter.DataFrame.from_arrow(data/my_dataset.arrow)3.3 从图节点 边既可以先构造 cuGraph 图对象再加载也可以直接用 cuDF DataFrame 描述节点与边import cugraph edges cudf.DataFrame({source: [0, 1, 2], target: [1, 2, 3], weight: [1.0, 2.0, 3.0]}) G cugraph.Graph() G.from_cudf_edgelist(edges, sourcesource, destinationtarget, edge_attrweight) cux_df cuxfilter.DataFrame.load_graph((G.nodes(), G.edges()))# 或直接用 cuDF DataFrame nodes cudf.DataFrame({vertex: [0, 1, 2, 3], x: [0, 1, 2, 3], y: [4, 4, 2, 6], attr: [0, 1, 1, 1]}) edges cudf.DataFrame({source: [0, 1, 2], target: [1, 2, 3], weight: [1.0, 2.0, 3.0]}) cux_df cuxfilter.DataFrame.load_graph((nodes, edges))3.4 访问底层数据cux_df.data # cuDF DataFrame cux_df.data[new_col] cux_df.data[x] * 2 # 在创建仪表盘前新增派生列从源码结构看from_dataframe与load_graph是 DataFrame 层仅有的两个加载入口前者面向普通表数据后者面向图结构数据二者最终都维护一个data属性供图表读取。四、图表Charts所有图表工厂函数都通过cuxfilter.charts顶层简写访问——不需要直接导入cuxfilter.charts.bokeh或cuxfilter.charts.datashader这类子模块。4.1 柱状图Bokehchart cuxfilter.charts.bar( xcolumn_name, # 必填x 轴列 yNone, # 可选y 轴列默认统计计数 data_pointsNone, # 分箱数量None 唯一值个数 add_interactionTrue, # 启用交叉筛选交互 aggregate_fncount, # count 或 mean step_sizeNone, # 范围滑块的步长 title, # 图表标题 autoscalingTrue, # 数据更新时自动缩放 y 轴 )4.2 折线图Bokehchart cuxfilter.charts.line( xx_col, yy_col, data_points100, add_interactionTrue, )4.3 散点图Datashader——可处理百万级点chart cuxfilter.charts.scatter( xx_col, yy_col, aggregate_colNone, # 用于颜色聚合的列 aggregate_fncount, # count, mean, max, min color_paletteNone, # Bokeh 调色板或十六进制颜色列表 point_size15, pixel_shade_typeeq_hist, # eq_hist, linear, log, cbrt pixel_density0.5, # [0, 1]越大越密集 pixel_spreaddynspread, # dynspread 或 spread tile_providerNone, # 地图瓦片如 CartoLight 用于地理数据 title, unselected_alpha0.2, # 未选中点的透明度 )4.4 热力图Datashaderchart cuxfilter.charts.heatmap( xx_col, yy_col, aggregate_colvalue_col, aggregate_fnmean, # count, mean, max, min color_paletteNone, point_size10, point_shaperect_vertical, # circle, square, rect_vertical, rect_horizontal title, )4.5 堆叠折线Datashaderchart cuxfilter.charts.stacked_lines( xtime_col, y[series_a, series_b, series_c], # y 列列表 colors[red, green, blue], )4.6 等值区域图Deck.gl——2D 与 3D 地图chart cuxfilter.charts.choropleth( xzip_code, color_columnmetric_col, color_aggregate_fnmean, # count, mean, sum, min, max, std elevation_columnvalue_col, # 设置该参数即启用 3D省略则为 2D elevation_factor0.00001, elevation_aggregate_fnsum, geoJSONSourcehttps://url/to/geojson, geo_color_paletteNone, # 默认Inferno256 nan_color#d3d3d3, tooltipTrue, tooltip_include_cols[zip_code, metric_col], title, )4.7 图可视化Datashader——节点-边图chart cuxfilter.charts.datashader.graph( node_xx, # 默认 x node_yy, # 默认 y node_idvertex, # 默认 vertex edge_sourcesource, # 默认 source edge_targettarget, # 默认 target node_aggregate_colNone, node_color_paletteNone, edge_color_palette[#000000], node_point_size15, node_pixel_shade_typeeq_hist, edge_render_typedirect, # direct 或 curvedcurved 为实验性 edge_transparency0, # [0, 1] tile_providerNone, title, unselected_alpha0.2, )图表与数据规模匹配原则Bokeh 类图表bar、line适合小数据量Datashader 类图表scatter、heatmap通过服务端栅格化可高效处理 10K 到 1 亿行以上的数据。这一按数据量选图表的规则与 决策框架文档 中cuxfilter 最适合在数百万行数据上做交互式交叉筛选的定位完全一致。五、控件Widgets控件提供交互式过滤操作通常放在侧边栏。5.1 各类筛选控件widget cuxfilter.charts.range_slider(numeric_col, step_size1) # 数值范围 widget cuxfilter.charts.date_range_slider(datetime_col) # 日期范围 widget cuxfilter.charts.float_slider(float_col, step_size0.5) # 浮点滑块 widget cuxfilter.charts.int_slider(int_col, step_size1) # 整数滑块 widget cuxfilter.charts.drop_down(category_col) # 下拉框 widget cuxfilter.charts.multi_select(category_col) # 多选5.2 数值指示器KPIwidget cuxfilter.charts.number( expressioncolumn_name, # 或计算表达式如 (x y) / 2 aggregate_fnmean, # count, mean, min, max, sum, std titleAverage Value, format{value:.2f}, # Python 格式化字符串 colors[(33, green), (66, gold), (100, red)], # 阈值着色 font_size18pt, )5.3 卡片Markdown 内容import panel as pn widget cuxfilter.charts.card(pn.pane.Markdown(## My Dashboard\nSome description text))六、仪表盘创建在 cuxfilter DataFrame 上调用.dashboard()即可创建仪表盘# 定义图表与控件 chart1 cuxfilter.charts.scatter(xx_col, yy_col) chart2 cuxfilter.charts.bar(category_col) sidebar_widget cuxfilter.charts.range_slider(value_col) number_widget cuxfilter.charts.number(expressionvalue_col, aggregate_fnmean, titleMean Value) # 构建仪表盘 d cux_df.dashboard( charts[chart1, chart2], # 主区域图表 sidebar[sidebar_widget, number_widget], # 侧边栏控件 layoutcuxfilter.layouts.feature_and_base, themecuxfilter.themes.rapids_dark, titleMy Dashboard, data_size_widgetTrue, # 显示当前数据条数 )6.1 创建后追加图表new_chart cuxfilter.charts.line(x_col, y_col) d.add_charts(charts[new_chart]) # 或 d.add_charts(sidebar[cuxfilter.charts.card(pn.pane.Markdown(# Note))])七、布局Layouts7.1 预设布局布局说明图表数layouts.single_feature单个图表铺满页面1layouts.feature_and_base上方大图、下方小图66/33 分栏2layouts.double_feature两个图表并排2layouts.left_feature_right_double左侧一大图右侧上下两个3layouts.triple_feature三个图表一行排开3layouts.feature_and_double_base上方一大图下方两个3layouts.two_by_two2x2 网格4layouts.feature_and_triple_base上方一大图下方三个4layouts.feature_and_quad_base上方一大图下方四个5layouts.feature_and_five_edge中央一大图四周五个6layouts.two_by_three2x3 网格6layouts.double_feature_quad_base上方两大图下方四个6layouts.three_by_three3x3 网格97.2 自定义布局layout_arraylayout_array提供完全控制权它是一个列表的列表每个内层列表代表一行数字对应图表索引从 1 开始# 图表 1 占据左上 2x2 区域图表 2、3 位于右侧 d cux_df.dashboard( charts_list, layout_array[[1, 1, 2, 2], [1, 1, 3, 4]], themecuxfilter.themes.rapids_dark, )规则每个数字对应一个图表1 第一个图表2 第二个依此类推数字在多个单元格中重复出现时该图表将跨这些单元格数组会自动缩放以适配屏幕。八、主题Themes内置四种主题主题说明cuxfilter.themes.default浅色主题默认cuxfilter.themes.dark深色主题cuxfilter.themes.rapidsRAPIDS 品牌浅色主题cuxfilter.themes.rapids_darkRAPIDS 品牌深色主题d cux_df.dashboard(charts, themecuxfilter.themes.rapids_dark)九、仪表盘展示与导出9.1 Notebook 内联展示d.app(sidebar_width280, width1200, height800)9.2 独立 Web 应用打开新浏览器标签页d.show() # 或自定义 URL/端口 d.show(notebook_urlhttp://localhost:8888, port8050)9.3 JupyterHub 部署d.show(service_proxyjupyterhub)9.4 停止服务d.stop()9.5 导出筛选后的数据与仪表盘交互选择范围、过滤后可导出当前筛选状态对应的 DataFramefiltered_df d.export() # 返回与当前筛选状态一致的 cuDF DataFrame # 同时打印查询字符串例如2 key 49.6 访问仪表盘图表d.charts # 图表对象字典十、图可视化cuGraph 集成cuxfilter 与 cuGraph 集成支持交互式图可视化。加载图数据时需要节点坐标——通常用force_atlas2等布局算法生成import cuxfilter import cudf import cugraph # 创建图 edges cudf.DataFrame({ source: [0, 0, 1, 1, 2], target: [1, 2, 2, 3, 3] }) G cugraph.Graph() G.from_cudf_edgelist(edges, sourcesource, destinationtarget) # 加载进 cuxfilter需要节点坐标用 force_atlas2 等布局生成 positions cugraph.force_atlas2(G) nodes positions.rename(columns{vertex: vertex, x: x, y: y}) cux_df cuxfilter.DataFrame.load_graph((nodes, G.edges())) # 创建图图表 chart cuxfilter.charts.datashader.graph( node_pixel_shade_typelinear, unselected_alpha0.2, ) d cux_df.dashboard([chart], layoutcuxfilter.layouts.single_feature) d.app()十一、多 GPUDask-cuDFcuxfilter 无缝支持dask_cudf.DataFrame——直接传入即可替代 cuDF DataFrameimport dask_cudf ddf dask_cudf.read_parquet(large_dataset/*.parquet) cux_df cuxfilter.DataFrame.from_dataframe(ddf) # 其余用法完全相同 chart cuxfilter.charts.scatter(xx, yy) d cux_df.dashboard([chart]) d.app()适合使用 dask_cudf 的场景数据超出单块 GPU 显存希望跨多块 GPU 分布式处理需要一次性处理大量文件。dask_cudf 支持的图表类型bokehbar、linedatashaderscatter、line、stacked_lines、heatmap、graph边渲染能力有限panel_widgets全部控件deckglchoropleth2D 与 3D这也与 SKILL.md 优化工作流 的提示呼应GPU 显存有限当数据集超过显存时应考虑分块或使用 RAPIDS Dask 进行多 GPU 扩展。十二、互操作性RAPIDS 全栈管线cuxfilter 位于 RAPIDS 生态的可视化层与上下游库的互操作关系如下cuDF— 数据层cuxfilter.DataFrame包装 cuDF DataFramecuGraph— 图分析用cuxfilter.DataFrame.load_graph()可视化 cuGraph 结果cuML— 先运行 cuML再用 cuxfilter 可视化结果如 UMAP 嵌入、聚类标签HoloViz 生态— 基于 Panel、Bokeh、Datashader 与 HoloViews 构建Deck.gl— WebGL 驱动的等值区域图。12.1 典型 RAPIDS cuxfilter 管线import cudf import cuml import cuxfilter # 用 cuDF 加载与预处理 df cudf.read_parquet(data.parquet) df df.dropna().reset_index(dropTrue) # 用 cuML 跑机器学习如 UMAP 降维 from cuml.manifold import UMAP umap UMAP(n_components2) embedding umap.fit_transform(df[[feature1, feature2, feature3]]) df[umap_x] embedding[:, 0] df[umap_y] embedding[:, 1] # 用 cuxfilter 可视化 cux_df cuxfilter.DataFrame.from_dataframe(df) scatter cuxfilter.charts.scatter( xumap_x, yumap_y, aggregate_colcluster_label, aggregate_fnmean, pixel_shade_typelinear, ) bar cuxfilter.charts.bar(cluster_label) d cux_df.dashboard([scatter, bar], layoutcuxfilter.layouts.feature_and_base) d.app()这条cuML 产出嵌入 → cuxfilter 联动可视化的链路在 决策框架文档 中被明确标记为cuML cuxfilter仅 legacy 26.06的维护型组合——适用于存量应用而非新项目选型。十三、性能优化技巧让数据始终留在 GPU。用cudf.read_parquet()或cudf.read_csv()加载再用cuxfilter.DataFrame.from_dataframe()包装避免与 pandas 来回转换。这与 SKILL.md 中一次性传输输入、让中间结果驻留设备端的 GPU 数据路径原则一致。按数据规模选择图表类型 10K 点Bokeh 图表bar、line表现良好10K–100M 点Datashader 图表scatter、heatmap通过服务端栅格化高效处理大数据集。限制柱状图的data_points。对唯一值很多的列设置data_points进行分箱例如bar(col, data_points50)。尽可能使用float32。GPU 对 32 位浮点运算更快加载前先转换df[col] df[col].astype(float32)。参考 SKILL.md 的建议只有在契约允许时才选择float32、混合精度或降低精度存储。预先计算派生列。在创建仪表盘之前算好不要放在图表回调里执行。复杂仪表盘用layout_array。精确控制每个图表的出现位置。超大数据集上缩放卡顿可调大timeout。针对 datashader 图表。另外注意验证环节cuxfilter 的筛选/聚合在 GPU 上执行若要与 CPU 结果对照验证应使用显式容差GPU 浮点结果可能因运算顺序略有差异此为本仓库 SKILL.md 验证流程 的通用要求。十四、常见模式14.1 探索性数据分析仪表盘import cudf import cuxfilter df cudf.read_parquet(dataset.parquet) cux_df cuxfilter.DataFrame.from_dataframe(df) # 概览图表 scatter cuxfilter.charts.scatter(xfeature1, yfeature2, pixel_shade_typelinear) hist1 cuxfilter.charts.bar(feature1, data_points50) hist2 cuxfilter.charts.bar(category) # 侧边栏筛选器 slider cuxfilter.charts.range_slider(value_col) dropdown cuxfilter.charts.drop_down(category) kpi cuxfilter.charts.number(expressionvalue_col, aggregate_fnmean, titleMean Value) d cux_df.dashboard( [scatter, hist1, hist2], sidebar[slider, dropdown, kpi], layoutcuxfilter.layouts.feature_and_double_base, themecuxfilter.themes.rapids_dark, titleData Explorer, ) d.app()14.2 地图瓦片上的地理散点chart cuxfilter.charts.scatter( xlongitude, ylatitude, aggregate_colvalue, aggregate_fnmean, color_palette[#3182bd, #6baed6, #ff0068], tile_providerCartoLight, pixel_shade_typelinear, titleGeo Scatter, )14.3 时间序列仪表盘line_chart cuxfilter.charts.line(timestamp, metric) bar_chart cuxfilter.charts.bar(hour_of_day) date_slider cuxfilter.charts.date_range_slider(timestamp) d cux_df.dashboard( [line_chart, bar_chart], sidebar[date_slider], layoutcuxfilter.layouts.feature_and_base, )14.4 导出筛选后的子集继续分析# 用户与仪表盘交互后导出当前选区 d.app() # ... 用户在仪表盘中筛选数据 ... filtered d.export() # 当前可见/已选数据的 cuDF DataFrame # 继续用 cuDF、cuML 等做进一步分析十五、维护与迁移何时继续用 cuxfilter何时换栈综合 decision_framework.md 与 code_transformation_patterns.md本仓库给出如下判定存量维护可以使用——当现有应用需要以下能力时维持 cuxfilter在大型数据集数百万行上做交互式交叉筛选仪表盘带联动图表的探索性数据分析图表之间互相过滤GPU 加速的散点、柱状、热力、等值区域或图可视化从 Jupyter Notebook 用最少代码快速原型化仪表盘可视化 cuDF、cuML、cuGraph 管线的结果。新建项目不要用——cuxfilter 已停更不要在 26.06 之后开启新的依赖。替代方案是cuDF 负责 GPU 数据准备 HoloViews/hvPlot/Datashader 负责联动可视化用 Panel/Dash/Streamlit/Bokeh 提供服务。其代码转换模式为在 GPU 上完成分组聚合只在显式的可视化边界传输紧凑的展示数据import cudf import hvplot.pandas # 为 pandas 对象注册 .hvplot import panel as pn gpu_df cudf.read_parquet(large_dataset.parquet) gpu_summary ( gpu_df.groupby(category, as_indexFalse) .agg({value_col: mean}) ) display_summary gpu_summary.to_pandas() # 只传输精简后的结果 dashboard pn.Column( # Interactive Explorer, display_summary.hvplot.bar(xcategory, yvalue_col), ) dashboard.servable()对于需要逐点级联动选择linked selections的场景官方推荐用 HoloViews/hvPlot Datashader Panel 组合把筛选/聚合回调尽量留在 GPU 上并对每次转 pandas 的转换做好记录见 code_transformation_patterns.md。相关仓库资源导航技能总览与选型矩阵SKILL.md安装与环境配置含各 RAPIDS 库的 CUDA 12/13 安装命令references/installation.md库选型决策框架cuxfilter 定位与维护场景references/decision_framework.md从静态 matplotlib 到 GPU 仪表盘的代码转换模式references/code_transformation_patterns.md本参考文档原文references/cuxfilter.md测试与依赖约束RAPIDS wheel 仅 Linux CUDA整体组不可用于无 GPU 环境tests/skill-requirements.toml【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
cuxfilter 完整实践指南用 RAPIDS 构建 GPU 加速的交互式交叉筛选仪表盘【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills导读cuxfilter 是 NVIDIA RAPIDS 生态中面向 GPU 加速交叉筛选仪表盘的专用库它让开发者只需几行 Python 代码就能在 Jupyter Notebook 中构建支持多图表联动的交互式探索性数据分析仪表盘——所有过滤、分组、聚合运算全部在 GPU 上通过 cuDF 完成浏览器端只接收渲染结果。本文以 cuxfilter 参考文档 为主体结合 optimize-for-gpu 技能 的决策框架、安装指引与代码转换模式完整讲解 cuxfilter 的安装环境、数据加载、图表与控件体系、仪表盘构建、布局主题、图可视化、多 GPU 扩展及性能调优并明确其已停更sunset的项目状态与替代方案帮助你既能维护存量 26.06 应用也能为新建项目做出正确的技术选型。项目状态务必先读cuxfilter 已经日落sunsetv26.06 是最终版本后续 RAPIDS 发行不再发布任何包。下文所有功能在 26.06 包上仍然可用但对于新项目RAPIDS 官方建议直接用受维护的库自行组合仪表盘cuDFGPU 数据加载/聚合HoloViews / hvPlot / Datashader联动交叉筛选可视化并用Panel、Plotly Dash、Streamlit 或 Bokeh 提供服务。详见 决策框架文档 与 安装文档。一、cuxfilter 的定位与核心概念cuxfilter 位于 RAPIDS 生态的可视化层上游由 cuDF数据层、cuGraph图分析、cuML机器学习提供计算能力下游整合 Bokeh、Datashader、Deck.gl 与 Panel 完成渲染与交互。它最大的特点是数据永不离开 GPU——每次筛选、groupby、聚合都在 GPU 上执行仅把紧凑的绘图结果送往浏览器因此能支撑数百万行数据的实时联动探索。cuxfilter 由五个核心模块构成模块职责cuxfilter.DataFrame包装 cuDF / dask_cudf DataFrame是创建仪表盘的入口cuxfilter.DashBoard交互式仪表盘对象由 DataFrame 和图表组合生成cuxfilter.charts图表工厂函数bar、scatter、line、heatmap、choropleth、graph 及各种控件cuxfilter.layouts预设与自定义布局配置控制图表排布cuxfilter.themes视觉主题default、dark、rapids、rapids_dark标准工作流始终是加载数据 → 创建图表 → 构建仪表盘 → 展示。二、安装与环境要求cuxfilter 的安装遵循本仓库统一约定的uv add方式若用户项目已配置包管理器则跟随既有项目不要重写其工具链。注意 cuxfilter 依赖 cuDF因此安装时会自动拉取cudf-cu12或cudf-cu13# CUDA 12.x uv add --extra-index-urlhttps://pypi.nvidia.com cuxfilter-cu1226.6.* # CUDA 13.x uv add --extra-index-urlhttps://pypi.nvidia.com cuxfilter-cu1326.6.*两个命令安装的都是最终版 26.06 发行——之后不再有任何更新发布。cuxfilter 的 wheel 也直接存在于 PyPI 上因此 NVIDIA extra index 是可选项。RAPIDS 包统一要求 Python 3.11、Linux 或 WSL2 平台无原生 macOS/Windows且需要支持 CUDA 12.x 或 13.x 的 NVIDIA GPU详见 installation.md。安装完成后建议立即验证 GPU 环境与包版本import cuxfilter import cudf print(cuxfilter.__version__) # 应输出 26.06 版本号 df cudf.DataFrame({x: [1, 2, 3], y: [4, 5, 6]}) cux_df cuxfilter.DataFrame.from_dataframe(df) print(cux_df.data.head()) # 应打印 GPU dataframe环境前提cuxfilter 的 GPU 执行必须依赖 NVIDIA CUDA 显卡RAPIDS 26.06 的 wheel 仅支持 Linux/WSL2 与 CUDA 12/13且安装需要网络访问见 SKILL.md 兼容性声明。三、DataFrame加载数据cuxfilter.DataFrame是一切操作的起点它包装 cuDF 或 dask_cudf DataFrame。3.1 从 cuDF DataFrame最常见import cudf import cuxfilter cudf_df cudf.DataFrame({ x: [0, 1, 2, 3, 4], y: [10.0, 11.0, 12.0, 13.0, 14.0], category: [A, B, A, B, A] }) cux_df cuxfilter.DataFrame.from_dataframe(cudf_df)3.2 从磁盘上的 Arrow 文件cux_df cuxfilter.DataFrame.from_arrow(data/my_dataset.arrow)3.3 从图节点 边既可以先构造 cuGraph 图对象再加载也可以直接用 cuDF DataFrame 描述节点与边import cugraph edges cudf.DataFrame({source: [0, 1, 2], target: [1, 2, 3], weight: [1.0, 2.0, 3.0]}) G cugraph.Graph() G.from_cudf_edgelist(edges, sourcesource, destinationtarget, edge_attrweight) cux_df cuxfilter.DataFrame.load_graph((G.nodes(), G.edges()))# 或直接用 cuDF DataFrame nodes cudf.DataFrame({vertex: [0, 1, 2, 3], x: [0, 1, 2, 3], y: [4, 4, 2, 6], attr: [0, 1, 1, 1]}) edges cudf.DataFrame({source: [0, 1, 2], target: [1, 2, 3], weight: [1.0, 2.0, 3.0]}) cux_df cuxfilter.DataFrame.load_graph((nodes, edges))3.4 访问底层数据cux_df.data # cuDF DataFrame cux_df.data[new_col] cux_df.data[x] * 2 # 在创建仪表盘前新增派生列从源码结构看from_dataframe与load_graph是 DataFrame 层仅有的两个加载入口前者面向普通表数据后者面向图结构数据二者最终都维护一个data属性供图表读取。四、图表Charts所有图表工厂函数都通过cuxfilter.charts顶层简写访问——不需要直接导入cuxfilter.charts.bokeh或cuxfilter.charts.datashader这类子模块。4.1 柱状图Bokehchart cuxfilter.charts.bar( xcolumn_name, # 必填x 轴列 yNone, # 可选y 轴列默认统计计数 data_pointsNone, # 分箱数量None 唯一值个数 add_interactionTrue, # 启用交叉筛选交互 aggregate_fncount, # count 或 mean step_sizeNone, # 范围滑块的步长 title, # 图表标题 autoscalingTrue, # 数据更新时自动缩放 y 轴 )4.2 折线图Bokehchart cuxfilter.charts.line( xx_col, yy_col, data_points100, add_interactionTrue, )4.3 散点图Datashader——可处理百万级点chart cuxfilter.charts.scatter( xx_col, yy_col, aggregate_colNone, # 用于颜色聚合的列 aggregate_fncount, # count, mean, max, min color_paletteNone, # Bokeh 调色板或十六进制颜色列表 point_size15, pixel_shade_typeeq_hist, # eq_hist, linear, log, cbrt pixel_density0.5, # [0, 1]越大越密集 pixel_spreaddynspread, # dynspread 或 spread tile_providerNone, # 地图瓦片如 CartoLight 用于地理数据 title, unselected_alpha0.2, # 未选中点的透明度 )4.4 热力图Datashaderchart cuxfilter.charts.heatmap( xx_col, yy_col, aggregate_colvalue_col, aggregate_fnmean, # count, mean, max, min color_paletteNone, point_size10, point_shaperect_vertical, # circle, square, rect_vertical, rect_horizontal title, )4.5 堆叠折线Datashaderchart cuxfilter.charts.stacked_lines( xtime_col, y[series_a, series_b, series_c], # y 列列表 colors[red, green, blue], )4.6 等值区域图Deck.gl——2D 与 3D 地图chart cuxfilter.charts.choropleth( xzip_code, color_columnmetric_col, color_aggregate_fnmean, # count, mean, sum, min, max, std elevation_columnvalue_col, # 设置该参数即启用 3D省略则为 2D elevation_factor0.00001, elevation_aggregate_fnsum, geoJSONSourcehttps://url/to/geojson, geo_color_paletteNone, # 默认Inferno256 nan_color#d3d3d3, tooltipTrue, tooltip_include_cols[zip_code, metric_col], title, )4.7 图可视化Datashader——节点-边图chart cuxfilter.charts.datashader.graph( node_xx, # 默认 x node_yy, # 默认 y node_idvertex, # 默认 vertex edge_sourcesource, # 默认 source edge_targettarget, # 默认 target node_aggregate_colNone, node_color_paletteNone, edge_color_palette[#000000], node_point_size15, node_pixel_shade_typeeq_hist, edge_render_typedirect, # direct 或 curvedcurved 为实验性 edge_transparency0, # [0, 1] tile_providerNone, title, unselected_alpha0.2, )图表与数据规模匹配原则Bokeh 类图表bar、line适合小数据量Datashader 类图表scatter、heatmap通过服务端栅格化可高效处理 10K 到 1 亿行以上的数据。这一按数据量选图表的规则与 决策框架文档 中cuxfilter 最适合在数百万行数据上做交互式交叉筛选的定位完全一致。五、控件Widgets控件提供交互式过滤操作通常放在侧边栏。5.1 各类筛选控件widget cuxfilter.charts.range_slider(numeric_col, step_size1) # 数值范围 widget cuxfilter.charts.date_range_slider(datetime_col) # 日期范围 widget cuxfilter.charts.float_slider(float_col, step_size0.5) # 浮点滑块 widget cuxfilter.charts.int_slider(int_col, step_size1) # 整数滑块 widget cuxfilter.charts.drop_down(category_col) # 下拉框 widget cuxfilter.charts.multi_select(category_col) # 多选5.2 数值指示器KPIwidget cuxfilter.charts.number( expressioncolumn_name, # 或计算表达式如 (x y) / 2 aggregate_fnmean, # count, mean, min, max, sum, std titleAverage Value, format{value:.2f}, # Python 格式化字符串 colors[(33, green), (66, gold), (100, red)], # 阈值着色 font_size18pt, )5.3 卡片Markdown 内容import panel as pn widget cuxfilter.charts.card(pn.pane.Markdown(## My Dashboard\nSome description text))六、仪表盘创建在 cuxfilter DataFrame 上调用.dashboard()即可创建仪表盘# 定义图表与控件 chart1 cuxfilter.charts.scatter(xx_col, yy_col) chart2 cuxfilter.charts.bar(category_col) sidebar_widget cuxfilter.charts.range_slider(value_col) number_widget cuxfilter.charts.number(expressionvalue_col, aggregate_fnmean, titleMean Value) # 构建仪表盘 d cux_df.dashboard( charts[chart1, chart2], # 主区域图表 sidebar[sidebar_widget, number_widget], # 侧边栏控件 layoutcuxfilter.layouts.feature_and_base, themecuxfilter.themes.rapids_dark, titleMy Dashboard, data_size_widgetTrue, # 显示当前数据条数 )6.1 创建后追加图表new_chart cuxfilter.charts.line(x_col, y_col) d.add_charts(charts[new_chart]) # 或 d.add_charts(sidebar[cuxfilter.charts.card(pn.pane.Markdown(# Note))])七、布局Layouts7.1 预设布局布局说明图表数layouts.single_feature单个图表铺满页面1layouts.feature_and_base上方大图、下方小图66/33 分栏2layouts.double_feature两个图表并排2layouts.left_feature_right_double左侧一大图右侧上下两个3layouts.triple_feature三个图表一行排开3layouts.feature_and_double_base上方一大图下方两个3layouts.two_by_two2x2 网格4layouts.feature_and_triple_base上方一大图下方三个4layouts.feature_and_quad_base上方一大图下方四个5layouts.feature_and_five_edge中央一大图四周五个6layouts.two_by_three2x3 网格6layouts.double_feature_quad_base上方两大图下方四个6layouts.three_by_three3x3 网格97.2 自定义布局layout_arraylayout_array提供完全控制权它是一个列表的列表每个内层列表代表一行数字对应图表索引从 1 开始# 图表 1 占据左上 2x2 区域图表 2、3 位于右侧 d cux_df.dashboard( charts_list, layout_array[[1, 1, 2, 2], [1, 1, 3, 4]], themecuxfilter.themes.rapids_dark, )规则每个数字对应一个图表1 第一个图表2 第二个依此类推数字在多个单元格中重复出现时该图表将跨这些单元格数组会自动缩放以适配屏幕。八、主题Themes内置四种主题主题说明cuxfilter.themes.default浅色主题默认cuxfilter.themes.dark深色主题cuxfilter.themes.rapidsRAPIDS 品牌浅色主题cuxfilter.themes.rapids_darkRAPIDS 品牌深色主题d cux_df.dashboard(charts, themecuxfilter.themes.rapids_dark)九、仪表盘展示与导出9.1 Notebook 内联展示d.app(sidebar_width280, width1200, height800)9.2 独立 Web 应用打开新浏览器标签页d.show() # 或自定义 URL/端口 d.show(notebook_urlhttp://localhost:8888, port8050)9.3 JupyterHub 部署d.show(service_proxyjupyterhub)9.4 停止服务d.stop()9.5 导出筛选后的数据与仪表盘交互选择范围、过滤后可导出当前筛选状态对应的 DataFramefiltered_df d.export() # 返回与当前筛选状态一致的 cuDF DataFrame # 同时打印查询字符串例如2 key 49.6 访问仪表盘图表d.charts # 图表对象字典十、图可视化cuGraph 集成cuxfilter 与 cuGraph 集成支持交互式图可视化。加载图数据时需要节点坐标——通常用force_atlas2等布局算法生成import cuxfilter import cudf import cugraph # 创建图 edges cudf.DataFrame({ source: [0, 0, 1, 1, 2], target: [1, 2, 2, 3, 3] }) G cugraph.Graph() G.from_cudf_edgelist(edges, sourcesource, destinationtarget) # 加载进 cuxfilter需要节点坐标用 force_atlas2 等布局生成 positions cugraph.force_atlas2(G) nodes positions.rename(columns{vertex: vertex, x: x, y: y}) cux_df cuxfilter.DataFrame.load_graph((nodes, G.edges())) # 创建图图表 chart cuxfilter.charts.datashader.graph( node_pixel_shade_typelinear, unselected_alpha0.2, ) d cux_df.dashboard([chart], layoutcuxfilter.layouts.single_feature) d.app()十一、多 GPUDask-cuDFcuxfilter 无缝支持dask_cudf.DataFrame——直接传入即可替代 cuDF DataFrameimport dask_cudf ddf dask_cudf.read_parquet(large_dataset/*.parquet) cux_df cuxfilter.DataFrame.from_dataframe(ddf) # 其余用法完全相同 chart cuxfilter.charts.scatter(xx, yy) d cux_df.dashboard([chart]) d.app()适合使用 dask_cudf 的场景数据超出单块 GPU 显存希望跨多块 GPU 分布式处理需要一次性处理大量文件。dask_cudf 支持的图表类型bokehbar、linedatashaderscatter、line、stacked_lines、heatmap、graph边渲染能力有限panel_widgets全部控件deckglchoropleth2D 与 3D这也与 SKILL.md 优化工作流 的提示呼应GPU 显存有限当数据集超过显存时应考虑分块或使用 RAPIDS Dask 进行多 GPU 扩展。十二、互操作性RAPIDS 全栈管线cuxfilter 位于 RAPIDS 生态的可视化层与上下游库的互操作关系如下cuDF— 数据层cuxfilter.DataFrame包装 cuDF DataFramecuGraph— 图分析用cuxfilter.DataFrame.load_graph()可视化 cuGraph 结果cuML— 先运行 cuML再用 cuxfilter 可视化结果如 UMAP 嵌入、聚类标签HoloViz 生态— 基于 Panel、Bokeh、Datashader 与 HoloViews 构建Deck.gl— WebGL 驱动的等值区域图。12.1 典型 RAPIDS cuxfilter 管线import cudf import cuml import cuxfilter # 用 cuDF 加载与预处理 df cudf.read_parquet(data.parquet) df df.dropna().reset_index(dropTrue) # 用 cuML 跑机器学习如 UMAP 降维 from cuml.manifold import UMAP umap UMAP(n_components2) embedding umap.fit_transform(df[[feature1, feature2, feature3]]) df[umap_x] embedding[:, 0] df[umap_y] embedding[:, 1] # 用 cuxfilter 可视化 cux_df cuxfilter.DataFrame.from_dataframe(df) scatter cuxfilter.charts.scatter( xumap_x, yumap_y, aggregate_colcluster_label, aggregate_fnmean, pixel_shade_typelinear, ) bar cuxfilter.charts.bar(cluster_label) d cux_df.dashboard([scatter, bar], layoutcuxfilter.layouts.feature_and_base) d.app()这条cuML 产出嵌入 → cuxfilter 联动可视化的链路在 决策框架文档 中被明确标记为cuML cuxfilter仅 legacy 26.06的维护型组合——适用于存量应用而非新项目选型。十三、性能优化技巧让数据始终留在 GPU。用cudf.read_parquet()或cudf.read_csv()加载再用cuxfilter.DataFrame.from_dataframe()包装避免与 pandas 来回转换。这与 SKILL.md 中一次性传输输入、让中间结果驻留设备端的 GPU 数据路径原则一致。按数据规模选择图表类型 10K 点Bokeh 图表bar、line表现良好10K–100M 点Datashader 图表scatter、heatmap通过服务端栅格化高效处理大数据集。限制柱状图的data_points。对唯一值很多的列设置data_points进行分箱例如bar(col, data_points50)。尽可能使用float32。GPU 对 32 位浮点运算更快加载前先转换df[col] df[col].astype(float32)。参考 SKILL.md 的建议只有在契约允许时才选择float32、混合精度或降低精度存储。预先计算派生列。在创建仪表盘之前算好不要放在图表回调里执行。复杂仪表盘用layout_array。精确控制每个图表的出现位置。超大数据集上缩放卡顿可调大timeout。针对 datashader 图表。另外注意验证环节cuxfilter 的筛选/聚合在 GPU 上执行若要与 CPU 结果对照验证应使用显式容差GPU 浮点结果可能因运算顺序略有差异此为本仓库 SKILL.md 验证流程 的通用要求。十四、常见模式14.1 探索性数据分析仪表盘import cudf import cuxfilter df cudf.read_parquet(dataset.parquet) cux_df cuxfilter.DataFrame.from_dataframe(df) # 概览图表 scatter cuxfilter.charts.scatter(xfeature1, yfeature2, pixel_shade_typelinear) hist1 cuxfilter.charts.bar(feature1, data_points50) hist2 cuxfilter.charts.bar(category) # 侧边栏筛选器 slider cuxfilter.charts.range_slider(value_col) dropdown cuxfilter.charts.drop_down(category) kpi cuxfilter.charts.number(expressionvalue_col, aggregate_fnmean, titleMean Value) d cux_df.dashboard( [scatter, hist1, hist2], sidebar[slider, dropdown, kpi], layoutcuxfilter.layouts.feature_and_double_base, themecuxfilter.themes.rapids_dark, titleData Explorer, ) d.app()14.2 地图瓦片上的地理散点chart cuxfilter.charts.scatter( xlongitude, ylatitude, aggregate_colvalue, aggregate_fnmean, color_palette[#3182bd, #6baed6, #ff0068], tile_providerCartoLight, pixel_shade_typelinear, titleGeo Scatter, )14.3 时间序列仪表盘line_chart cuxfilter.charts.line(timestamp, metric) bar_chart cuxfilter.charts.bar(hour_of_day) date_slider cuxfilter.charts.date_range_slider(timestamp) d cux_df.dashboard( [line_chart, bar_chart], sidebar[date_slider], layoutcuxfilter.layouts.feature_and_base, )14.4 导出筛选后的子集继续分析# 用户与仪表盘交互后导出当前选区 d.app() # ... 用户在仪表盘中筛选数据 ... filtered d.export() # 当前可见/已选数据的 cuDF DataFrame # 继续用 cuDF、cuML 等做进一步分析十五、维护与迁移何时继续用 cuxfilter何时换栈综合 decision_framework.md 与 code_transformation_patterns.md本仓库给出如下判定存量维护可以使用——当现有应用需要以下能力时维持 cuxfilter在大型数据集数百万行上做交互式交叉筛选仪表盘带联动图表的探索性数据分析图表之间互相过滤GPU 加速的散点、柱状、热力、等值区域或图可视化从 Jupyter Notebook 用最少代码快速原型化仪表盘可视化 cuDF、cuML、cuGraph 管线的结果。新建项目不要用——cuxfilter 已停更不要在 26.06 之后开启新的依赖。替代方案是cuDF 负责 GPU 数据准备 HoloViews/hvPlot/Datashader 负责联动可视化用 Panel/Dash/Streamlit/Bokeh 提供服务。其代码转换模式为在 GPU 上完成分组聚合只在显式的可视化边界传输紧凑的展示数据import cudf import hvplot.pandas # 为 pandas 对象注册 .hvplot import panel as pn gpu_df cudf.read_parquet(large_dataset.parquet) gpu_summary ( gpu_df.groupby(category, as_indexFalse) .agg({value_col: mean}) ) display_summary gpu_summary.to_pandas() # 只传输精简后的结果 dashboard pn.Column( # Interactive Explorer, display_summary.hvplot.bar(xcategory, yvalue_col), ) dashboard.servable()对于需要逐点级联动选择linked selections的场景官方推荐用 HoloViews/hvPlot Datashader Panel 组合把筛选/聚合回调尽量留在 GPU 上并对每次转 pandas 的转换做好记录见 code_transformation_patterns.md。相关仓库资源导航技能总览与选型矩阵SKILL.md安装与环境配置含各 RAPIDS 库的 CUDA 12/13 安装命令references/installation.md库选型决策框架cuxfilter 定位与维护场景references/decision_framework.md从静态 matplotlib 到 GPU 仪表盘的代码转换模式references/code_transformation_patterns.md本参考文档原文references/cuxfilter.md测试与依赖约束RAPIDS wheel 仅 Linux CUDA整体组不可用于无 GPU 环境tests/skill-requirements.toml【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
