### 已知信息 在某些情况下，可能希望在不重新运行整个代码的情况下重新生成由 Python 创建的图表。这通常涉及保存中间状态或将图表对象存储以便后续操作。 --- #### 方法一：使用 Matplotlib 的 `pickle` 库序列化图表对象 Matplotlib 支持通过 Python 的标准库 `pickle` 来序列化和反序列化图表对象。这样可以在程序的不同阶段加载已保存的图表并对其进行进一步处理或显示。 ```python import matplotlib.pyplot as plt import pickle # 创建一个简单的图表 fig, ax = plt.subplots() ax.plot([1, 2, 3], [4, 5, 6]) plt.title("Original Chart") # 将图表对象保存到文件 with open('chart.pkl', 'wb') as f: pickle.dump(fig, f) # 加载图表对象而不重新绘制数据 with open('chart.pkl', 'rb') as f: loaded_fig = pickle.load(f) # 显示加载后的图表 loaded_fig.show() ``` 这种方法允许在不重新计算原始数据的情况下恢复图表[^1]。 --- #### 方法二：导出为静态图像文件后再次加载 可以将生成的图表导出为常见的图像格式（如 PNG 或 SVG），然后在需要时重新加载该图像文件以展示图表。 ```python import matplotlib.pyplot as plt # 绘制图表并保存为PNG文件 fig, ax = plt.subplots() ax.plot([1, 2, 3], [4, 5, 6]) plt.savefig('chart.png') # 使用Pillow或其他工具加载图片 from PIL import Image img = Image.open('chart.png') img.show() ``` 这种方式适用于不需要动态交互的情况[^1]。 --- #### 方法三：利用 Bokeh 存储会话状态 如果正在使用 Bokeh 这样的库来创建可交互式的图表，则可以通过将其服务器端的状态持久化下来，在稍后再启动服务时读取之前的数据源而无需完全重现逻辑流程。 ```python from bokeh.io import curdoc from bokeh.layouts import column from bokeh.models.widgets import Button from bokeh.plotting import figure p = figure(title="Interactive Plot") p.line([1, 2, 3], [4, 5, 6]) button = Button(label="Save State") layout = column(button, p) curdoc().add_root(layout) # 当按下按钮时触发保存动作... def save_state(): state_file_path = "bokeh_state.json" doc_json = curdoc().to_json_string(indent=2) with open(state_file_path, 'w') as file_obj: file_obj.write(doc_json) button.on_click(save_state) ``` 之后可通过加载 JSON 文件重建文档结构[^1]。 --- #### 方法四：借助 Dash Framework 实现客户端缓存 Dash 是基于 Flask 构建的一个框架用于构建数据分析 Web 应用程序。它内置了一些功能可以帮助管理组件间的依赖关系以及优化性能表现比如通过回调控制更新频率从而减少不必要的渲染次数；另外还可以自定义 HTML/CSS/JavaScript 提升用户体验感等等特性都使得其成为不错的选择之一。 ```python import dash from dash import dcc, html import plotly.express as px df = px.data.gapminder() app = dash.Dash(__name__) app.layout = html.Div([ dcc.Store(id='memory-output'), dcc.Graph(id="graph"), html.Button('Regenerate Graph Without Recomputing Data', id='regen-btn', n_clicks=0), ]) @app.callback( dash.dependencies.Output('memory-output', 'data'), inputs=[dash.dependencies.Input('regen-btn', 'n_clicks')]) def regenerate_graph(n_clicks): filtered_df = df[df.year == max(df['year'])].copy() # 只做筛选而非全部运算 return {"filtered_data": filtered_df.to_dict('records')} @app.callback( Output(component_id='graph', component_property='figure'), Input(component_id='memory-output',component_property='modified_timestamp'), State(component_id='memory-output', component_property='data')) def update_output(ts,data): dff=pd.DataFrame(data["filtered_data"]) fig=px.scatter(dff,x="gdpPercap",y="lifeExp",size="pop",color="continent", hover_name="country",log_x=True,size_max=60) return fig if __name__ == '__main__': app.run_server(debug=True) ``` 此方案适合复杂场景下保持界面响应速度的同时又能灵活调整视图内容[^1]。 --- ### 总结 以上介绍了四种不同的策略来解决如何在避免重复执行主要业务逻辑的前提下快速再现可视化成果的问题。具体采用哪种取决于实际需求和技术栈偏好等因素考虑决定最佳实践路径[^1]。 ---