提高时间序列热图绘制时的切换性能

Question

我正在构建一个R中的交互式时间序列热图，它使用的是透明和闪亮的功能。作为这个过程的一部分，我重新编码了从连续格式到序号格式的热图值，所以我有一个热图，其中六种颜色代表特定的计数类别，而这些类别是从聚合计数值创建的。但是，随着使用ggplotly()创建热图的速度加快，这将导致一个主要的性能问题。我从Plotly跟踪它到tooltip()函数，它呈现交互框。标签数据从我的热图以某种方式超载这个功能，它的执行非常缓慢，即使我只是添加一个标签组件到tooltip()。我正在使用来自Johns Hopkins CSSE储存库的新冠肺炎疫情数据的一个处理子集。下面是一个简化的热图代码，它也使用ggsci

#Load packages
library(shiny)
library(plotly)
library(tidyverse)
library(RCurl)
library(ggsci)

#Read example data from Gist
confirmed <- read_csv("https://gist.githubusercontent.com/GeekOnAcid/5638e37c688c257b1c381a15e3fb531a/raw/80ba9704417c61298ca6919343505725b8b162a5/covid_selected_europe_subset.csv")

#Wrap ggplot of time-series heatmap in ggplotly, call "tooltip"  
ggplot_ts_heatmap <- confirmed %>%
  ggplot(aes(as.factor(date), reorder(`Country/Region`,`cases count`), 
             fill=cnt.cat, label = `cases count`, label2 = as.factor(date), 
             text = paste("country:", `Country/Region`))) + 
  geom_tile(col=1) +
  theme_bw(base_line_size = 0, base_rect_size = 0, base_size = 10) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.title = element_blank()) +
  scale_fill_manual(labels = levels(confirmed$cnt.cat),
                    values = pal_simpsons("springfield")(7)) +
  labs(x = "", y = "")
ggplotly(ggplot_ts_heatmap, tooltip = c("text","label","label2"))

一旦tooltip = c("text","label","label2")减少(例如，tooltip = c("text"))，性能就会提高。现在，我知道延迟并不是“巨大的”，但我正在将它与一个闪亮的应用程序集成在一起。一旦它与更多的数据结合起来，就会变得非常、非常、非常缓慢。我甚至没有显示tooltip中的所有变量，而且它仍然很慢--当您单击“已确认”的案例时，您可以在应用程序的当前版本中看到它。

有什么建议吗？我考虑过替代交互式热图包，如d3heatmap、heatmaply和shinyHeatmaply，但所有这些解决方案都更适合于相关热图，而且它们缺乏ggplot的自定义选项。

​

​

Answer 1

如果您将其重写为“纯”(没有ggplotly转换)，它将更快。大约3000倍。以下是一个非常小的基准的结果：

Unit: milliseconds
 expr       min        lq       mean     median        uq       max neval
    a 9929.8299 9929.8299 9932.49130 9932.49130 9935.1527 9935.1527     2
    b    3.1396    3.1396    3.15665    3.15665    3.1737    3.1737     2

ggplotly速度慢得多的原因是，它没有将输入识别为热图，而是创建了一个散点图，其中每个矩形都用所有必要的属性分别绘制。如果将ggplotly或plot_ly的结果包装在plotly_json()中，则可以查看生成的JSON。

您还可以查看地块的object.size，其中您将看到ggplotly对象在4616.4 Kb附近，而plotly-heatmap只有40.4KB大。

df_colors = data.frame(range=c(0:13), colors=c(0:13))
color_s <- setNames(data.frame(df_colors$range, df_colors$colors), NULL)
for (i in 1:14) {
  color_s[[2]][[i]] <- pal_simpsons("springfield")(13)[[(i + 1) / 2]]
  color_s[[1]][[i]] <-  i / 14 - (i %% 2) / 14
}

plot_ly(data = confirmed, text = text) %>%
  plotly::add_heatmap(x = ~as.factor(date), 
                      y = ~reorder(`Country/Region`, `cases count`),
                      z = ~as.numeric(factor(confirmed$`cnt.cat`, ordered = T, 
                                             levels = unique(confirmed$`cnt.cat`))),
                      xgap = 0.5,
                      ygap = 0.5,
                      colorscale = color_s,
                      colorbar = list(tickmode='array',
                                      title = "Cases",
                                      tickvals=c(1:7),
                                      ticktext=levels(factor(x = confirmed$`cnt.cat`,
                                                             levels = unique(confirmed$`cnt.cat`),
                                                             ordered = TRUE)), len=0.5),
                      text = ~paste0("country: ", `Country/Region`, "<br>",
                                    "Number of cases: ", `cases count`, "<br>",
                                    "Category:  ", `cnt.cat`),
                      hoverinfo ="text"
  ) %>% 
  layout(plot_bgcolor='black',
         xaxis = list(title = ""),
         yaxis = list(title = ""));