Marico's space

最近折腾了一个多引擎可视化项目，把 Seaborn、Bokeh、Plotly 三种主流 Python 图表库塞进了一个 Streamlit 仪表板，踩了不少坑，这篇把核心架构和 CI/CD 部署流程说清楚。

做数据可视化的时候，开发者经常面临一个灵魂拷问：到底该选哪个库？Seaborn 做统计分析顺手，但交互能力弱；Plotly 图表华丽，但大型数据集渲染慢；Bokeh 原生支持 WebGL，但学习曲线陡峭。更别说把这些东西揉进一个可以直接上线的 Web 应用里。

我的方案是用 Streamlit 做容器，Seaborn 做统计分析、Bokeh 做高性能 Canvas 渲染、Plotly 做交互式探索，各自发挥优势。代码提交到 GitHub 之后，GitHub Actions 自动跑测试、构建 Docker 镜像、部署到云端，整个链路不需要人工干预。

可视化框架架构对比

动手之前先做了一下技术调研，整理了主流 Python 可视化库的渲染模型和适用场景：

工具	渲染引擎	交互模型	学习曲线	最佳场景
Streamlit	React / Webpack (客户端) + Python (服务端)	状态变更时重新执行 Python 脚本	平缓 (10/10)	快速原型、业务看板、内部工具
Plotly / Dash	React.js + D3.js + WebGL	声明式 JSON 配合双向回调	平缓 (8/10)	交互下钻、地理信息图、金融图表
Bokeh	HTML5 Canvas / WebGL (BokehJS)	客户端 JavaScript 回调 + Python 服务端模型	中等 (6/10)	大数据流式渲染、大画布图表、独立 HTML 组件
Seaborn / Matplotlib	静态位图 / SVG 后端 (Agg)	渲染到缓冲区的静态图片	平缓 (7/10)	学术论文、统计分布 (KDE、小提琴图)、报告
Shiny for Python	响应式依赖图	细粒度响应式计算图	中等 (6/10)	复杂数据应用、企业级迁移

结论是：不纠结，各用各的。给每个库分配独立的模块，物尽其用。

系统架构与自动化 CI/CD 流水线

一个能上线的可视化产品，需要和正经的云原生服务用同一套 DevOps 规范。整个项目实现了一条完整的 GitOps 流水线：

+-----------------------------------------------------------------------------------+
| 开发者工作流 (GitOps) |
│ |
│ [ 本地代码 ] ---> [ git push origin main ] ---> [ GitHub 公开仓库 ] |
+-----------------------------------------------------------------------------------+ │ ▼
+-----------------------------------------------------------------------------------+
| GitHub Actions CI/CD 流水线 |
│ |
| Step 1: 代码语法检查 (py_compile) |
| Step 2: 自动化单元测试 (pytest tests/test_dashboard.py) |
| Step 3: Docker 容器构建与层验证 |
│ Step 4: 触发持续部署到云端 / SaaS 平台 |
+-----------------------------------------------------------------------------------+ │ ▼
+-----------------------------------------------------------------------------------+
| 公有云 / SaaS 托管平台 |
│ |
| Streamlit Community Cloud / 阿里云容器服务 / Docker |
│ (线上地址: https://viz-dashboard-ci-cd.streamlit.app/) |
+-----------------------------------------------------------------------------------+

实现细节

交互式探索分析与高管四象限图 (Plotly)

评估薪酬和工作生活平衡时，最头疼的问题是数据点太多、相互遮挡。我做了一个高管四象限矩阵，按职位和级别聚合数据，对标市场中间值，一眼看出哪些方向最优：

import plotly.express as px
import streamlit as st fig_quadrant = px.scatter( agg_wlb, x="avg_wlb", y="avg_salary", size="headcount", color="job_title", symbol="experience_level", text="job_title", title="<b>Executive Quadrant Matrix: Compensation vs. Work-Life Balance</b>", template="plotly_dark",
)
fig_quadrant.add_hline(y=median_salary, line_dash="dash", annotation_text="Market Median Salary")
fig_quadrant.add_vline(x=median_wlb, line_dash="dash", annotation_text="Median WLB")
st.plotly_chart(fig_quadrant, use_container_width=True)

统计分析模块：Seaborn 与 Matplotlib

做统计探索时，Seaborn 的核密度估计 (KDE) 曲线、协方差矩阵、小提琴图非常好用，可以直观看到薪资在不同远程工作比例下的分布差异：

import matplotlib.pyplot as plt
import seaborn as sns
import streamlit as st plt.style.use("dark_background")
fig, ax = plt.subplots(figsize=(8, 5))
sns.histplot( data=df, x="salary_usd", hue="experience_level", kde=True, palette="mako", alpha=0.45, ax=ax,
)
ax.set_title("Kernel Density Estimation (KDE) of Tech Compensation")
st.pyplot(fig)
plt.close(fig)

高性能 Web Canvas：Bokeh 与 HoverTools

Bokeh 通过 BokehJS 直接渲染到 HTML5 Canvas，支持硬件加速的矢量绘图，悬停提示几乎零延迟：

from bokeh.plotting import figure
from bokeh.models import ColumnDataSource, HoverTool, NumeralTickFormatter
from bokeh.embed import file_html
from bokeh.resources import CDN
import streamlit.components.v1 as components source = ColumnDataSource(df)
p = figure( title="Bokeh Canvas: Work-Life Balance vs. Annual Compensation", tools="pan,wheel_zoom,box_zoom,reset,save", background_fill_color="#1E293B", sizing_mode="stretch_width", height=460,
)
circle = p.scatter(x="work_life_balance", y="salary_usd", size=9, source=source, alpha=0.85) hover = HoverTool( renderers=[circle], tooltips=[ ("Role", "@job_title"), ("Salary", "@salary_formatted"), ("Seniority", "@experience_level"), ("Country", "@company_country"), ],
)
p.add_tools(hover) html_content = file_html(p, CDN, "Bokeh Plot")
components.html(html_content, height=480)

数据浏览器与 CSV 导出

平台自带交互式数据表格，支持搜索过滤和一键导出 CSV：

自动化 CI/CD 流水线

这个自动化流程在每次 push 和 pull_request 时触发，确保有问题的代码永远不会部署到线上：

name: CI/CD Multi-Tool Dashboard Pipeline on: push: branches: [ "main" ] pull_request: branches: [ "main" ] workflow_dispatch: jobs: test-and-lint: name: 🧪 Run Quality Checks & Unit Tests runs-on: ubuntu-latest steps: - name: Checkout repository uses: actions/checkout@v4 - name: Set up Python 3.11 uses: actions/setup-python@v5 with: python-version: "3.11" cache: "pip" - name: Install dependencies run: | pip install --upgrade pip pip install -r requirements.txt - name: Run Pytest Test Suite run: python -m pytest -v tests/ - name: Validate Application Code Syntax run: python -m py_compile app.py data_loader.py docker-build: name: 🐳 Docker Container Build & Verify needs: test-and-lint runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - uses: docker/setup-buildx-action@v3 - name: Build Docker Image uses: docker/build-push-action@v5 with: context: . push: false tags: viz-dashboard:latest

公有云与 SaaS 部署指南

部署到云端完全是自动化的，不需要手动操作：

方案一：Streamlit Community Cloud（零门槛 SaaS）

1. 把代码推送到 GitHub 仓库。
2. 登录 share.streamlit.io，用 GitHub 账号授权。
3. 点击 New App，选择仓库、分支 (main)、入口文件 (app.py)。
4. 点击 Deploy。Streamlit Cloud 会自动监听 main 分支，GitHub Actions 验证通过后，云端实例自动更新，零停机。

方案二：阿里云容器服务 / 腾讯云 / Railway（Docker 部署）

1. 使用仓库里预置的 Dockerfile。
2. 在阿里云容器服务控制台创建一个 Web Service，关联你的公开仓库。
3. 选择 Docker 运行时，暴露端口 8501。

本地运行

想在本地跑一下这个仪表板：

# 1. 克隆仓库
git clone https://github.com/Hashiravc/viz-dashboard-ci-cd.git
cd viz-dashboard-ci-cd # 2. 创建并激活虚拟环境
python -m venv venv
source venv/bin/activate # Windows 用户：venv\Scripts\activate # 3. 安装依赖
pip install -r requirements.txt # 4. 运行自动化测试
pytest -v tests/ # 5. 启动仪表板
streamlit run app.py

然后浏览器打开 http://localhost:8501 就能看到效果。

总结

1. 多引擎组合：现代数据平台不需要死守一个库。Seaborn 的统计严谨性、Bokeh 的客户端 Canvas 高性能、Plotly 的声明式交互，配合 Streamlit 的快速搭建能力，可以做出一套完整的分析体验。
2. DevOps 规范：GitHub Actions CI/CD 配合 pytest 自动化测试，能在代码合并前捕获可视化回归或依赖冲突，不让有问题的版本跑到线上。
3. 云端民主化：Streamlit Community Cloud、阿里云、腾讯云这类平台让仪表板可以直接面向全球用户开放，不需要自己运维服务器。

完整代码和线上 Demo 的链接在这里，感兴趣可以直接去跑跑看。

• GitHub 仓库
• 线上应用