100万行数据，拖一下缩放，卡住了。1亿行——大多数Python工程师的直觉是：先 df.sample(100_000) 再说。
这个直觉在今天被一个名叫XY的库彻底颠覆了。北京时间8月4日，Reflex AI正式开源了XY——一个基于Rust核心的Python 2D交互图表库。它的基准测试数据看起来像在做假：1万点0.071秒，1亿点0.081秒。渲染速度几乎不随数据量增长而衰减，交互——悬停、缩放、选中——全程流畅，导出文件稳定在258 KiB。
不是优化，是重构。不是加速，是换引擎。
Python绘图的十年之痛，被Rust一刀捅穿
Python数据可视化生态在过去十年里基本是Matplotlib、Plotly和Bokeh三分天下。但三者有一个共同的底层缺陷：它们为每个数据点创建一个独立的绘图对象。几千个点还好，几十万个点开始卡顿，几百万个点——浏览器直接崩溃。
这种架构在2015年勉强够用，但2026年的数据规模已经完全不同。一个时序数据库的遥测数据动辄数千万行，一个embedding矩阵可能包含上亿个向量，市场逐笔交易数据单日就能突破5000万条。面对这种量级，传统Python绘图库的应对策略只能是先采样，再画图。但采样会丢失异常值、丢失尾部行为、丢失数据中的真实信号。
XY的解决思路完全不同。它不在Python层做绘图对象的逐个构建，而是把计算全部下沉到Rust原生核心，然后通过WebGL2直接在浏览器GPU上渲染。数据传递不走JSON——它用类型化的二进制缓冲区直接从Rust发送到浏览器。
结果就是基准测试上的碾压式差距：
- 1000万点散点图：XY渲染耗时约0.083秒，文件大小258 KiB；Plotly等价的HTML文件是259 MiB，整整1000倍的差距
- 5000万点：XY相比其他库实现177倍加速
- Python端内存占用：1000万点时XY仅0.32 GiB，Matplotlib为0.84 GiB，Plotly飙升到1.86 GiB
更夸张的是，Reflex团队实测渲染了完整的OpenStreetMap数据集——100亿个点，仍然可用。
技术拆解：XY为什么能做到“越画越快”
XY的核心创新不在于某一种算法，而在于一套完整的渲染流水线重构。
第一层：数据降维——只画屏幕上能看见的
大多数绘图库的思维是“每个点创建一个对象”，XY的思维是“屏幕只有这么多像素，画超过像素数量的点没有任何意义”。对于散点图，XY构建一个固定分辨率的密度表面，把落在同一像素区域的点合并为密度信息。对于折线图，它使用M4降采样算法——只保留每个区间内的最大值、最小值、第一个值和最后一个值，确保曲线的峰谷形状完整保留。
第二层：渐进式细化——缩放时自动切换精度
当用户缩小视图时，XY用密度表面或降采样结果快速渲染。放大时，它自动细化可见区域的计算，一旦视图缩放到足够小，就切换到精确点的逐点渲染。整个过程用户无感知，但计算量始终控制在与屏幕像素数相当的级别。
第三层：Rust原生核心——PyO3桥接，零GIL干扰
XY的Python包只是一个薄薄的接口层，真正的计算引擎用Rust编写，通过PyO3桥接到Python。这意味着XY在处理数据时完全不受Python全局解释器锁的限制，可以充分利用多核CPU并行计算。
第四层：WebGL2渲染——浏览器端GPU加速
传统图表库在浏览器端使用Canvas 2D或SVG渲染，每个图形元素都是一个独立的DOM节点。当节点数量超过几万个时，DOM操作本身就成了瓶颈。XY使用WebGL2直接调用GPU进行像素级渲染，浏览器不需要管理成千上万个DOM元素，只需要维护一个画布纹理。
这套架构的最终效果是：XY的渲染延迟几乎不随数据量增长。从1万点到1亿点，延迟只从0.071秒涨到0.081秒——增量几乎可以忽略不计。而Matplotlib在1000万点以上基本无法完成交互渲染，Plotly在5000万点处甚至无法完成图表构建。
258 KiB对抗259 MiB：被重新定义的图表分发
在XY的所有数据中，有一个数字比“0.081秒”更值得关注：1000万点交互散点图的导出HTML文件大小——258 KiB。
Plotly等价的文件是259 MiB。1000倍的差距。
这不是一个优化的问题，这是一个范式的问题。Plotly的每个数据点都是独立的JSON对象，序列化后打包成HTML。数据量越大，JSON越大，直到大到浏览器解析不了、网络传输不了、Git仓库存不下。258 KiB意味着你可以把这份图表直接提交到GitHub仓库、作为邮件附件发送、嵌入到任何网页中。259 MiB意味着你必须租一台服务器来托管它。
XY的payload大小从100万行到1亿行都稳定在258 KiB附近。数据量增加100倍，输出文件大小不变。因为XY发送到浏览器的从来不是数据本身，而是数据的视觉摘要——屏幕上有多少像素，它就发送多少信息。
这不仅仅是技术上的差异，它改变了图表的分发逻辑。以前，如果你想分享一个包含1000万点的交互图表，你只能截一张静态图发给对方，或者搭建一个后端服务。XY让交互式图表本身变成了一个可以随处携带的文件。
Rust正在吃掉Python的生态
XY不是第一个“Python接口，Rust引擎”的项目，但它是迄今为止冲击力最强的一个。
过去两年，Python生态经历了一场静悄悄但不可逆的Rust化改造。Astral公司的Ruff——Python linter，比它替代的Flake8、isort、Black等工具快约100倍——已经在绝大多数新Python项目中取代了旧工具链。uv——Rust编写的Python包管理器，比pip快10到100倍——正在成为新的默认选择。Pydantic V2用Rust重写核心验证逻辑后，速度比V1提升了5到50倍。Polars——Rust原生的DataFrame库——正在以“Pandas替代者”的定位蚕食Pandas的腹地。PyO3的下载量在两年内增长了300%。
Rust语言团队联合负责人Josh Triplett在2025年的RustConf上说过一段话：
“Rust和Python正在变得越来越共生。PyO3的下载量两年增长了300%。更多的Python包内部含有Rust代码，比大多数开发者意识到的要多。我们不想取代Python——我们想从内部让Python更快。”
XY把这场运动推到了一个新的维度。之前的Rust化改造集中在工具链、数据验证、数据处理——这些都属于开发者的后台体验。而XY直接触及了数据分析和科学计算中最直观、最面向用户的环节：画图。
当一个Python工程师在Jupyter Notebook里执行 import xy.pyplot as plt，然后看到1000万个点瞬间渲染出来——他体验到的不只是“快了”，而是一种“原来可以这样”的顿悟。这种体验一旦形成，就很难回到Matplotlib或Plotly的等待焦虑中。
XY的局限与Reflex的棋局
XY不是万能的。当前版本不支持极坐标图和3D图，图表类型覆盖范围远不如Matplotlib和Plotly。如果用户调用了一个XY尚未实现的方法，它会直接抛错。在功能完整度上，XY还处于“最快但不是最全”的状态。
更重要的是，XY的渲染策略在某些场景下存在副作用。密度表面和M4降采样本质上是画近似，虽然大多数情况下用户无法感知差异，但在需要精确到每个点的科学研究场景中，这种近似可能不适用。XY提供了 density=False 参数来关闭聚合，此时100M精确标记点的渲染耗时约1.343秒，内存占用5.26 GiB——仍然可用，但不再有“0.081秒”的惊艳。
Reflex的野心显然不止于做一个快的绘图库。Reflex本身就是Python全栈Web框架，定位是“用纯Python写前端和后端”。XY的路线图明确写着：将实时数据通道直接接入Reflex框架。这意味着，未来Reflex开发者可以构建包含数十个实时交互图表的仪表盘，每个图表都连接着实时的数据流，而浏览器不会因为WebGL上下文耗尽而崩溃。
这盘棋下得很大：从Python框架到图表库，Reflex正在构建一个“纯Python数据应用”的完整闭环——前端、后端、可视化，全部用Python写，全部由Rust提供底层性能。
这意味着什么
短期来看，它解决了“数据量大就画不了图”这个困扰Python社区十多年的老问题。任何处理大规模数据的团队——从量化交易到物联网遥测，从生物信息学到网络分析——都可以立即受益。安装只需要一行 pip install xy，迁移只需要把 import matplotlib.pyplot as plt 改成 import xy.pyplot as plt。
中期来看，XY的“258 KiB对抗259 MiB”正在重新定义交互式图表的分发标准。当一张包含千万级数据的交互图表可以被当作一个文件来分享时，数据协作的方式会发生根本变化。不再需要“你先跑个采样给我看看”，而是直接发送完整数据集的可视化。
长期来看，XY是“Python接口，Rust引擎”这一趋势的里程碑。它证明了一件事：Python在数据科学领域的统治地位不会因为性能瓶颈而终结，因为Rust可以用一种透明的方式为Python提供底层加速。用户不需要学习Rust，不需要安装额外的编译器，甚至不需要知道Rust的存在——他们只需要 pip install xy，然后看到一个0.081秒渲染出来的1亿点图表。
在2026年的今天，如果你还在用 df.sample(100_000) 来配合你的绘图库，你该知道：那个时代结束了。
快报