1. 环境准备与安装
1.1 安装依赖
本节聚焦于搭建运行环境，确保 PySide6 与 PyQtGraph 的无缝协同。 在开始前，请确认系统已安装 Python 3.9 及以上版本，最好使用虚拟环境以避免依赖冲突。核心依赖包括 PySide6、PyQtGraph、以及数值计算所需的 numpy 与 pyqt6（若使用兼容组件时的版本映射）。
推荐通过单线命令安装并锁定版本，以提升跨平台兼容性与稳定性：
# 使用虚拟环境
python -m venv venv
source venv/bin/activate # Windows 使用 venv\Scripts\activate# 安装核心依赖
pip install PySide6 PyQtGraph numpy
注意：PySide6 与 PyQtGraph 的版本需要兼容，建议从官方仓库或 PyPI 获取最新支持信息并在虚拟环境中测试运行。
1.2 虚拟环境与依赖版本管理
在生产环境中，版本锁定是确保「使用 PySide6 搭配 PyQtGraph 实现高效动态散点图的实战教程与示例代码」稳定运行的关键之一。通过 requirements.txt 或 poetry 等工具管理版本，可以快速复现调试环境。
示例 requirements.txt 内容要点：
PySide6>=6.5.0
PyQtGraph>=0.13.0
numpy>=1.24.0
2. 动态散点图的核心原理
2.1 数据流与刷新机制
动态散点图的核心在于高效的数据流与刷新策略。每一帧都要从数据源获取点位信息，快速转换为合理的坐标数组，然后通过绘图引擎进行渲染。为避免 CPU 负担，推荐使用 批量更新 而非逐点绘制，并尽量减少 Python 层的对象创建。
在实践中，通常将数据生产与绘制分离，使用 信号槽机制 将数据变更通知绘图组件，确保 UI 在主线程中保持高响应性，同时数据产生可以放在后台线程或定时器中完成。
2.2 PyQtGraph 的绘图架构
PyQtGraph 提供了高性能的绘图组件，适合实时数据展示。核心组件包括 PlotWidget/GraphicsLayoutWidget 和 ScatterPlotItem。通过将数据以 NumPy 数组形式传给 setData，可以达到极低的 CPU 开销与低延时渲染。
在动态场景中，推荐使用 ScatterPlotItem 的 setData 方法进行批量更新，避免每个点单独创建绘制对象的开销。
3. PySide6 与 PyQtGraph 集成实战
3.1 构建主界面
本节给出一个简洁的主界面框架，展示如何将 PySide6 与 PyQtGraph 结合起来实现高效动态散点图。 使用 PySide6 创建应用入口、主窗口和中央绘图区域，确保界面响应与绘图性能的平衡。
核心思路是将绘图区域放置在 QMainWindow 的中央部件，辅以一个轻量的控制区用于演示数据源配置与刷新设置。
from PySide6.QtWidgets import QApplication, QMainWindow, QWidget, QVBoxLayout
from PySide6.QtCore import QTimer
import pyqtgraph as pg
import numpy as npclass MainWindow(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("动态散点图示例 - PySide6 + PyQtGraph")self.resize(800, 600)central = QWidget()layout = QVBoxLayout(central)self.plot_widget = pg.PlotWidget()layout.addWidget(self.plot_widget)self.setCentralWidget(central)# 初始化一个散点绘图项self.scatter = pg.ScatterPlotItem(size=6, pen=None, brush=pg.mkBrush(0, 255, 0, 120))self.plot_widget.addItem(self.scatter)# 数据生成器（演示用）self.timer = QTimer(self)self.timer.timeout.connect(self.update_data)self.timer.start(16) # ~60fpsself.x = np.zeros(100)self.y = np.zeros(100)def update_data(self):# 这里演示随机数据更新，真实场景请替换为数据源self.x = np.random.normal(size=100)self.y = np.random.normal(size=100)pos = np.column_stack((self.x, self.y))self.scatter.setData(pos=pos.view(np.ndarray))
3.2 高效数据源与队列
为了实现高效的实时渲染，数据源应尽量线程化，且避免在 UI 线程中进行大量的数值计算。 可以使用后台线程产生数据、再通过信号传递给 UI 线程进行绘图更新。下述思路适用于大多数实时监控或仿真场景：
分离数据生产与绘制：数据在后台线程产生，UI 线程通过信号接收新的坐标数组。通过共享内存或队列传递 NumPy 数组，避免逐帧的对象分配。
from PySide6.QtCore import QObject, Signal, QThread
import numpy as npclass DataSource(QObject):data_ready = Signal(np.ndarray, np.ndarray)def run(self):# 模拟数据源，实际应用中替换为传感器、网络流等while True:x = np.random.normal(size=200)y = np.random.normal(size=200)self.data_ready.emit(x, y)
将数据从子线程传回主线程后，在主线程中将数据拼装为两列数组后调用 ScatterPlotItem.setData，这样就能实现无缝的高帧率渲染。
3.3 动态散点数据的绘制
动态绘制的关键在于最小化绘制调用开销，以及避免频繁地创建新的绘图对象。通过一次性传入整批点位，可以显著提升渲染效率。
下面的实现思路与前述示例相符：在定时器触发或信号到来时，将数据整合为一个二维坐标数组，然后通过 ScatterPlotItem.setData 更新。
# 继续扩展上面的 MainWindow，加入数据源线程
from PySide6.QtWidgets import QApplication, QMainWindow
from PySide6.QtCore import QThread, Signal, QObject
import numpy as np
import pyqtgraph as pgclass DataProducer(QObject):data_ready = Signal(np.ndarray, np.ndarray)def run(self):while True:x = np.random.normal(size=300)y = np.random.normal(size=300)self.data_ready.emit(x, y)class MainWindow(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("动态散点图 - 数据源分离示例")self.plot_widget = pg.PlotWidget()self.setCentralWidget(self.plot_widget)self.scatter = pg.ScatterPlotItem(size=6, pen=None, brush=pg.mkBrush(255, 0, 0, 120))self.plot_widget.addItem(self.scatter)self.thread = QThread()self.producer = DataProducer()self.producer.moveToThread(self.thread)self.producer.data_ready.connect(self.on_data)self.thread.started.connect(self.producer.run)self.thread.start()def on_data(self, x, y):pos = np.stack((x, y), axis=-1)self.scatter.setData(pos=pos)if __name__ == '__main__':app = QApplication([])w = MainWindow()w.show()app.exec()
4. 代码示例与实现细节
4.1 最小可运行示例
下面给出一个紧凑的最小可运行示例，整合了 PySide6 与 PyQtGraph，用于演示动态散点在 UI 主线程中的实时更新。确保在同一运行环境中执行，避免版本冲突。
核心要点：创建 PlotWidget、添加 ScatterPlotItem、通过定时器或信号实现数据的批量更新。
from PySide6.QtWidgets import QApplication, QMainWindow
from PySide6.QtCore import QTimer
import pyqtgraph as pg
import numpy as npclass DemoWindow(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("最小动态散点图示例")self.resize(640, 480)self.plot_widget = pg.PlotWidget()self.setCentralWidget(self.plot_widget)self.scatter = pg.ScatterPlotItem(size=6, brush=pg.mkBrush(0, 170, 255, 120))self.plot_widget.addItem(self.scatter)self.timer = QTimer(self)self.timer.timeout.connect(self.update)self.timer.start(16)def update(self):x = np.random.normal(size=400)y = np.random.normal(size=400)pos = np.column_stack((x, y))self.scatter.setData(pos=pos)if __name__ == "__main__":app = QApplication([])w = DemoWindow()w.show()app.exec()
4.2 优化点与技巧
在高性能场景下，保持帧率稳定是关键。以下要点有助于提升动态散点图的实际表现：避免逐点对象创建、优先使用 NumPy 数组批量传递、尽量减少 UI 线上的复杂计算、在必要时启用抗锯齿或简化绘制选项以降低 GPU 负担。
另外，合理设置点的大小、透明度和颜色分布也能降低渲染压力，尤其在点数达到数千甚至上万时，避免过于密集的绘制会显著提升性能。
以下是一个简化的性能优化思路片段：将数据生产与绘制解耦、使用批量更新、尽量复用绘制对象，从而获得更高的帧率与更低的延迟。
