企业官网建设流程全解析

1. 项目概述：当 Streamlit 遇上 Plotly 地图，连接能力不再只是“读数据库”那么简单

Streamlit 的 Connections 功能刚发布时，我第一反应是：“又一个封装 database connector 的语法糖？”——直到我用它在 12 分钟内把一个需要手动维护 7 个环境变量、3 层 try-except、还要自己写连接池回收逻辑的地理围栏分析页，压缩成 9 行可复用代码，并且首次实现「用户切换城市后，地图自动重载+缓存穿透控制+错误状态精准提示」三位一体。这根本不是连接器升级，而是 Streamlit 从「快速原型工具」向「轻量级生产应用框架」迈出的关键一步。核心关键词就三个：Streamlit Connections、Interactive Plotly Maps、State-Aware Data Flow。它解决的不是“怎么连数据库”，而是“如何让每一次用户交互都自然触发数据层响应，同时不牺牲响应速度与错误可观测性”。适合三类人：正在用 Streamlit 做地理可视化但卡在数据刷新逻辑里的数据工程师；想用 Python 快速交付带空间筛选功能的业务看板的产品经理；以及那些被st.experimental_rerun()和st.cache_data(ttl=...)组合拳反复暴击、至今没搞懂为什么地图缩放后坐标乱跳的前端转岗开发者。这不是教你怎么画地图，而是告诉你：当用户拖动地图、点击区域、输入经纬度时，你的后端数据流该如何像呼吸一样自然同步。

2. 设计思路拆解：为什么 Connections 不是“另一个 st.connection”，而是新范式起点

2.1 传统方案的硬伤：我们到底在重复造什么轮子？

在 Connections 出现前，我在三个不同客户项目里都踩过同一类坑。典型场景是：一个销售热力图看板，支持按省/市/区三级下钻。旧做法是：

• 用st.selectbox拉取省级列表 → 用户选“广东省” → 触发st.cache_data重新查该省所有地市 → 渲染地市下拉 → 用户再选“深圳市” → 再次查深圳各区 → 最后查深圳各门店坐标 → 用 Plotly 绘制散点图。

表面看逻辑清晰，实则暗藏四重反模式：

1. 状态割裂：st.selectbox的值变更和st.cache_data的 key 重建是两个独立事件，中间没有事务保证。用户快速连点两次“深圳市”，第二次请求可能因缓存未失效而返回旧数据；
2. 错误不可见：数据库查询失败时，st.cache_data默认静默抛异常，页面只显示空白地图，用户不知道是网络问题、权限问题还是 SQL 写错了；
3. 资源浪费：每次下钻都新建数据库连接，高峰期 50 个并发用户 = 50 个空闲连接挂在 PostgreSQL 上，DBA 第二天就会找你喝茶；
4. 无法响应地图交互：Plotly 地图支持双击缩放、拖拽平移、框选区域，但这些前端事件根本无法触发后端数据重载——你得额外写 JavaScript bridge，再用st.components.v1.html注入，复杂度直线上升。

我试过用st.session_state手动管理连接对象，也试过用@st.cache_resource封装连接池，但都绕不开一个本质矛盾：Streamlit 的 rerun 模型是声明式的（“我要这个数据”），而地理分析是响应式的（“用户刚刚拖动了地图，我需要新范围的数据”）。Connections 的出现，就是为了解决这个范式错配。

2.2 Connections 的设计哲学：把“连接”从资源变成状态管理单元

官方文档说 Connections 是 “a unified interface for connecting to external data sources”，但真正颠覆的是它把连接对象本身变成了可监听、可响应、可缓存的状态载体。关键设计有三点：

• 连接即上下文（Connection as Context）：st.connection("my_db", type="sql")创建的不是连接实例，而是一个连接上下文管理器。它内部维护着连接池、缓存策略、错误处理器三重状态，且这些状态与当前 session 绑定。这意味着：同一个用户会话中，所有对my_db的查询共享同一套连接池和缓存规则，无需手动传递 connection 对象。

• 查询即事件（Query as Event）：.query()方法不再是简单执行 SQL，而是触发一次完整的“连接生命周期事件”。它会自动：

  • 检查缓存是否命中（基于 SQL 字符串 + 参数哈希）；
  • 未命中时从连接池获取连接，执行查询；
  • 成功后将结果存入st.cache_data（默认 TTL 3600 秒）；
  • 失败时捕获异常，注入到st.exception可视化组件中，且保留原始 traceback。

• 参数即依赖（Parameters as Dependencies）：.query()的参数（如where_clause="city = :city"中的:city）会被自动注册为 rerun 依赖。当st.session_state.city变更时，Streamlit 不仅会重运行脚本，还会主动使.query()的缓存失效——这才是真正意义上的“响应式数据流”。

提示：Connections 的缓存键生成逻辑是hash(sql_string + str(params))，不是简单的sql_string。所以query("SELECT * FROM sales WHERE city = :c", c="Shenzhen")和query("SELECT * FROM sales WHERE city = :c", c="shenzhen")会被视为两个独立缓存项，避免大小写导致的缓存污染。

2.3 为什么必须搭配 Plotly？地理交互的本质是“空间参数动态生成”

单纯用 Connections 查数据库还不够，真正的价值爆发点在于它与 Plotly 的协同。Plotly 地图（尤其是choropleth_mapbox和scatter_mapbox）有两个关键特性：

• 前端空间计算能力：Mapbox GL JS 引擎能在浏览器内实时计算当前视口的 bounding box（经度/纬度范围）、中心点坐标、缩放级别，甚至支持map.queryRenderedFeatures()获取当前屏幕内渲染的 GeoJSON 特征；
• 事件驱动 API：提供plotly_relayout、plotly_click、plotly_selected等原生事件，可捕获用户所有地图操作。

而 Connections 的参数化查询，恰好能将这些前端空间参数无缝注入后端数据流。例如：

• 用户拖动地图后，relayoutData包含"mapbox.center": {"lon": 114.05, "lat": 22.55}和"mapbox.zoom": 11；
• 我们提取lon,lat,zoom，计算出当前视口的地理围栏（GeoJSON Polygon）；
• 将该 Polygon 作为 WKT 字符串传入.query("SELECT * FROM stores WHERE ST_Within(geom, ST_GeomFromText(:wkt))", wkt=polygon_wkt)；
• Connections 自动处理连接、缓存、错误，返回新数据集，Plotly 重新渲染。

这整条链路，不需要st.experimental_rerun()，不需要st.session_state手动同步，甚至不需要写一行 JavaScript——全部由 Streamlit 内部事件总线完成。这才是“Empowering Your App”的真实含义：赋予应用感知空间变化并自主响应的能力。

3. 核心细节解析：从零搭建一个可交互地理看板的 7 个关键环节

3.1 环境准备与依赖安装：版本兼容性是隐形地雷

别急着写代码，先确认你的技术栈版本。我在测试中发现三个关键兼容点：

• Streamlit 版本：必须 ≥ 1.28.0。1.27.x 虽然已包含 Connections 初版，但缺少对st.connection(..., type="sql")的完整支持，且query()方法无ttl参数。我用pip install streamlit==1.28.2锁死版本，避免 CI/CD 环境中因 minor version 升级导致行为不一致。
• Plotly 版本：推荐plotly==5.18.0。5.19+ 引入了新的mapbox_access_token自动检测逻辑，会与 Streamlit 的 secrets 管理冲突；而 5.17.x 在处理scatter_mapbox的hover_data时存在内存泄漏。实测 5.18.0 最稳。
• 数据库驱动：若用 PostgreSQL，psycopg2-binary==2.9.7是黄金组合。2.9.8 开始强制要求 OpenSSL 3.0，而某些 CentOS 7 服务器仍用 OpenSSL 1.0.2，会导致连接时ImportError: libssl.so.1.0.0。宁可手动降级也不要盲目pip install --upgrade。

# 推荐的 requirements.txt 片段 streamlit==1.28.2 plotly==5.18.0 psycopg2-binary==2.9.7 geopandas==0.14.0 # 后续做空间计算要用 shapely==2.0.3 # geopandas 依赖，2.0+ 支持 GEOS 3.12

注意：geopandas和shapely不是 Connections 必需，但在处理地理围栏时不可或缺。比如用户框选区域后，你需要用shapely.ops.unary_union()合并多个小多边形，再用geopandas.GeoSeries.from_wkt()转成 WKT 传给 SQL 查询。这些操作必须在 Python 层完成，不能依赖数据库的 ST_* 函数——因为不是所有数据库都支持空间扩展（如 SQLite 需要额外加载 SpatiaLite）。

3.2 数据库连接配置：secrets.toml 不是摆设，是安全基线

很多人把数据库密码写在代码里，或者用环境变量硬编码。Connections 强制要求使用secrets.toml，这是正确姿势：

# .streamlit/secrets.toml [connections.my_postgres] type = "sql" url = "postgresql://user:password@host:5432/dbname" # 可选：指定连接池参数 pool_size = 5 max_overflow = 10 # 可选：自定义缓存 TTL（秒） ttl = 300

关键细节：

• url必须是标准 SQLAlchemy URL 格式，postgresql+psycopg2://前缀可省略，但postgresql://不可少；
• pool_size和max_overflow直接透传给 SQLAlchemy 的create_engine(pool_size=..., max_overflow=...)，建议按预估并发数设置：pool_size = 并发用户数 × 0.8，max_overflow = pool_size × 2；
• ttl是全局缓存时间，但可在.query()中覆盖：.query("...", ttl=60)优先级更高。

实操心得：我曾在一个 200 人并发的销售看板中，将pool_size设为 20，max_overflow设为 40，数据库连接数稳定在 25±3。当max_overflow设为 100 时，PostgreSQL 的max_connections被打满，导致其他业务系统超时。记住：连接池不是越大越好，而是要匹配数据库的max_connections和应用的实际负载曲线。

3.3 Plotly 地图初始化：Mapbox Token 的两种安全注入方式

Plotly 地图必须 Mapbox Access Token，而 Connections 不处理这个。安全方案只有两种：

方案一：通过 secrets.toml 注入（推荐）

# .streamlit/secrets.toml [mapbox] token = "pk.eyJ1IjoibXl1c2VyIiwiYSI6ImNsbGx..."

然后在 Python 中：

import plotly.express as px import streamlit as st # 从 secrets 安全读取 mapbox_token = st.secrets["mapbox"]["token"] px.set_mapbox_access_token(mapbox_token) # 全局设置 # 后续所有 px.*_mapbox() 都自动使用该 token fig = px.scatter_mapbox(df, lat="lat", lon="lon", size="sales")

方案二：通过 environment variable（适合 Docker/K8s）

# Dockerfile 片段 ENV MAPBOX_TOKEN=pk.eyJ1IjoibXl1c2VyIiwiYSI6ImNsbGx...

# Python 中读取 import os px.set_mapbox_access_token(os.getenv("MAPBOX_TOKEN"))

提示：绝对不要在代码中硬编码px.set_mapbox_access_token("pk.xxx")！Mapbox Token 泄露会导致你的账户被恶意刷流量，产生高额账单。我见过客户因硬编码 token 被爬虫扫到，三天内产生 $2,300 账单。secrets.toml 是 Streamlit 提供的、经过加密传输和存储的安全通道，不用白不用。

3.4 构建响应式地图：从静态渲染到空间参数捕获

基础地图渲染很简单：

import plotly.express as px import pandas as pd df = pd.read_csv("stores.csv") # 包含 lat, lon, name, sales 列 fig = px.scatter_mapbox( df, lat="lat", lon="lon", size="sales", color="sales", hover_name="name", mapbox_style="carto-positron", zoom=3, center={"lat": 30, "lon": 105}, height=600 ) st.plotly_chart(fig, use_container_width=True)

但要让它“活”起来，必须启用事件监听。Streamlit 1.28+ 原生支持on_select回调：

# 关键：启用 selection 事件 fig = px.scatter_mapbox( ... # 同上 # 添加 selection 模式 selection_mode="box+lasso", # 支持框选和套索 ) # 使用 st.plotly_chart 的 on_select 参数 selected_points = st.plotly_chart( fig, use_container_width=True, on_select="rerun" # 或 "callback" )

selected_points是一个字典，结构为：

{ "selection": { "points": [{"pointIndex": 0, "customdata": ["store_A"]}, ...], "range": {"x": [113.8, 114.2], "y": [22.4, 22.6]} # 框选的经纬度范围 } }

这里range.x和range.y就是用户框选的经度/纬度区间，可直接用于空间查询。

3.5 空间参数到 SQL 查询：WKT 生成与 PostGIS 适配

拿到range.x和range.y后，不能直接拼 SQL。必须构造成标准 WKT（Well-Known Text）多边形，再用 PostGIS 的ST_Within函数查询：

from shapely.geometry import box from shapely.ops import unary_union import geopandas as gpd def range_to_wkt(x_range, y_range): """将 Plotly 返回的 x/y 范围转为 WKT POLYGON""" # Plotly 的 range 是 [min, max]，box() 需要 (minx, miny, maxx, maxy) poly = box(x_range[0], y_range[0], x_range[1], y_range[1]) return poly.wkt # 在回调中使用 if selected_points and "range" in selected_points["selection"]: x_range = selected_points["selection"]["range"]["x"] y_range = selected_points["selection"]["range"]["y"] wkt_polygon = range_to_wkt(x_range, y_range) # 查询该范围内的门店 conn = st.connection("my_postgres", type="sql") df_filtered = conn.query( """ SELECT id, name, lat, lon, sales FROM stores WHERE ST_Within(geom, ST_GeomFromText(%(wkt)s, 4326)) """, params={"wkt": wkt_polygon}, ttl=60 )

注意：ST_GeomFromText(wkt, 4326)中的4326是 WGS84 坐标系 SRID，必须显式指定。如果数据库中geom列是GEOGRAPHY类型（PostgreSQL），则用ST_GeogFromText(wkt, 4326)更高效。

3.6 错误处理与用户体验：让失败变得“可理解”

Connections 的错误处理比手动 try-catch 更精细。它会捕获三类异常：

• 连接异常（如网络不通、认证失败）：sqlalchemy.exc.OperationalError
• 查询异常（如表不存在、SQL 语法错误）：sqlalchemy.exc.ProgrammingError
• 数据异常（如类型转换失败）：pandas.errors.ParserError

你可以用st.exception()显示原始错误，但更好的做法是分类提示：

try: df = conn.query("SELECT * FROM stores WHERE ...", params=...) except sqlalchemy.exc.OperationalError as e: st.error(f"❌ 数据库连接失败：{str(e).split(')')[0]})") st.info("请检查网络或联系管理员") except sqlalchemy.exc.ProgrammingError as e: st.error(f"❌ 查询语句错误：{str(e)}") st.code("SELECT * FROM stores WHERE ...", language="sql") else: if df.empty: st.warning("⚠️ 当前区域暂无数据，请尝试放大或移动地图") else: st.success(f"✅ 已加载 {len(df)} 个门店") # 渲染地图...

实操心得：我在线上环境加了一行日志：st.toast(f"Query executed in {elapsed:.2f}s", icon="⏱️")，放在conn.query()之后。用户能看到“查询耗时”，而不是干等白屏。这对提升感知性能极有效——即使实际耗时 1.2 秒，显示“⏱️ 1.23s”比空白等待心理感受好得多。

3.7 缓存策略精细化：何时该用 TTL，何时该禁用

Connections 默认 TTL 3600 秒，但地理场景下需动态调整：

• 静态底图数据（如省界、市界 GeoJSON）：TTL 可设为 86400（24 小时），因为行政区划极少变更；
• 实时销售数据：TTL 应 ≤ 60 秒，否则用户看到的是 10 分钟前的热力图；
• 用户框选结果：TTL 应设为 0（禁用缓存），因为每次框选都是新空间范围，缓存无意义。

禁用缓存的方法：

# 方式一：query 时传 ttl=0 df = conn.query("...", ttl=0) # 方式二：创建 connection 时设 ttl=0（全局禁用） conn = st.connection("my_postgres", type="sql", ttl=0)

提示：禁用缓存不等于禁用连接池。ttl=0只是跳过st.cache_data，连接池、重试机制、错误处理依然生效。这是 Connections 设计的精妙之处：缓存层与连接层解耦。

4. 实操过程详解：从本地开发到生产部署的完整链路

4.1 本地开发调试：用 mock 数据绕过数据库依赖

开发初期，你可能还没搭好 PostgreSQL。用st.connection(..., type="mock")可以完全模拟：

# .streamlit/secrets.toml [connections.mock_db] type = "mock" data = [ {"id": 1, "name": "深圳南山店", "lat": 22.543, "lon": 113.932, "sales": 125000}, {"id": 2, "name": "深圳福田店", "lat": 22.532, "lon": 114.057, "sales": 98000}, ] # Python 中 conn = st.connection("mock_db", type="mock") df = conn.query("SELECT * FROM mock_data") # 自动返回 secrets 中的 data

Mock 连接支持.query()、.session（返回 Pandas DataFrame），但不支持参数化查询。足够你调通前端交互逻辑。

4.2 地图交互全流程实录：一次框选的 7 个内部步骤

以用户框选深圳湾为例，完整链路如下：

1. 前端触发：用户在 Plotly 地图上画框 → 浏览器触发plotly_selected事件；
2. Streamlit 捕获：st.plotly_chart(..., on_select="rerun")检测到事件 → 触发整个脚本 rerun；
3. 状态重建：Streamlit 重建st.session_state，selected_points变量被赋值为新选择数据；
4. 参数提取：Python 代码解析selected_points["selection"]["range"]，得到x=[113.89, 114.02],y=[22.48, 22.56]；
5. WKT 生成：调用box(113.89, 22.48, 114.02, 22.56).wkt→"POLYGON((113.89 22.48, 114.02 22.48, 114.02 22.56, 113.89 22.56, 113.89 22.48))"；
6. 查询执行：conn.query("SELECT ... WHERE ST_Within(geom, ST_GeomFromText(%(wkt)s, 4326))", params={"wkt": wkt})：
   • 检查缓存：hash(sql + wkt)未命中 → 跳过缓存；
   • 连接池分配：从psycopg2连接池取一个空闲连接；
   • 执行 SQL：PostgreSQL 返回 12 行匹配数据；
   • 结果缓存：将 DataFrame 存入st.cache_data（TTL=60）；
7. 前端渲染：px.scatter_mapbox(df_filtered, ...)生成新图表 →st.plotly_chart()更新 DOM。

全程无需st.experimental_rerun()，无需st.session_state手动赋值，甚至不需要if "selected_points" in st.session_state:这样的防御性判断——Streamlit 的 rerun 模型天然保证状态一致性。

4.3 生产环境部署：Dockerfile 与 Nginx 配置要点

Streamlit 官方推荐用streamlit run直接启动，但生产环境必须容器化。我的 Dockerfile 经过压测验证：

FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . # 复制 secrets.toml（注意：不要提交到 Git！） COPY .streamlit/secrets.toml /root/.streamlit/secrets.toml EXPOSE 8501 CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

Nginx 反向代理配置（关键在 WebSocket 支持）：

upstream streamlit_app { server 127.0.0.1:8501; } server { listen 80; server_name myapp.com; location / { proxy_pass http://streamlit_app; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection "upgrade"; # 必须！否则 Plotly 交互断连 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; } }

注意：proxy_set_header Connection "upgrade"是 Plotly 地图交互的生命线。没有它，plotly_selected事件无法从浏览器传到 Streamlit 后端，框选功能完全失效。我曾为此调试 8 小时，最终在 Nginx error.log 里看到upstream sent no valid HTTP/1.0 header才定位到。

4.4 性能压测实录：单实例支撑 300 并发的调优参数

用locust对/healthz和地图页面进行压测，关键指标：

• CPU 使用率：稳定在 65%（AWS t3.xlarge，4vCPU）；
• 内存占用：峰值 2.1GB（Python 进程）；
• P95 响应时间：地图首次加载 1.8s，框选查询 420ms；
• 错误率：0%。

调优参数：

• streamlit run启动参数：--server.maxUploadSize=100 --server.enableCORS=False --browser.gatherUsageStats=False
• PostgreSQLpg_hba.conf：host all all 0.0.0.0/0 md5改为host all all 172.18.0.0/16 md5（仅允许 Docker 网络访问）；
• psycopg2连接字符串追加?connect_timeout=5&options=-c%20default_transaction_isolation%3Dread_committed。

实操心得：connect_timeout=5防止连接卡死拖垮整个实例；default_transaction_isolation=read_committed是 PostGIS 空间查询的推荐隔离级别，避免SELECT ... FOR UPDATE导致锁表。这些细节在官方文档里找不到，全是线上踩坑换来的。

5. 常见问题与排查技巧实录：那些文档不会写的“血泪经验”

5.1 问题速查表：高频故障与 5 分钟定位法

5.2 空间计算陷阱：WKT 多边形方向与 PostGIS 的“左手规则”

PostGIS 要求多边形外环按逆时针（CCW）方向定义，内环（洞）按顺时针（CW）。如果 WKT 是顺时针，ST_Within可能返回空结果。shapely.box()生成的多边形默认符合规则，但手动拼接 WKT 时极易出错。

验证方法：

from shapely.wkt import loads poly = loads("POLYGON((0 0, 1 0, 1 1, 0 1, 0 0))") print(poly.is_ccw) # True 表示逆时针，符合要求

修复方法：

from shapely.geometry import Polygon # 如果 is_ccw 为 False，用 reverse() if not poly.is_ccw: poly = Polygon(poly.exterior.coords[::-1]) wkt = poly.wkt

我曾因此问题浪费两天：用户框选北京朝阳区，返回空数据。最后发现前端传来的range.x/range.y顺序颠倒（[max, min]而非[min, max]），导致box()生成顺时针多边形。加一行sorted(x_range)就解决。

5.3 缓存穿透防护：当用户疯狂拖动地图时

用户快速拖动地图，会触发大量relayout事件，每个事件都生成新wkt并查询。若不做节流，1 秒内可能发起 20+ 次查询，数据库瞬间雪崩。

解决方案：在 Python 层加防抖（debounce）：

import time from streamlit import cache_data # 全局变量存最后查询时间 if "last_query_time" not in st.session_state: st.session_state.last_query_time = 0 current_time = time.time() if current_time - st.session_state.last_query_time > 0.5: # 500ms 防抖 st.session_state.last_query_time = current_time # 执行查询... else: st.info("⏳ 地图正在快速移动，请稍候...")

注意：st.cache_data本身不支持防抖，必须在调用前用st.session_state控制。这是 Connections 未覆盖的边界场景，需要开发者自行补全。

5.4 权限最小化实践：数据库账号只给必要权限

绝不要用postgres超级用户连接应用。为 Streamlit 创建专用账号：

-- 创建只读账号 CREATE USER streamlit_app WITH PASSWORD 'strong_password'; -- 只授权查询权限 GRANT CONNECT ON DATABASE dbname TO streamlit_app; GRANT USAGE ON SCHEMA public TO streamlit_app; GRANT SELECT ON TABLE stores TO streamlit_app; -- 如果用空间函数，授权 postgis 扩展 GRANT EXECUTE ON FUNCTION ST_Within(geometry, geometry) TO streamlit_app;

验证权限：

psql -U streamlit_app -d dbname -c "SELECT COUNT(*) FROM stores;"

提示：GRANT EXECUTE ON FUNCTION ...是关键。PostGIS 函数默认不开放执行权限，否则ST_Within会报permission denied for function st_within。这是 PostgreSQL 安全模型的默认行为，新手极易忽略。

5.5 跨域调试技巧：本地开发时如何调试生产环境地图

开发时用localhost:8501，但 Mapbox Token 可能限制 Referer。解决方案：

• Mapbox 后台设置：在https://account.mapbox.com/access-tokens/中，编辑 Token，将Allowed URLs设为*（仅限开发）或http://localhost:*；
• 临时禁用 Referer 检查：在浏览器开发者工具 Console 中执行：

  // 临时修改 document.referrer（仅当前 tab 有效） Object.defineProperty(document, 'referrer', {value: 'http://localhost:8501', writable: true});

• 终极方案：用ngrok暴露本地端口，获得真实域名：

  ngrok http 8501 # 输出 https://abc123.ngrok.io # 将此 URL 加入 Mapbox Token 的 Allowed URLs

我个人在实际操作中发现：ngrok方案最可靠。它让本地开发环境与生产环境的网络路径完全一致，避免了 90% 的跨域和 Token 问题。虽然要装 ngrok，但节省的调试时间远超安装成本。

6. 进阶扩展：从交互地图到空间智能分析平台

6.1 集成空间分析函数：不只是“查出来”，还要“算出来”

Connections 查询返回的是 DataFrame，但地理分析需要空间计算。geopandas是最佳搭档：

import geopandas as gpd from shapely.geometry import Point # 将查询结果转为 GeoDataFrame gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df.lon, df.lat), crs="EPSG:4326" ) # 计算每个门店到最近地铁站的距离（需地铁站 GeoJSON） subway_gdf = gpd.read_file("subway_stations.geojson") gdf["dist_to_subway"] = gdf.geometry.distance(subway_gdf.unary_union) # 按距离分桶 gdf["dist_bucket"] = pd.cut(gdf["dist_to_subway"], bins=[0, 500, 1000, 2000], labels=["<500m", "500-1000m", "1000-2000m"])

然后将gdf传给 Plotly：

fig = px.scatter_mapbox( gdf, lat="lat", lon="lon", size="sales", color="dist_bucket", # 按距离分组着色 hover_data=["name", "dist_to_subway"] )

6.2 实时数据流接入：用 Kafka 替代数据库查询

当数据更新频率 >1 次/秒时，数据库轮询不现实。可用 Kafka 作为消息源