如何使用 Marimo 进行交互式数据分析
内容提要
Marimo 是开源响应式 Python 笔记本，单元格依赖变化时自动更新，并以普通 .py 文件保存，便于版本管理和分享。本文介绍用 Marimo、Pandas 和 Altair 构建交互式数据分析仪表板：安装库、生成销售数据集、添加地区下拉框和销量滑块、过滤数据、绘制柱状图，并可将同一笔记本直接运行为只读应用，无需额外前端框架。
延伸解读
响应式执行如何减少手动重跑
Marimo 的响应式模型让单元格在依赖变化时自动更新。文中示例里，filtered_df 依赖 region 和 min_sales，调整下拉框或滑块后，表格和图表无需手动重跑就会同步刷新。这避免了传统笔记本中常见的执行顺序错乱和结果不同步问题，也让分析流程更可预测。
用普通 .py 文件保存带来的协作优势
与 Jupyter 的 .ipynb 格式不同，Marimo 笔记本保存为普通 Python 文件。这意味着可以直接用 Git 进行版本管理，减少因单元格状态和输出缓存导致的合并冲突。文中也提到，分享时对方只需有 Python 环境即可运行，不需要额外的笔记本服务或托管环境。
从分析到应用无需重建前端
同一个 Marimo 笔记本可以通过 python -m marimo run analysis.py 以只读应用模式运行，代码会被隐藏。文中强调，这让你在开发时用于探索数据，之后直接分享为仪表板或交互应用，不必再引入 Streamlit 等额外框架或重写分析逻辑，减少了依赖和迁移成本。
内置 UI 与可视化库的配合方式
Marimo 自带下拉框、滑块、表格等 UI 组件，并兼容 Matplotlib、Plotly、Altair、Seaborn 等可视化库。文中用 Altair 绘制柱状图，并指出部分图表支持将选择事件传回 Python。这为构建更复杂的交互分析提供了基础，但具体能力取决于所用图表库的支持程度。
Q&A
Marimo 和传统 Python 笔记本（如 Jupyter）主要有什么区别？
Marimo 是开源响应式 Python 笔记本，单元格依赖变化时自动更新，并以普通 .py 文件保存，便于版本管理和分享。传统笔记本可能因执行顺序错误导致结果不同步，且转为交互应用通常需要额外工具或重建分析。
如何安装 Marimo 并创建第一个笔记本？
使用 pip install marimo pandas altair 安装，也可用 uv 或 Conda，或安装 marimo[recommended] 包含 DuckDB、Polars 等工具。创建笔记本命令：python -m marimo edit analysis.py，会在浏览器中打开编辑器。
在 Marimo 中如何添加交互控件（如下拉框和滑块）？
使用 mo.ui.dropdown 创建下拉框，mo.ui.slider 创建滑块，并通过 mo.hstack 水平排列。例如：region = mo.ui.dropdown(options=["All"] + sorted(df["region"].unique().tolist()), value="All", label="Region")；min_sales = mo.ui.slider(start=0, stop=int(df["units_sold"].max()), value=0, label="Minimum units sold")。
Marimo 的响应式执行是如何工作的？
Marimo 自动跟踪单元格之间的依赖关系。当控件值（如 region 或 min_sales）变化时，依赖它们的单元格（如 filtered_df）会自动重新运行，无需手动重新执行。这是 Marimo 与传统笔记本的主要区别之一。
如何将 Marimo 笔记本作为只读应用运行？
在终端运行：python -m marimo run analysis.py。Marimo 会以应用模式启动笔记本，隐藏可编辑的 Python 代码，使其成为交互式仪表板或应用，无需使用其他前端框架重建。
Marimo 支持哪些可视化库？
Marimo 支持 Matplotlib、Plotly、Altair、Seaborn 和 HoloViews 等流行可视化库。它还能将支持的图表中的选择传递回 Python，从而构建更交互的分析工作流。
