Rerun 数据探索指南（一）：使用 DataFrame 视图在表格中查看与排查录制数据

Rerun 数据探索指南（一）：使用 DataFrame 视图在表格中查看与排查录制数据

【免费下载链接】rerunVisualize, query, and stream to train on multimodal robotics data.项目地址: https://gitcode.com/GitHub_Trending/re/rerun

本篇指南围绕 Rerun 官方入门系列"data-out"的第一部分展开，以人脸追踪（face tracking）示例的录制数据为对象，讲解如何先在时序图（timeseries）视图中定位目标信号，再创建DataFrame 视图，以表格形式逐行检查实体数据、理解时间线索引、空值空洞与组件列语义。读完本文，你将掌握 Rerun 中 DataFrame 视图的完整配置流程（内容选择、时间线索引、时间范围过滤、空单元格填充等），并学会从视图配置反推底层数据查询语义，为后续用代码（Pandas + DataFusion）导出同一份数据打下基础。

本文对应官方系列指南的第一篇；第二篇导出为 Pandas DataFrame、第三篇分析并回传结果分别讲解代码查询与结果回传。

系列背景：从"看数据"到"用数据"

本系列的目标是构建一个简单的"张嘴检测器"（jaw open detector）：从人脸追踪示例产生的录制中，提取jawOpen混合变形（blendshape）信号，经过阈值判断得到二值状态，再以Scalar信号和Text标签的形式写回视图。整个流程分三步：

1. 在视图中探索数据（本文）：确认信号位置与数值特征，并用 DataFrame 视图核对表格形态；
2. 用代码导出数据：把录制查询成 Pandas DataFrame；
3. 分析并回传：计算张嘴状态并 log 回视图。

第一步之所以重要，是因为视图（特别是 DataFrame 视图）的配置方式，直接映射到第二步中代码查询的写法——你在 UI 里如何选实体、选时间线、过滤行，代码里就要如何构造查询。

第一步：创建一份录制

要探索数据，先得有一份录制。官方推荐直接运行仓库中的 face tracking 示例。该示例使用 Google MediaPipe 的 Face Detector 与 Face Landmarker 解决方案，对图片、视频或摄像头画面中的人脸进行检测与追踪，输出人脸关键点（landmarks）、包围盒（bounding box）以及 52 种混合变形（blendshape）评分，并用 Rerun 实时可视化。示例依赖的 Rerun 类型包括Image、Points2D、Points3D、Boxes2D、AnnotationContext与Scalars，其核心日志逻辑见 face_tracking.py。

运行方式（详见 示例 README）：

pip install --upgrade rerun-sdk pip install -e examples/python/face_tracking # 安装示例依赖 python -m face_tracking # 运行示例

示例运行后，视图中会出现一张被持续追踪的人脸：嘴巴会不时张开、闭合；录制中段人脸会短暂消失，此时追踪中断、相关信号被清空。这种"信号中断"现象正是后面要排查的重点。

如果你不想现场运行示例，仓库内已经附带了一份录制好的数据文件，路径为 tests/assets/rrd/examples/face_tracking.rrd，可以直接在 Rerun 中打开，后续所有操作对这份.rrd同样成立。

定位目标信号：在时序视图中检查 jawOpen

在录制中，MediaPipe 输出的 blendshape 信号被统一记录在/blendshapes根实体之下（示例代码中通过rr.log(f"blendshapes/{i}/{blendshape.category_name}", rr.Scalars(blendshape.score))逐帧写入）。其中有一条信号jawOpen，位于实体路径/blendshapes/0/jawOpen，以 Scalar 组件形式存储——它是判断"嘴是否张开"的核心数据。

用时序图（timeseries）视图选中该实体后可以观察到：

• 每当嘴巴张开，jawOpen的数值会从约0.0 跳到 0.5左右；
• 录制中段出现一段不连续（数据空洞）。

这段不连续并非数据丢失，而是源于 Rerun 数据模型中的 Clear 机制：当画面中检测不到人脸时，示例会对blendshapes实体执行清空操作，被清空的时刻之后、直到下一条新数据写入之前，该实体在时间线上都处于"空"状态。理解这一点，是后续读懂表格中空单元格（[]）的前提。

用 DataFrame 视图逐行检查数据

时序图适合看趋势，但要看"每一帧到底是什么数值、哪些帧没有数据"，最直接的方式是新建一个DataFrame 视图——Rerun 用它把实体内容以表格形式展示（对应 crate 为 re_view_dataframe，官方描述即 "A View that shows the data contained in entities in a table"）。该视图在源码中的视图类标识为Dataframe，其help说明中明确列出了可在选择面板（selection panel）中配置的三项能力：空单元格的处理、列可见性、按时间范围过滤行（见 view_class.rs）。

视图的四项关键配置

针对jawOpen这一场景，官方推荐如下配置方式，每条都对应明确的查询语义：

1. 内容（content）设为/blendshapes/0/jawOpen表格只包含与该实体相关的列（以及各时间线列）。由于该实体只有一个组件（Scalar），表格中也就只有一列实体数据列。从源码看，这份"内容"会被转成查询的view_contents，即限定查询引擎只扫描指定实体子树（见 view_class.rs）。

2. 以frame_nr时间线作为表格索引这意味着表格为frame_nr的每个不同取值（只要该时刻有数据）生成一行。时间线列会以索引列的形式固定展示在表格最左侧。源码中该配置对应QueryExpression::filtered_index（view_class.rs）；若视图中未显式指定时间线，它会"冻结"为当前时间面板（time panel）中选中的时间线，并自动保存到 blueprint（见 blueprint.rs）。

3. 时间范围过滤（filter by time range）保持默认 "infinite" 边界即不做任何时间裁剪，查询覆盖全部时间。对应 blueprint 组件FilterByRange，其默认值就是AbsoluteTimeRange::EVERYTHING（等价于 -inf 到 +inf，见 blueprint.rs）。你完全可以在这里设置起止时间，把表格限制在某个时间段内。

4. 高级特性（本场景未使用，但需了解）

• 按列数据存在性过滤行（filter is not null）：只保留某一列有数据的行，对应 blueprint 组件FilterIsNotNull（blueprint.rs）；
• 用 latest-at 数据填充空单元格：开启后，空行会沿用该实体最近一次的值向前填充，源码中体现为SparseFillStrategy::LatestAtGlobal，关闭则使用SparseFillStrategy::None（view_class.rs）。默认不开启，所以空帧会如实显示为空。

除上述四项外，该视图还支持列可见性（列选择、按实体重排列顺序，对应SelectedColumns/ColumnOrder组件，见 blueprint.rs）以及时间游标自动滚动等能力，本场景暂不展开。

读取表格：从数值到空洞

配置完成后，表格呈现的是frame_nr（索引列）+/blendshapes/0/jawOpen:Scalars:scalars（组件列）的结构。逐行观察可以发现：

• 大约在第 140 帧附近，嘴巴张开，jawOpen数值约为0.55；
• 很快嘴巴闭合，数值回落到0.1 以下；
• 随后该列变成空（即空列表[]）——对应人脸无法被追踪、blendshape 被 Clear 清空的时间段。

至此，我们获得了实现张嘴检测器所需的两条关键信息：

1. /blendshapes/0/jawOpen中的Scalar值本身就有判别力——以 0.15 为阈值即可得到闭口/张口的二值指示；
2. DataFrame 视图的配置方式（内容 + 时间线索引）与代码查询的写法一一对应，UI 里的操作可以直接翻译成查询代码。

关于第 1 点阈值 0.15 的验证与代码实现，详见系列第三篇分析并回传结果；关于第 2 点"把视图配置翻译成代码查询"，正是下一步的主题。

从视图配置到代码查询：衔接下一篇

DataFrame 视图之所以与代码查询"同构"，是因为它在底层本就复用同一套查询引擎：视图渲染时构建的re_chunk_store::QueryExpression（包含内容、索引时间线、时间范围、非空过滤、稀疏填充策略、列选择等字段，见 view_class.rs）与代码侧dataset.filter_contents(...).reader(...)的语义完全一致。也就是说，你在 UI 中"选内容、选索引、调过滤"的过程，就是可视化地组装一条查询。

在下一步中，你将把录制保存为.rrd文件，然后用 Rerun SDK 的 DataFrame API 加载它：

# 关键调用链预览（完整代码见下一篇） dataset = client.get_dataset("tutorial") df = dataset.filter_contents("/blendshapes/0/jawOpen").reader(index="frame_nr") pd_df = df.to_pandas()

filter_contents对应视图配置中的"内容"（/blendshapes/0/jawOpen），reader(index="frame_nr")对应"以frame_nr作为索引时间线"，to_pandas()则将查询结果物化为 Pandas DataFrame——其列结构（4 个时间线列 + 1 个组件列）与本文表格中看到的完全一致。这套代码的完整版（含导入、服务器启动、查询、转 Pandas、explode展平、阈值判断与回传）可在 docs/snippets/all/tutorials/data_out.py 中查看，该文件也是官方文档系列所有代码片段的单一事实来源（其 Python 版本是三种语言中唯一实现，C++/Rust 未实现，见 snippets.toml）。

小结

本文完成了系列的第一阶段：通过时序视图定位jawOpen信号并掌握其数值特征，再通过 DataFrame 视图以"帧 × 值"的表格视角确认数据形态，理解了时间线索引、Clear 造成的空值空洞，以及 0.15 阈值判据的来源。更重要的是，你已理解 DataFrame 视图的每一项配置背后对应的查询语义——这正是下一步用 Python 查询同一份数据的直接模板。继续阅读导出为 Pandas DataFrame，即可把视图中的这张表完整地搬进你的分析代码。

【免费下载链接】rerunVisualize, query, and stream to train on multimodal robotics data.项目地址: https://gitcode.com/GitHub_Trending/re/rerun