Plotly — перенормировка данных в ответ на увеличение масштаба графика

Во-первых, вам нужно преобразовать returns['time'], чтобы предотвратить ошибку сериализации JSON с данными datetime (кажется, с go.Figure() Plotly это обрабатывается, но с go.FigureWidget() это не так).

Во-вторых, при выполнении fig.layout.on_change(zoom, 'xaxis.range') обратный вызов функции zoom должен ожидать 2 параметра, первый из которых — объект макета, а второй — наблюдаемый диапазон xaxis.

Кроме того, в обратном вызове вам необходимо обновить фигуру, используя метод обновления, потому что при повторном назначении новой фигуры переменной fig ссылка на фактическую (построенную) фигуру теряется, и изменение не будет отражено на графике. .

И последнее (см. Отображение фигур с помощью ipywidgets):

Важно отметить, что FigureWidget не предназначен для использования структуры рендеринга [...], поэтому вам не следует использовать метод show()Figure или функцию plotly.io.show() для FigureWidget объектов.

Фактически, FigureWidget также является объектом ipywidgets. ipywidgets имеют собственный дисплей repr, который позволяет отображать их с помощью структуры отображения IPython. Таким образом, в конце ячейки использование fig отдельно или display(fig) должно правильно представлять фигуру, так же, как fig.show(), но с включенным контекстом ipywidgets.

import pandas as pd
import datetime as dt
import plotly.graph_objects as go
from IPython.display import display

returns = pd.DataFrame({
    'time': [dt.date(2020, 1, 1), dt.date(2020, 1, 2), dt.date(2020, 1, 3), dt.date(2020, 1, 4), dt.date(2020, 1, 5), dt.date(2020, 1, 6)],
    'longs': [0, 1, 2, 3, 4, 3],
    'shorts': [0, -1, -2, -3, -4, -4]
})

returns['time'] = returns['time'].astype(str)

def renormalise_returns(returns, renorm_date):
    long_data = returns.melt(id_vars = ['time'])
    long_data.sort_values(by = 'time', inplace=True)
    cum_at_start = long_data[long_data['time'] >= renorm_date].groupby(['variable']).first().reset_index().rename(columns = {'value': 'old_value'}).drop(columns = ['time'])
    long_data2 = pd.merge(long_data, cum_at_start, how = 'left', on = ['variable'])
    long_data2['value'] = long_data2['value'] - long_data2['old_value']
    long_data2.drop(columns = ['old_value'], inplace=True)
    finn = long_data2.pivot(index = ['time'], columns = ['variable'], values = 'value').reset_index()
    return finn

fig = go.FigureWidget([
    go.Scatter(x=returns['time'], y=returns['longs'], name='Longs', line=dict(color = "#0c56cc")),
    go.Scatter(x=returns['time'], y=returns['shorts'], name = "Shorts", line=dict(color = "#850411", dash = "dash"))
])

def zoom(layout, xrange):
    xrange_zoom_min, xrange_zoom_max = xrange
    df2 = renormalise_returns(returns, xrange_zoom_min)
    fig.update_traces(selector=dict(name='Longs'), x=df2['time'], y=df2['longs'])
    fig.update_traces(selector=dict(name='Shorts'), x=df2['time'], y=df2['shorts'])

fig.layout.on_change(zoom, 'xaxis.range')

display(fig)