чому загортання з Matplotlib таке повільне?

В даний час я оцінюю різні бібліотеки побудови графіків python. Зараз я намагаюся мати matplotlib, і я дуже розчарований роботою. Наступний приклад модифікований із прикладів SciPy і дає мені лише ~ 8 кадрів на секунду!

Будь-які способи пришвидшити це, чи варто вибрати іншу бібліотеку для побудови графіків?

from pylab import *
import time

ion()
fig = figure()
ax1 = fig.add_subplot(611)
ax2 = fig.add_subplot(612)
ax3 = fig.add_subplot(613)
ax4 = fig.add_subplot(614)
ax5 = fig.add_subplot(615)
ax6 = fig.add_subplot(616)

x = arange(0,2*pi,0.01)
y = sin(x)
line1, = ax1.plot(x, y, 'r-')
line2, = ax2.plot(x, y, 'g-')
line3, = ax3.plot(x, y, 'y-')
line4, = ax4.plot(x, y, 'm-')
line5, = ax5.plot(x, y, 'k-')
line6, = ax6.plot(x, y, 'p-')

# turn off interactive plotting - speeds things up by 1 Frame / second
plt.ioff()


tstart = time.time()               # for profiling
for i in arange(1, 200):
    line1.set_ydata(sin(x+i/10.0))  # update the data
    line2.set_ydata(sin(2*x+i/10.0))
    line3.set_ydata(sin(3*x+i/10.0))
    line4.set_ydata(sin(4*x+i/10.0))
    line5.set_ydata(sin(5*x+i/10.0))
    line6.set_ydata(sin(6*x+i/10.0))
    draw()                         # redraw the canvas

print 'FPS:' , 200/(time.time()-tstart)

По-перше, (хоча це зовсім не змінить продуктивність), розгляньте можливість очищення коду, подібно до цього:

import matplotlib.pyplot as plt
import numpy as np
import time

x = np.arange(0, 2*np.pi, 0.01)
y = np.sin(x)

fig, axes = plt.subplots(nrows=6)
styles = ['r-', 'g-', 'y-', 'm-', 'k-', 'c-']
lines = [ax.plot(x, y, style)[0] for ax, style in zip(axes, styles)]

fig.show()

tstart = time.time()
for i in xrange(1, 20):
    for j, line in enumerate(lines, start=1):
        line.set_ydata(np.sin(j*x + i/10.0))
    fig.canvas.draw()

print 'FPS:' , 20/(time.time()-tstart)

У наведеному вище прикладі я отримую близько 10 кадрів в секунду.

Просто коротко, залежно від вашого конкретного випадку використання, matplotlib може бути не найкращим вибором. Він орієнтований на показники якості публікації, а не на показ у режимі реального часу.

Однак є багато речей, які ви можете зробити, щоб пришвидшити цей приклад.

Є дві основні причини, чому це так само повільно, як і зараз.

1) Телефонування fig.canvas.draw()перерисовує все . Це ваше вузьке місце. У вашому випадку вам не потрібно перемальовувати такі речі, як межі осей, позначки галочок тощо.

2) У вашому випадку є багато підзаголовків із великою кількістю міток. Вони малюють довго.

І те, і інше можна виправити за допомогою бліттингу.

Щоб ефективно виконувати блітінг, вам доведеться використовувати специфічний код. На практиці, якщо ви дійсно стурбовані плавною анімацією, ви, як правило, вбудовуєте графіки matplotlib в якийсь набір інструментів gui, тому це не велика проблема.

Однак, не знаючи трохи більше про те, що ви робите, я не можу вам там допомогти.

Тим не менше, існує нейтральний до графічного інтерфейсу спосіб, який все ще є досить швидким.

import matplotlib.pyplot as plt
import numpy as np
import time

x = np.arange(0, 2*np.pi, 0.1)
y = np.sin(x)

fig, axes = plt.subplots(nrows=6)

fig.show()

# We need to draw the canvas before we start animating...
fig.canvas.draw()

styles = ['r-', 'g-', 'y-', 'm-', 'k-', 'c-']
def plot(ax, style):
    return ax.plot(x, y, style, animated=True)[0]
lines = [plot(ax, style) for ax, style in zip(axes, styles)]

# Let's capture the background of the figure
backgrounds = [fig.canvas.copy_from_bbox(ax.bbox) for ax in axes]

tstart = time.time()
for i in xrange(1, 2000):
    items = enumerate(zip(lines, axes, backgrounds), start=1)
    for j, (line, ax, background) in items:
        fig.canvas.restore_region(background)
        line.set_ydata(np.sin(j*x + i/10.0))
        ax.draw_artist(line)
        fig.canvas.blit(ax.bbox)

print 'FPS:' , 2000/(time.time()-tstart)

Це дає мені ~ 200 кадрів в секунду.

Щоб зробити це трохи зручнішим, є animations в останніх версіях matplotlib модуль.

Як приклад:

import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np

x = np.arange(0, 2*np.pi, 0.1)
y = np.sin(x)

fig, axes = plt.subplots(nrows=6)

styles = ['r-', 'g-', 'y-', 'm-', 'k-', 'c-']
def plot(ax, style):
    return ax.plot(x, y, style, animated=True)[0]
lines = [plot(ax, style) for ax, style in zip(axes, styles)]

def animate(i):
    for j, line in enumerate(lines, start=1):
        line.set_ydata(np.sin(j*x + i/10.0))
    return lines

# We'd normally specify a reasonable "interval" here...
ani = animation.FuncAnimation(fig, animate, xrange(1, 200), 
                              interval=0, blit=True)
plt.show()

Matplotlib робить чудову графіку якісної публікації, але не дуже оптимізовану для швидкості. Існує безліч пакунків для побудови пітонів, розроблених з урахуванням швидкості:

• http://vispy.org
• http://pyqtgraph.org/
• http://docs.enthought.com/chaco/
• http://pyqwt.sourceforge.net/
  [редагувати: pyqwt більше не підтримується; попередній супровідник рекомендує pyqtgraph]
• http://code.google.com/p/guiqwt/

Для початку у відповіді Джо Кінгтона є дуже хороша порада з використанням нейтрального підходу, і ви неодмінно повинні скористатися його порадою (особливо щодо Blitting) і застосувати її на практиці. Більше інформації про цей підхід читайте у посібнику Matplotlib Cook Cook

Однак не нейтральний до графічного інтерфейсу (GUI-упереджений?) Підхід є ключовим для пришвидшення побудови графіків. Іншими словами, бекенд надзвичайно важливий для побудови графіку швидкості.

Поставте ці два рядки перед тим, як імпортувати щось інше з matplotlib:

import matplotlib
matplotlib.use('GTKAgg') 

Звичайно, замість них можна використовувати різні варіанти GTKAgg, але згідно згаданої книги поварів це було найшвидшим. Щоб отримати додаткові варіанти, перегляньте посилання про бекенди.

Для першого рішення, запропонованого Джо Кінгтоном (.copy_from_bbox & .draw_artist & canvas.blit), мені довелося захопити фони після рядка fig.canvas.draw (), інакше фон не мав ефекту, і я отримав той самий результат, що і ви згадали. Якщо ви ставите його після fig.show (), він все одно не працює, як запропонував Майкл Браун.

Тож просто поставте фонову лінію після canvas.draw ():

[...]
fig.show()

# We need to draw the canvas before we start animating...
fig.canvas.draw()

# Let's capture the background of the figure
backgrounds = [fig.canvas.copy_from_bbox(ax.bbox) for ax in axes]

Це може не стосуватися багатьох з вас, але я, як правило, працюю на своїх комп'ютерах під Linux, тому за замовчуванням я зберігаю свої графіки matplotlib як PNG та SVG. Це чудово працює під Linux, але нестерпно повільно працює на моїх установках Windows 7 [MiKTeX під Python (x, y) або Anaconda], тому я взяв додавання цього коду, і все знову працює нормально:

import platform     # Don't save as SVG if running under Windows.
#
# Plot code goes here.
#
fig.savefig('figure_name.png', dpi = 200)
if platform.system() != 'Windows':
    # In my installations of Windows 7, it takes an inordinate amount of time to save
    # graphs as .svg files, so on that platform I've disabled the call that does so.
    # The first run of a script is still a little slow while everything is loaded in,
    # but execution times of subsequent runs are improved immensely.
    fig.savefig('figure_name.svg')