Apabila Merancang dengan Matplotlib, Mengapa Prestasi Menderita dan Apa yang Boleh Dilakukan?

Pertimbangan Prestasi untuk Plotting Matplotlib

Semasa menilai perpustakaan plot Python yang berbeza, anda mungkin menghadapi masalah prestasi apabila menggunakan Matplotlib. Artikel ini meneroka sebab perancangan Matplotlib boleh menjadi perlahan dan menyediakan penyelesaian untuk meningkatkan kelajuannya.

Punca Kelambatan

Prestasi Matplotlib yang lembap terutamanya berpunca daripada dua faktor:

• Lukisan Semula Kerap: Setiap kali fig.canvas.draw() dipanggil, ia menyegarkan keseluruhan rajah, termasuk elemen seperti sempadan paksi dan label tanda. Proses ini adalah intensif dari segi pengiraan.
• Berbilang Subplot: Plot dengan berbilang subplot yang menampilkan banyak label tanda boleh melambatkan pemaparan dengan ketara.

Meningkatkan Prestasi

Untuk meningkatkan prestasi, pertimbangkan strategi berikut:

1. Gunakan Blitting:

Blitting melibatkan hanya mengemas kini bahagian tertentu kanvas dan bukannya melukis semula keseluruhan rajah. Ini secara mendadak mengurangkan overhed pengiraan. Matplotlib menyediakan kaedah blitting khusus bahagian belakang yang berbeza-beza bergantung pada rangka kerja GUI yang digunakan.

2. Hadkan Lukisan Semula:

Gunakan pilihan animasi=True semasa merancang. Digabungkan dengan modul animasi Matplotlib, teknik ini membenarkan kemas kini objek tertentu tanpa mencetuskan lukisan semula kanvas penuh.

3. Sesuaikan Subplot:

Minikan bilangan subplot dan label tanda. Alih keluar elemen yang tidak perlu untuk mengurangkan masa pemaparan.

4. Tingkatkan Kecekapan Kod:

Faktor semula kod anda untuk memperbaiki strukturnya dan mengurangkan bilangan operasi yang dilakukan. Gunakan operasi vektor jika boleh.

Contoh:

Berikut ialah versi optimum kod yang disediakan dalam soalan, menggunakan blitting dengan copy_from_bbox dan restore_region:

<code class="python">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)
fig.show()  # Draw the canvas initially

styles = ['r-', 'g-', 'y-', 'm-', 'k-', 'p-']
lines = [ax.plot(x, y, style)[0] for ax, style in zip(axes, styles)]

# Store background images of the axes
backgrounds = [fig.canvas.copy_from_bbox(ax.bbox) for ax in axes]

tstart = time.time()               
for i in range(1, 200):
    for j, line in enumerate(lines, start=1):
        # Restore the background
        fig.canvas.restore_region(backgrounds[j-1])
        
        # Update the data
        line.set_ydata(sin(j*x+i/10.0))  

        # Draw the artist and blit
        ax.draw_artist(line)
        fig.canvas.blit(ax.bbox)

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

Perpustakaan Alternatif

Jika prestasi Matplotlib kekal tidak memuaskan, pertimbangkan perpustakaan plot alternatif seperti Bokeh, Plotly atau Altair. Perpustakaan ini mengutamakan interaktiviti masa nyata dan pengoptimuman prestasi.

Atas ialah kandungan terperinci Apabila Merancang dengan Matplotlib, Mengapa Prestasi Menderita dan Apa yang Boleh Dilakukan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!