在Pylab中,specgram()
函数为给定的幅度列表创建频谱图,并自动为频谱图创建一个窗口。
我想生成频谱图(瞬时功率由Pxx
给出),通过在其上运行边缘检测器对其进行修改,然后绘制结果。
(Pxx, freqs, bins, im) = pylab.specgram( self.data, Fs=self.rate, ...... )
问题在于,每当我尝试使用Pxx
甚至imshow
绘制修改后的NonUniformImage
时,我都会遇到以下错误消息。
/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/matplotlib/image.py:336:UserWarning:非线性轴不支持图像。 warnings.warn(“非线性轴不支持图像。”)
例如,我正在处理的代码的一部分在下面。
# how many instantaneous spectra did we calculate
(numBins, numSpectra) = Pxx.shape
# how many seconds in entire audio recording
numSeconds = float(self.data.size) / self.rate
ax = fig.add_subplot(212)
im = NonUniformImage(ax, interpolation='bilinear')
x = np.arange(0, numSpectra)
y = np.arange(0, numBins)
z = Pxx
im.set_data(x, y, z)
ax.images.append(im)
ax.set_xlim(0, numSpectra)
ax.set_ylim(0, numBins)
ax.set_yscale('symlog') # see http://matplotlib.org/api/axes_api.html#matplotlib.axes.Axes.set_yscale
ax.set_title('Spectrogram 2')
如何使用matplotlib / pylab在对数y轴上绘制类似图像的数据?
答案 0 :(得分:18)
使用pcolor
或pcolormesh
。 pcolormesh
要快得多,但仅限于直线网格,而pcolor可以处理任意形状的单元格。如果我没记错的话, (它使用specgram
会使用pcolormesh
。imshow
。)
作为一个简单的例子:
import numpy as np
import matplotlib.pyplot as plt
z = np.random.random((11,11))
x, y = np.mgrid[:11, :11]
fig, ax = plt.subplots()
ax.set_yscale('symlog')
ax.pcolormesh(x, y, z)
plt.show()
您所看到的差异是由于绘制了specgram
返回的“原始”值。 specgram
实际绘制的是缩放版本。
import matplotlib.pyplot as plt
import numpy as np
x = np.cumsum(np.random.random(1000) - 0.5)
fig, (ax1, ax2) = plt.subplots(nrows=2)
data, freqs, bins, im = ax1.specgram(x)
ax1.axis('tight')
# "specgram" actually plots 10 * log10(data)...
ax2.pcolormesh(bins, freqs, 10 * np.log10(data))
ax2.axis('tight')
plt.show()
请注意,当我们使用pcolormesh
绘制内容时,没有插值。 (这是pcolormesh
点的一部分 - 它只是矢量矩形而不是图像。)
如果您想要对数比例,可以使用pcolormesh
:
import matplotlib.pyplot as plt
import numpy as np
x = np.cumsum(np.random.random(1000) - 0.5)
fig, (ax1, ax2) = plt.subplots(nrows=2)
data, freqs, bins, im = ax1.specgram(x)
ax1.axis('tight')
# We need to explictly set the linear threshold in this case...
# Ideally you should calculate this from your bin size...
ax2.set_yscale('symlog', linthreshy=0.01)
ax2.pcolormesh(bins, freqs, 10 * np.log10(data))
ax2.axis('tight')
plt.show()