Question

我试图从2D矩阵中找出尽可能多的数据可视化工具（奖励点到任何其他用于查看2D矩阵的好方法）。

我生成了很多热图，我已经告诉pcolor是要走的路（我现在使用seaborn）。

为什么plt.imshow在进行非常类似的操作时比plt.pcolor快得多？

def image_gradient(m,n):
    """
    Create image arrays
    """
    A_m = np.arange(m)[:, None]
    A_n = np.arange(n)[None, :]
    return(A_m.astype(np.float)+A_n.astype(np.float)) 

A_100x100 = image_gradient(m,n)

%timeit plt.pcolor(A_100x100)
%timeit plt.imshow(A_100x100)

1 loop, best of 3: 636 ms per loop
1000 loops, best of 3: 1.4 ms per loop

Answer 1

部分回答你的问题，plt.imshow比plt.pcolor 快得多，因为他们没有做类似的操作。事实上，他们做了很多不同的事情。

根据文档，matplotlib.pyplot.pcolor返回一个matplotlib.collections.PolyCollection，与pcolormesh相比，它可能很慢，后者返回一个matplotlib.collections.QuadMesh对象。另一方面，imshow返回一个matplotlib.image.AxesImage对象。我用pcolor，imshow和pcolormesh进行了测试：

def image_gradient(m,n):
    """
    Create image arrays
    """
    A_m = np.arange(m)[:, None]
    A_n = np.arange(n)[None, :]
    return(A_m.astype(np.float)+A_n.astype(np.float)) 

m = 100
n = 100

A_100x100 = image_gradient(m,n)

%time plt.imshow(A_100x100)
%time plt.pcolor(A_100x100)
%time plt.pcolormesh(A_100x100)

我得到的结果是：

imshow()
CPU times: user 76 ms, sys: 0 ns, total: 76 ms
Wall time: 74.4 ms
pcolor()
CPU times: user 588 ms, sys: 16 ms, total: 604 ms
Wall time: 601 ms
pcolormesh()
CPU times: user 0 ns, sys: 4 ms, total: 4 ms
Wall time: 2.32 ms

显然，对于这个特定的例子，pcolormesh是最有效的一个。

为什么plt.imshow比plt.pcolor快得多？

1 个答案: