Question

我希望找到一种优化以下情况的方法。我有一个用matplotlib imshow创建的大型等高线图。然后我想使用这个等高线图来创建大量的png图像，其中每个图像是轮廓图像的一小部分，通过改变x和y限制以及纵横比。

因此，循环中没有绘图数据发生变化，只有轴限制和纵横比在每个png图像之间发生变化。

以下MWE在“figs”文件夹中创建了70个png图像，展示了简化的想法。大约80％的运行时由fig.savefig('figs/'+filename)占用。

我在没有提出改进的情况下研究了以下内容：

matplotlib的替代方案，专注于速度 - 我一直在努力寻找具有类似要求的轮廓/表面图的任何示例/文档
多处理 - 我在这里看到的类似问题似乎需要在循环中调用fig = plt.figure()和ax.imshow，因为无法对图和斧进行腌制。在我的情况下，这将比通过实施多处理获得的任何速度增加更昂贵。

我很感激您的任何见解或建议。

import numpy as np
import matplotlib as mpl
mpl.use('agg')
import matplotlib.pyplot as plt
import time, os

def make_plot(x, y, fix, ax):
    aspect = np.random.random(1)+y/2.0-x
    xrand = np.random.random(2)*x
    xlim = [min(xrand), max(xrand)]
    yrand = np.random.random(2)*y
    ylim = [min(yrand), max(yrand)]
    filename = '{:d}_{:d}.png'.format(x,y)

    ax.set_aspect(abs(aspect[0]))
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)
    fig.savefig('figs/'+filename)

if not os.path.isdir('figs'):
    os.makedirs('figs')
data = np.random.rand(25, 25)

fig = plt.figure()
ax = fig.add_axes([0., 0., 1., 1.])
# in the real case, imshow is an expensive calculation which can't be put inside the loop
ax.imshow(data, interpolation='nearest')

tstart = time.clock()
for i in range(1, 8):
    for j in range(3, 13):
        make_plot(i, j, fig, ax)

print('took {:.2f} seconds'.format(time.clock()-tstart))

Answer 1

由于此情况下的限制是对plt.savefig()的调用，因此无法对其进行优化。在内部，图形从头开始渲染，需要一段时间。可能减少要绘制的顶点数量可能会减少一点时间。

在我的机器上运行代码的时间（Win 8，带有4核3.5GHz的i5）是2.5秒。这似乎并不太糟糕。使用多处理可以获得一点改进。

关于多处理的注意事项：使用multiprocessing内的pyplot状态机应该可以正常工作，这似乎令人惊讶。但确实如此。在这种情况下，由于每个图像都基于相同的图形和轴对象，因此甚至不必创建新的图形和轴。

我前一段时间为您的情况修改了answer I gave here，并且总时间大致减半使用多处理和4个核心上的5个进程。我添加了一个显示多处理效果的条形图。

import numpy as np
#import matplotlib as mpl
#mpl.use('agg') # use of agg seems to slow things down a bit
import matplotlib.pyplot as plt
import multiprocessing
import time, os

def make_plot(d):
    start = time.clock()
    x,y=d
    #using aspect in this way causes a warning for me
    #aspect = np.random.random(1)+y/2.0-x 
    xrand = np.random.random(2)*x
    xlim = [min(xrand), max(xrand)]
    yrand = np.random.random(2)*y
    ylim = [min(yrand), max(yrand)]
    filename = '{:d}_{:d}.png'.format(x,y)
    ax = plt.gca()
    #ax.set_aspect(abs(aspect[0]))
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)
    plt.savefig('figs/'+filename)
    stop = time.clock()
    return np.array([x,y, start, stop])

if not os.path.isdir('figs'):
    os.makedirs('figs')
data = np.random.rand(25, 25)

fig = plt.figure()
ax = fig.add_axes([0., 0., 1., 1.])
ax.imshow(data, interpolation='nearest')


some_list = []
for i in range(1, 8):
    for j in range(3, 13):
        some_list.append((i,j))


if __name__ == "__main__":
    multiprocessing.freeze_support()
    tstart = time.clock()
    print tstart
    num_proc = 5
    p = multiprocessing.Pool(num_proc)

    nu = p.map(make_plot, some_list)

    tooktime = 'Plotting of {} frames took {:.2f} seconds'
    tooktime = tooktime.format(len(some_list), time.clock()-tstart)
    print tooktime
    nu = np.array(nu)

    plt.close("all")
    fig, ax = plt.subplots(figsize=(8,5))
    plt.suptitle(tooktime)
    ax.barh(np.arange(len(some_list)), nu[:,3]-nu[:,2], 
            height=np.ones(len(some_list)), left=nu[:,2],  align="center")
    ax.set_xlabel("time [s]")
    ax.set_ylabel("image number")
    ax.set_ylim([-1,70])
    plt.tight_layout()
    plt.savefig(__file__+".png")
    plt.show()

matplotlib savefig性能，在循环中保存多个png

1 个答案: