我有很多文件,其中包含来自模拟的数据。我想使用每个文件来使用quiver()保存向量字段的图像。不幸的是,我的方法真的很慢。
这是我的代码的一个最小工作示例:
import time
import numpy as np
import matplotlib.pyplot as plt
# Number of files
N = 100000
n_points = 10000
for k in range(N):
t0 = time.time()
fig, ax = plt.subplots(1,1, figsize=(5,5))
ax.axis("off")
# Get data
data = np.random.uniform(-1,1,size=(n_points, 4))
x,y,vx,vy = data[:,0], data[:,1], data[:,2], data[:,3]
# Normalize and scale velocities
norm = np.hypot(vx,vy)
vx = vx / norm
vy = vy / norm
vx *= 0.05
vy *= 0.05
# Plot vectorfield
ax.quiver(x, y, vx, vy, scale=1., width=0.001, units="xy")
plt.subplots_adjust(bottom=0, right=1, top=1, left=0)
plt.savefig("image_" + str(k) + ".png", dpi=300)
plt.close()
print("%.2f" % (100.*(k+1.)/N) + " %" + " %.2f" % (time.time()-t0) + " images/s", end="\r")
有什么想法可以加快速度吗?现在,我每秒可以保存大约一张图像。鉴于大量的数据文件,这在我的计算机上需要几个小时才能完成。
谢谢!
编辑
我根据@ImportanceOfBeingErnest的建议修改了上面的代码。但是,代码仍然非常慢。
import time
import numpy as np
import matplotlib.pyplot as plt
# Number of files
N = 20
n_points = 20000
fig, ax = plt.subplots(1,1, figsize=(5,5))
ax.axis("off")
plt.subplots_adjust(bottom=0, right=1, top=1, left=0)
for k in range(N):
t0 = time.time()
# Get data
data = np.random.uniform(-1,1,size=(n_points, 4))
x,y,vx,vy = data[:,0], data[:,1], data[:,2], data[:,3]
# Normalize and scale velocities
norm = np.hypot(vx,vy)
vx = vx / norm
vy = vy / norm
vx *= 0.05
vy *= 0.05
# Plot vectorfield
q = ax.quiver(x, y, vx, vy, scale=1., width=0.001, units="xy")
plt.savefig("image_" + str(k) + ".png", dpi=300)
#q.remove()
ax.clear()
#plt.close()
t.append(time.time()-t0)
print("%.2f" % (100.*(k+1.)/N) + " %" + " %.2f" % (time.time()-t0) + " s/images", end="\r")
在进行任何改进之前,一张图像平均需要花费约1.71秒。使用ax.clear()
的速度甚至更慢,每个图像只有1.81秒。使用q.remove()
的速度稍快一些,每张图像的时间为1.61秒。还有其他建议吗?
答案 0 :(得分:0)
将dpi更改为“无”将使图像创建速度提高2倍。
plt.savefig("image_" + str(k) + ".png", dpi=None)