快捷導(dǎo)航

關(guān)于Matplotlib繪制動態(tài)實(shí)時(shí)曲線的方法改進(jìn)指南

更新時(shí)間：2021年06月07日 09:46:33 作者：腦荼地

這篇文章主要給大家介紹了關(guān)于Matplotlib繪制動態(tài)實(shí)時(shí)曲線的相關(guān)資料,matplotlib是python里最popular的畫圖工具,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下

很多時(shí)候，我們需要實(shí)時(shí)的繪制曲線，如實(shí)時(shí)的繪制串口接收到的數(shù)據(jù)。最先想到的解決策略是類似于Matlab種的drawnow函數(shù)。

在python中Matplotlib庫有著和Matlan繪圖庫相似的功能，但是并沒有drawnow這樣的函數(shù)。

已有的解決方案

通過網(wǎng)上現(xiàn)有的資料基于Python實(shí)現(xiàn)matplotlib中動態(tài)更新圖片(交互式繪圖) ，可以通過打開Matplotlib的交互模式來實(shí)現(xiàn)實(shí)時(shí)繪圖的目的，此時(shí)需要用到函數(shù)matplotlib.pyplot.ion

存在的問題

通過上述方法實(shí)時(shí)繪圖，存在一個嚴(yán)重的問題:隨著時(shí)間推移，CPU消耗越大，費(fèi)時(shí)越多，最終導(dǎo)致程序卡頓。這顯然無法滿足我們實(shí)時(shí)繪圖的要求。

以下通過time模塊計(jì)算每一步的耗時(shí)，直觀地表現(xiàn)這一現(xiàn)象。

def Method(point):
   es_time = np.zeros([point]) 
   fig=plt.figure()
   ax=fig.add_subplot(1,1,1)
   ax.axis("equal") #設(shè)置圖像顯示的時(shí)候XY軸比例
   ax.set_xlabel('Horizontal Position')
   ax.set_ylabel('Vertical Position')
   ax.set_title('Vessel trajectory')
   plt.grid(True) #添加網(wǎng)格
   plt.ion()  #interactive mode on
   IniObsX=0000
   IniObsY=4000
   IniObsAngle=135
   IniObsSpeed=10*math.sqrt(2)   #米/秒
   print('開始仿真')
   for t in range(point):
       t0 = time.time()
       #障礙物船只軌跡
       obsX=IniObsX+IniObsSpeed*math.sin(IniObsAngle/180*math.pi)*t
       obsY=IniObsY+IniObsSpeed*math.cos(IniObsAngle/180*math.pi)*t
       ax.scatter(obsX,obsY,c='b',marker='.')  #散點(diǎn)圖
       #下面的圖,兩船的距離
       plt.pause(0.001)
       es_time[t] = 1000*(time.time() - t0)
   return es_time

耗時(shí)結(jié)果

Method

很顯然每步繪圖時(shí)間與繪圖點(diǎn)數(shù)呈線性相關(guān)的趨勢，且隨著點(diǎn)數(shù)增加，時(shí)間消耗越多?？梢韵胂?，當(dāng)繪圖的點(diǎn)數(shù)到達(dá)上萬乃至億的時(shí)候，那電腦就卡住了。

分析原因

個人猜測出現(xiàn)上述這種現(xiàn)象的原因，是由代碼ax.scatter(obsX,obsY,c='b',marker='.')造成的。這段代碼每一循環(huán)一次就新畫一條曲線，而不清除之前的曲線，這就必然導(dǎo)致越往后循環(huán)所花費(fèi)的CPU資源內(nèi)存資源越多，最終機(jī)器卡死。

改進(jìn)方法

既然原因是因?yàn)椴粩嘀貜?fù)畫圖所致，導(dǎo)致機(jī)器資源的累積消耗，所以想到的第一個解決方法，那就是每次畫圖前，清除之前的曲線。

根據(jù)上述思想，在每一次的畫圖代碼ax.scatter(obsX,obsY,c='b',marker='.')前加上清除代碼plt.cla()。即：

        plt.cla()
        ax.plot(obsX,obsY,'-g',marker='*')  #散點(diǎn)圖

可是這樣做之后就會存在新的問題：之前定義的坐標(biāo)軸，標(biāo)題，圖例等等信息就都被清除了。解決方法則，需要在每一步的循環(huán)中，重新定義這些信息。

完整代碼

def Method_Improve(point):
    def initial(ax):
        ax.axis("equal") #設(shè)置圖像顯示的時(shí)候XY軸比例
        ax.set_xlabel('Horizontal Position')
        ax.set_ylabel('Vertical Position')
        ax.set_title('Vessel trajectory')
        plt.grid(True) #添加網(wǎng)格
        return ax
    
    es_time = np.zeros([point]) 
    fig=plt.figure()
    ax=fig.add_subplot(1,1,1)
    ax = initial(ax)
    plt.ion()  #interactive mode on
    IniObsX=0000
    IniObsY=4000
    IniObsAngle=135
    IniObsSpeed=10*math.sqrt(2)   #米/秒
    print('開始仿真')
    obsX = [0,]
    obsY = [4000,]
    for t in range(point):
        t0 = time.time()
        #障礙物船只軌跡
        obsX.append(IniObsX+IniObsSpeed*math.sin(IniObsAngle/180*math.pi)*t)
        obsY.append(IniObsY+IniObsSpeed*math.cos(IniObsAngle/180*math.pi)*t)
        plt.cla()
        ax = initial(ax)
        ax.plot(obsX,obsY,'-g',marker='*')  #散點(diǎn)圖
        #下面的圖,兩船的距離
        plt.pause(0.001)
        es_time[t] = 1000*(time.time() - t0)
    return es_time

耗時(shí)結(jié)果

Method_Improve

顯然循環(huán)次數(shù)與耗時(shí)不再呈正相關(guān)趨勢，可以說是在一定誤差范圍內(nèi)，耗時(shí)保持穩(wěn)定。

改進(jìn)方法的改進(jìn)

改進(jìn)方法中仍存在一個問題：由于每次循環(huán)都需要清除坐標(biāo)軸信息，那么每次循環(huán)也必須再重新設(shè)置坐標(biāo)軸信息。顯然這種做法，導(dǎo)致了額外的算力消耗，那能否有新的方法，規(guī)避這種問題呢？答案顯然是有的。

但是解決思路還是得從原始問題出發(fā)，即重復(fù)畫圖，導(dǎo)致資源的累積消耗。所以令一種新的思路：只畫一條(需要數(shù)量的)曲線，每次循環(huán)更改這些曲線的數(shù)據(jù)。

那么按照上述思路之后，只需程序開頭定義好坐標(biāo)軸信息，而不需要每次循環(huán)內(nèi)清除重設(shè)坐標(biāo)軸信息。

具體做法，就是獲取曲線的句柄，進(jìn)行修改，即有：

        line.set_xdata(obsX)
        line.set_ydata(obsY)

完整代碼：

def ImprovedMethod_Improve(point):    
    es_time = np.zeros([point]) 
    fig=plt.figure()
    ax=fig.add_subplot(1,1,1)

    ax.set_xlabel('Horizontal Position')
    ax.set_ylabel('Vertical Position')
    ax.set_title('Vessel trajectory')
    
    line = ax.plot([0,0],[4000,4000],'-g',marker='*')[0]
    plt.grid(True) #添加網(wǎng)格
    plt.ion()  #interactive mode on
    IniObsX=0000
    IniObsY=4000
    IniObsAngle=135
    IniObsSpeed=10*math.sqrt(2)   #米/秒
    print('開始仿真')
    obsX = [0,]
    obsY = [4000,]
    for t in range(point):
        t0 = time.time()
        #障礙物船只軌跡
        obsX.append(IniObsX+IniObsSpeed*math.sin(IniObsAngle/180*math.pi)*t)
        obsY.append(IniObsY+IniObsSpeed*math.cos(IniObsAngle/180*math.pi)*t)
        
        line.set_xdata(obsX)
        line.set_ydata(obsY)
        ax.set_xlim([-200,10*point+200])
        ax.set_ylim([3800-10*point,4200])
        #下面的圖,兩船的距離
        plt.pause(0.001)
        es_time[t] = 1000*(time.time() - t0)
    return es_time

三種方法對比

總結(jié)

到此這篇關(guān)于Matplotlib繪制動態(tài)實(shí)時(shí)曲線的文章就介紹到這了,更多相關(guān)Matplotlib繪制動態(tài)實(shí)時(shí)曲線內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: