a级片免费在线观看,亚洲香蕉av,日韩视频不卡中文

主頁 > 知識庫 > 關于Matplotlib繪制動態實時曲線的方法改進指南

關于Matplotlib繪制動態實時曲線的方法改進指南

很多時候，我們需要實時的繪制曲線，如實時的繪制串口接收到的數據。最先想到的解決策略是類似于Matlab種的drawnow函數。

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。

已有的解決方案

通過網上現有的資料基于Python實現matplotlib中動態更新圖片(交互式繪圖) ，可以通過打開Matplotlib的交互模式來實現實時繪圖的目的，此時需要用到函數matplotlib.pyplot.ion

存在的問題

通過上述方法實時繪圖，存在一個嚴重的問題:隨著時間推移，CPU消耗越大，費時越多，最終導致程序卡頓。這顯然無法滿足我們實時繪圖的要求。

以下通過time模塊計算每一步的耗時，直觀地表現這一現象。

def Method(point):
   es_time = np.zeros([point]) 
   fig=plt.figure()
   ax=fig.add_subplot(1,1,1)
   ax.axis("equal") #設置圖像顯示的時候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

耗時結果

Method

很顯然每步繪圖時間與繪圖點數呈線性相關的趨勢，且隨著點數增加，時間消耗越多。可以想象，當繪圖的點數到達上萬乃至億的時候，那電腦就卡住了。

分析原因

個人猜測出現上述這種現象的原因，是由代碼ax.scatter(obsX,obsY,c='b',marker='.')造成的。這段代碼每一循環一次就新畫一條曲線，而不清除之前的曲線，這就必然導致越往后循環所花費的CPU資源內存資源越多，最終機器卡死。

改進方法

既然原因是因為不斷重復畫圖所致，導致機器資源的累積消耗，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='*')  #散點圖

可是這樣做之后就會存在新的問題：之前定義的坐標軸，標題，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中，重新定義這些信息。

完整代碼

def Method_Improve(point):
    def initial(ax):
        ax.axis("equal") #設置圖像顯示的時候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

耗時結果

Method_Improve

顯然循環次數與耗時不再呈正相關趨勢，可以說是在一定誤差范圍內，耗時保持穩定。

改進方法的改進

改進方法中仍存在一個問題：由于每次循環都需要清除坐標軸信息，那么每次循環也必須再重新設置坐標軸信息。顯然這種做法，導致了額外的算力消耗，那能否有新的方法，規避這種問題呢？答案顯然是有的。

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

那么按照上述思路之后，只需程序開頭定義好坐標軸信息，而不需要每次循環內清除重設坐標軸信息。

具體做法，就是獲取曲線的句柄，進行修改，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