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(dòng)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(gè)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(shì)，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(gè)人猜測(cè)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(gè)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(huì)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(shì)，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(gè)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(duì)比
總結(jié)
到此這篇關(guān)于Matplotlib繪制動(dòng)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(dòng)態(tài)實(shí)時(shí)曲線內(nèi)容請(qǐng)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:- 使用matplotlib動(dòng)態(tài)刷新指定曲線實(shí)例
- Python實(shí)現(xiàn)曲線擬合操作示例【基于numpy,scipy,matplotlib庫】
- Python使用matplotlib繪制正弦和余弦曲線的方法示例
- Python matplotlib繪制圖形實(shí)例(包括點(diǎn),曲線,注釋和箭頭)
- matplotlib 曲線圖 和 折線圖 plt.plot()實(shí)例
- Python matplotlib 繪制雙Y軸曲線圖的示例代碼
