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(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)。
通過網上現(xiàn)有的資料 基于Python實現(xiàn)matplotlib中動態(tài)更新圖片(交互式繪圖) ，可以通過打開Matplotlib的交互模式來實現(xiàn)實時繪圖的目的，此時需要用到函數(shù)matplotlib.pyplot.ion
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(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(shù)呈線性相關的趨勢，且隨著點數(shù)增加，時間消耗越多。可以想象，當繪圖的點數(shù)到達上萬乃至億的時候，那電腦就卡住了。
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，這就必然導致越往后循環(huán)所花費的CPU資源內存資源越多，最終機器卡死。
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(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(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(huán)次數(shù)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(wěn)定。
改進方法中仍存在一個問題：由于每次循環(huán)都需要清除坐標軸信息，那么每次循環(huán)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(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(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軸信息，而不需要每次循環(huán)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
到此這篇關于Matplotlib繪制動態(tài)實時曲線的文章就介紹到這了,更多相關Matplotlib繪制動態(tài)實時曲線內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
