加快Matplotlib？
|
我在这里阅读到matplotlib擅长处理大型数据集。我正在编写一个数据处理应用程序，并将matplotlib图表嵌入到wx中，并且发现matplotlib在处理大量数据方面在速度和内存方面都是很麻烦的。除了降低输入采样率之外，还有谁知道一种加速（减少）matplotlib的方法吗？
为了说明matplotlib对内存有多严重，请考虑以下代码：
import pylab
import numpy
a = numpy.arange(int(1e7)) # only 10,000,000 32-bit integers (~40 Mb in memory)
# watch your system memory now...
pylab.plot(a) # this uses over 230 ADDITIONAL Mb of memory
没有找到相关结果
已邀请:
3 个回复
苛肠倒俱
或类似上面的代码片段（上面的内容可能会过度降低您的口味。）禽兢玫坞劲
当然，ѭ3只是极限计算功能的一个示例。 附言 使用“大头把戏”，应该有可能避免在重塑过程中复制数据。辽躺
def downsample(x, y, target_length=1000, preserve_ends=0): assert len(x.shape) == 1 assert len(y.shape) == 1 data = np.vstack((x, y)) if preserve_ends > 0: l, data, r = np.split(data, (preserve_ends, -preserve_ends), axis=1) interval = int(data.shape[1] / target_length) + 1 data = data[:, ::interval] if preserve_ends > 0: data = np.concatenate([l, data, r], axis=1) return data[0, :], data[1, :] def geom_ind(stop, num=50): geo_num = num ind = np.geomspace(1, stop, dtype=int, num=geo_num) while len(set(ind)) < num - 1: geo_num += 1 ind = np.geomspace(1, stop, dtype=int, num=geo_num) return np.sort(list(set(ind) | {0})) def log_downsample(x, y, target_length=1000, flip=False): assert len(x.shape) == 1 assert len(y.shape) == 1 data = np.vstack((x, y)) if flip: data = np.fliplr(data) data = data[:, geom_ind(data.shape[1], num=target_length)] if flip: data = np.fliplr(data) return data[0, :], data[1, :]