Accelerazione di grafici scatter matplotlib

Question

Sto provando a creare un programma interattivo che utilizzi principalmente matplotlib per creare grafici a dispersione piuttosto di molti punti (10k-100k o giù di lì). In questo momento funziona, ma i cambiamenti richiedono troppo tempo per essere visualizzati. Un piccolo numero di punti va bene, ma una volta che il numero sale le cose diventano frustranti di fretta. Quindi, sto lavorando per accelerare la dispersione, ma non ho molta fortuna

C'è il modo ovvio di fare cosa (il modo in cui è implementato ora) (mi rendo conto che la trama si ridisegna senza aggiornare. non volevo alterare il risultato fps con grandi chiamate a caso).

import matplotlib.pyplot as plt 
import numpy as np 
import matplotlib as mpl 
import time 


X = np.random.randn(10000) #x pos 
Y = np.random.randn(10000) #y pos 
C = np.random.random(10000) #will be color 
S = (1+np.random.randn(10000)**2)*3 #size 

#build the colors from a color map 
colors = mpl.cm.jet(C) 
#there are easier ways to do static alpha, but this allows 
#per point alpha later on. 
colors[:,3] = 0.1 

fig, ax = plt.subplots() 

fig.show() 
background = fig.canvas.copy_from_bbox(ax.bbox) 

#this makes the base collection 
coll = ax.scatter(X,Y,facecolor=colors, s=S, edgecolor='None',marker='D') 

fig.canvas.draw() 

sTime = time.time() 
for i in range(10): 
    print i 
    #don't change anything, but redraw the plot 
    ax.cla() 
    coll = ax.scatter(X,Y,facecolor=colors, s=S, edgecolor='None',marker='D') 
    fig.canvas.draw() 
print '%2.1f FPS'%((time.time()-sTime)/10) 

che dà un veloce 0,7 fps

In alternativa, posso modificare la collezione restituita da dispersione. Per questo, posso cambiare colore e posizione, ma non so come cambiare la dimensione di ogni punto. Che sarebbe Penso aspetto qualcosa di simile

import matplotlib.pyplot as plt 
import numpy as np 
import matplotlib as mpl 
import time 


X = np.random.randn(10000) #x pos 
Y = np.random.randn(10000) #y pos 
C = np.random.random(10000) #will be color 
S = (1+np.random.randn(10000)**2)*3 #size 

#build the colors from a color map 
colors = mpl.cm.jet(C) 
#there are easier ways to do static alpha, but this allows 
#per point alpha later on. 
colors[:,3] = 0.1 

fig, ax = plt.subplots() 

fig.show() 
background = fig.canvas.copy_from_bbox(ax.bbox) 

#this makes the base collection 
coll = ax.scatter(X,Y,facecolor=colors, s=S, edgecolor='None', marker='D') 

fig.canvas.draw() 

sTime = time.time() 
for i in range(10): 
    print i 
    #don't change anything, but redraw the plot 
    coll.set_facecolors(colors) 
    coll.set_offsets(np.array([X,Y]).T) 
    #for starters lets not change anything! 
    fig.canvas.restore_region(background) 
    ax.draw_artist(coll) 
    fig.canvas.blit(ax.bbox) 
print '%2.1f FPS'%((time.time()-sTime)/10) 

Questo si traduce in un più lento 0,7 fps. Volevo provare a utilizzare CircleCollection o RegularPolygonCollection, in quanto ciò mi avrebbe consentito di modificare facilmente le dimensioni e non mi interessa modificare l'indicatore. Ma non posso neanche disegnare, quindi non ho idea se sarebbero più veloci. Quindi, a questo punto sto cercando idee.

Answer 1

che ho passato un paio di volte, cercando di accelerare i grafici a dispersione con un gran numero di punti, variamente cercando:

• tipi di marcatore Diversi
• Limitazione colori
• riducendo il set di dati
• Usando una mappa termica/griglia al posto di un grafico a dispersione

E nessuna di queste cose ha funzionato. Matplotlib non è molto performante quando si tratta di grafici a dispersione. La mia unica raccomandazione è di usare una libreria di plottaggio diversa, anche se non ne ho trovato uno che fosse adatto. So che questo non aiuta molto, ma potrebbe farti risparmiare alcune ore di armeggiare infruttuoso.

Answer 2

Stiamo lavorando attivamente sulle prestazioni per i grandi diagrammi di dispersione matplotlib. Ti incoraggio a partecipare alla conversazione (http://matplotlib.1069221.n5.nabble.com/mpl-1-2-1-Speedup-code-by-removing-startswith-calls-and-some-for-loops-td41767.html) e, ancora meglio, a testare la richiesta di pull inviata per rendere la vita molto migliore per un caso simile (https://github.com/matplotlib/matplotlib/pull/2156).

HTH