关于Matplotlib绘制动态实时曲线的方法改进指南_Python

很多时候，我们需要实时的绘制曲线，如实时的绘制串口接收到的数据。最先想到的解决策略是类似于Matlab种的drawnow函数。

在python中Matplotlib库有着和Matlan绘图库相似的功能，但是并没有drawnow这样的函数。

已有的解决方案

通过网上现有的资料基于Python实现matplotlib中动态更新图片(交互式绘图) ，可以通过打开Matplotlib的交互模式来实现实时绘图的目的，此时需要用到函数matplotlib.pyplot.ion

存在的问题

通过上述方法实时绘图，存在一个严重的问题:随着时间推移，CPU消耗越大，费时越多，最终导致程序卡顿。这显然无法满足我们实时绘图的要求。

以下通过time模块计算每一步的耗时，直观地表现这一现象。

def Method(point):
   es_time = np.zeros([point]) 
   fig=plt.figure()
   ax=fig.add_subplot(1,1,1)
   ax.axis("equal") #设置图像显示的时候XY轴比例
   ax.set_xlabel("Horizontal Position")
   ax.set_ylabel("Vertical Position")
   ax.set_title("Vessel trajectory")
   plt.grid(True) #添加网格
   plt.ion()  #interactive mode on
   IniObsX=0000
   IniObsY=4000
   IniObsAngle=135
   IniObsSpeed=10*math.sqrt(2)   #米/秒
   print("开始仿真")
   for t in range(point):
       t0 = time.time()
       #障碍物船只轨迹
       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=".")  #散点图
       #下面的图,两船的距离
       plt.pause(0.001)
       es_time[t] = 1000*(time.time() - t0)
   return es_time

耗时结果

关于Matplotlib绘制动态实时曲线的方法改进指南
Method

很显然每步绘图时间与绘图点数呈线性相关的趋势，且随着点数增加，时间消耗越多。可以想象，当绘图的点数到达上万乃至亿的时候，那电脑就卡住了。

分析原因

个人猜测出现上述这种现象的原因，是由代码ax.scatter(obsX,obsY,c="b",marker=".")造成的。这段代码每一循环一次就新画一条曲线，而不清除之前的曲线，这就必然导致越往后循环所花费的CPU资源内存资源越多，最终机器卡死。

改进方法

既然原因是因为不断重复画图所致，导致机器资源的累积消耗，所以想到的第一个解决方法，那就是每次画图前，清除之前的曲线。

根据上述思想，在每一次的画图代码ax.scatter(obsX,obsY,c="b",marker=".")前加上清除代码plt.cla()。即：

        plt.cla()
        ax.plot(obsX,obsY,"-g",marker="*")  #散点图

可是这样做之后就会存在新的问题：之前定义的坐标轴，标题，图例等等信息就都被清除了。解决方法则，需要在每一步的循环中，重新定义这些信息。

完整代码

def Method_Improve(point):
    def initial(ax):
        ax.axis("equal") #设置图像显示的时候XY轴比例
        ax.set_xlabel("Horizontal Position")
        ax.set_ylabel("Vertical Position")
        ax.set_title("Vessel trajectory")
        plt.grid(True) #添加网格
        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("开始仿真")
    obsX = [0,]
    obsY = [4000,]
    for t in range(point):
        t0 = time.time()
        #障碍物船只轨迹
        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="*")  #散点图
        #下面的图,两船的距离
        plt.pause(0.001)
        es_time[t] = 1000*(time.time() - t0)
    return es_time

耗时结果

关于Matplotlib绘制动态实时曲线的方法改进指南
Method_Improve

显然循环次数与耗时不再呈正相关趋势，可以说是在一定误差范围内，耗时保持稳定。

改进方法的改进

改进方法中仍存在一个问题：由于每次循环都需要清除坐标轴信息，那么每次循环也必须再重新设置坐标轴信息。显然这种做法，导致了额外的算力消耗，那能否有新的方法，规避这种问题呢？答案显然是有的。

但是解决思路还是得从原始问题出发，即重复画图，导致资源的累积消耗。所以令一种新的思路：只画一条(需要数量的)曲线，每次循环更改这些曲线的数据。

那么按照上述思路之后，只需程序开头定义好坐标轴信息，而不需要每次循环内清除重设坐标轴信息。

具体做法，就是获取曲线的句柄，进行修改，即有：

        line.set_xdata(obsX)
        line.set_ydata(obsY)

完整代码：

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) #添加网格
    plt.ion()  #interactive mode on
    IniObsX=0000
    IniObsY=4000
    IniObsAngle=135
    IniObsSpeed=10*math.sqrt(2)   #米/秒
    print("开始仿真")
    obsX = [0,]
    obsY = [4000,]
    for t in range(point):
        t0 = time.time()
        #障碍物船只轨迹
        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])
        #下面的图,两船的距离
        plt.pause(0.001)
        es_time[t] = 1000*(time.time() - t0)
    return es_time

关于Matplotlib绘制动态实时曲线的方法改进指南
三种方法对比