Matplotlib，savefig（）的替代方法在保存到CString對象時提高性能？

Question

我想加快將圖表保存爲圖像的過程。現在我正在創建一個cString對象，通過savefig將圖表保存到其中;但我真的很感激任何幫助來改進這種保存圖像的方法。我必須做這個操作幾十次，並且savefig命令非常慢;必須有更好的方式來做到這一點。我讀了一些關於將它保存爲未壓縮的原始圖像的內容，但我不知道如何去做。如果我可以切換到另一個更快的後端，我真的不關心agg。

即：

RAM = cStringIO.StringIO() 

CHART = plt.figure(.... 
**code for creating my chart** 

CHART.savefig(RAM, format='png') 

我一直在使用matplotlib與FigureCanvasAgg後端。

謝謝！

Answer 1

如果你只是想要一個原始緩衝區，嘗試fig.canvas.print_rgb，fig.canvas.print_raw等（這兩者之間的區別是，raw是RGBA，而rgb是RGB。還有print_png，print_ps等）

這將使用fig.dpi代替savefig（100 dpi）的默認dpi值。即使比較fig.canvas.print_raw(f)和fig.savefig(f, format='raw', dpi=fig.dpi)print_canvas版本是 邊際更快 速度微不足道，因爲它不會重置軸補丁的顏色等，savefig默認情況下。

無論如何，大部分時間花在以原始格式保存一個數字的時候只是畫出了這個數字，這是無法避開的。

無論如何，作爲一個毫無意義的，但樂趣例如，請考慮以下幾點：

import matplotlib.pyplot as plt 
import numpy as np 
import cStringIO 

plt.ion() 
fig = plt.figure() 
ax = fig.add_subplot(111) 
num = 50 
max_dim = 10 
x = max_dim/2 * np.ones(num) 
s, c = 100 * np.random.random(num), np.random.random(num) 
scat = ax.scatter(x,x,s,c) 
ax.axis([0,max_dim,0,max_dim]) 
ax.set_autoscale_on(False) 

for i in xrange(1000): 
    xy = np.random.random(2*num).reshape(num,2) - 0.5 
    offsets = scat.get_offsets() + 0.3 * xy 
    offsets.clip(0, max_dim, offsets) 
    scat.set_offsets(offsets) 
    scat._sizes += 30 * (np.random.random(num) - 0.5) 
    scat._sizes.clip(1, 300, scat._sizes) 
    fig.canvas.draw() 

如果我們看一下原始的抽獎時間：

import matplotlib.pyplot as plt 
import numpy as np 
import cStringIO 

fig = plt.figure() 
ax = fig.add_subplot(111) 
num = 50 
max_dim = 10 
x = max_dim/2 * np.ones(num) 
s, c = 100 * np.random.random(num), np.random.random(num) 
scat = ax.scatter(x,x,s,c) 
ax.axis([0,max_dim,0,max_dim]) 
ax.set_autoscale_on(False) 

for i in xrange(1000): 
    xy = np.random.random(2*num).reshape(num,2) - 0.5 
    offsets = scat.get_offsets() + 0.3 * xy 
    offsets.clip(0, max_dim, offsets) 
    scat.set_offsets(offsets) 
    scat._sizes += 30 * (np.random.random(num) - 0.5) 
    scat._sizes.clip(1, 300, scat._sizes) 
    fig.canvas.draw() 

這我的機器需要約25秒。

如果我們代替自卸原始RGBA緩衝區中的cStringIO緩衝區，它實際上是稍快於〜22日秒（這是唯一正確的，因爲我使用的是一個互動的後端，否則這將是等效的！）：

import matplotlib.pyplot as plt 
import numpy as np 
import cStringIO 

fig = plt.figure() 
ax = fig.add_subplot(111) 
num = 50 
max_dim = 10 
x = max_dim/2 * np.ones(num) 
s, c = 100 * np.random.random(num), np.random.random(num) 
scat = ax.scatter(x,x,s,c) 
ax.axis([0,max_dim,0,max_dim]) 
ax.set_autoscale_on(False) 

for i in xrange(1000): 
    xy = np.random.random(2*num).reshape(num,2) - 0.5 
    offsets = scat.get_offsets() + 0.3 * xy 
    offsets.clip(0, max_dim, offsets) 
    scat.set_offsets(offsets) 
    scat._sizes += 30 * (np.random.random(num) - 0.5) 
    scat._sizes.clip(1, 300, scat._sizes) 
    ram = cStringIO.StringIO() 
    fig.canvas.print_raw(ram) 
    ram.close() 

如果我們比較這對使用savefig，具有同等集DPI：

import matplotlib.pyplot as plt 
import numpy as np 
import cStringIO 

fig = plt.figure() 
ax = fig.add_subplot(111) 
num = 50 
max_dim = 10 
x = max_dim/2 * np.ones(num) 
s, c = 100 * np.random.random(num), np.random.random(num) 
scat = ax.scatter(x,x,s,c) 
ax.axis([0,max_dim,0,max_dim]) 
ax.set_autoscale_on(False) 

for i in xrange(1000): 
    xy = np.random.random(2*num).reshape(num,2) - 0.5 
    offsets = scat.get_offsets() + 0.3 * xy 
    offsets.clip(0, max_dim, offsets) 
    scat.set_offsets(offsets) 
    scat._sizes += 30 * (np.random.random(num) - 0.5) 
    scat._sizes.clip(1, 300, scat._sizes) 
    ram = cStringIO.StringIO() 
    fig.savefig(ram, format='raw', dpi=fig.dpi) 
    ram.close() 

這需要〜23.5秒。基本上，savefig只是設置了一些默認參數，並且在這種情況下調用print_raw，所以幾乎沒有什麼區別。

現在，如果我們比較壓縮圖像格式（PNG）RAW圖像格式，我們看到了一個更加顯著差異：

import matplotlib.pyplot as plt 
import numpy as np 
import cStringIO 

fig = plt.figure() 
ax = fig.add_subplot(111) 
num = 50 
max_dim = 10 
x = max_dim/2 * np.ones(num) 
s, c = 100 * np.random.random(num), np.random.random(num) 
scat = ax.scatter(x,x,s,c) 
ax.axis([0,max_dim,0,max_dim]) 
ax.set_autoscale_on(False) 

for i in xrange(1000): 
    xy = np.random.random(2*num).reshape(num,2) - 0.5 
    offsets = scat.get_offsets() + 0.3 * xy 
    offsets.clip(0, max_dim, offsets) 
    scat.set_offsets(offsets) 
    scat._sizes += 30 * (np.random.random(num) - 0.5) 
    scat._sizes.clip(1, 300, scat._sizes) 
    ram = cStringIO.StringIO() 
    fig.canvas.print_png(ram) 
    ram.close() 

這需要到52秒！顯然，壓縮圖像有很多開銷。

在任何情況下，這可能是一個不必要的複雜例子......我想我只是想避免實際工作...

Answer 2

我需要快速生成大量的地塊爲好。我發現多處理能夠提高繪圖速度和可用內核的數量。例如，如果100個繪圖在一個進程中花費了10秒，則在任務分成4個內核時花費約3秒。