Анимация Matplotlib слишком медленная (~ 3 кадра в секунду)

Благодаря @Chris я снова взглянул на примеры, а также нашел здесь этот невероятно полезный пост.

Поскольку @bmu утверждает, что он отвечает (см. Сообщение), используя анимацию. FuncAnimation был для меня способом.

 import numpy as np import matplotlib.pyplot as plt import matplotlib.animation as animation def generate_data(): # do calculations and stuff here return # an array reshaped(cols,rows) you want the color map to be def update(data): mat.set_data(data) return mat def data_gen(): while True: yield generate_data() fig, ax = plt.subplots() mat = ax.matshow(generate_data()) plt.colorbar(mat) ani = animation.FuncAnimation(fig, update, data_gen, interval=500, save_count=50) plt.show() 

Я подозреваю, что использование np.histogram2d в каждой итерации цикла. или что в каждой итерации цикла цикла for вы очищаете и рисуете новую фигуру. Чтобы ускорить работу, вы должны создать рисунок один раз и просто обновить свойства и данные фигуры в цикле. Посмотрите примеры анимации matplotlib для некоторых указателей о том, как это сделать. Обычно он включает вызов matplotlib.pyploy.plot затем в цикле, вызывающий axes.set_xdata и axes.set_ydata .

В вашем случае, однако, взгляните на пример анимационной анимации matplotlib. В этом примере генерация данных отделена от анимации данных (может быть, это отличный подход, если у вас много данных). Разделив эти две части вверх, вы увидите, что вызывает узкое место, numpy.histrogram2d или imshow (используйте time.time() вокруг каждой части).

Ps np.random.randn – генератор псевдослучайных чисел. Они, как правило, являются простыми линейными генераторами, которые могут генерировать много миллионов (psuedo-) случайных чисел в секунду, так что это почти наверняка не ваше узкое место – рисование на экране почти всегда происходит медленнее, чем любое количество хрустов.