Matplotlib，保存到 CString 对象时可以替代 savefig() 来提高性能吗？

Question

我正在尝试加快将图表保存为图像的过程。现在我正在创建一个 cString 对象，我使用 savefig 将图表保存到其中；但我真的非常非常感谢任何帮助改进这种保存图像的方法。我必须执行数十次此操作，并且 savefig 命令非常非常慢；一定有更好的方法来做到这一点。我读过一些关于将其保存为未压缩的原始图像的内容，但我不知道如何做到这一点。如果我也可以切换到另一个更快的后端，我真的不在乎 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 和FigureCanvasAgg 后端。

谢谢！

Answer 1

如果您只想要一个原始缓冲区，请尝试 fig.canvas.print_rgb、fig.canvas.print_raw 等（两者之间的区别在于 raw code> 是 rgba，而 rgb 是 rgb。还有 print_png、print_ps 等）

这将使用 fig.dpi 而不是 savefig 的默认 dpi 值 (100 dpi)。尽管如此，即使比较 fig.canvas.print_raw(f) 和 fig.savefig(f, format='raw', dpi=fig.dpi) print_canvas 版本稍微快一点 快得多，因为它不需要重置轴补丁的颜色等，而 savefig 默认情况下会这样做。

但无论如何，以原始格式保存图形所花费的大部分时间只是绘制图形，这是无法避免的。

无论如何，作为一个毫无意义但有趣的示例，请考虑以下内容：

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()

如果我们看一下原始图像绘制时间：

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()

在我的机器上大约需要 25 秒。

如果我们将原始 RGBA 缓冲区转储到 cStringIO 缓冲区，它实际上会稍微快一些，大约 22 秒（这只是因为我使用的是交互式后端！否则它是等效的。）：

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()

如果我们将此与使用 < code>savefig，具有相对设置的 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()

这大约需要 23.5 秒。基本上，在本例中，savefig 只是设置一些默认参数并调用 print_raw，因此几乎没有什么区别。

现在，如果我们将原始图像格式与压缩图像格式 (png) 进行比较，我们会发现更显着的差异：

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()

这大约需要 52 秒！显然，压缩图像会产生大量开销。

无论如何，这可能是一个不必要的复杂示例......我想我只是想避免实际工作......

Answer 2

我还需要快速生成大量绘图。我发现多重处理可以提高可用核心数量的绘图速度。例如，如果一个进程中 100 个绘图花费了 10 秒，那么当任务分散到 4 个核心上时，大约需要 3 秒。