为什么 Matplotlib 这么慢？

在评估 Python 绘图库时，考虑性能很重要。 Matplotlib 是一个广泛使用的库，它看起来可能很缓慢，引发了关于加快速度或探索替代选项的问题。让我们深入研究这个问题并探索可能的解决方案。

提供的示例展示了具有多个子图和数据更新的图。使用 Matplotlib，此过程涉及重绘所有内容，包括轴边界和刻度标签，从而导致性能降低。

了解瓶颈

导致速度缓慢的两个关键因素：

1. 过度重绘： Matplotlib 的 Fig.canvas.draw() 函数重绘整个图形，即使只有一小部分需要更新。
2. 丰富的刻度标签：大量的刻度标签和子图会给绘图过程带来很大的负担。

使用 Blitting 进行优化

解决这些瓶颈，考虑使用位块传送。 Blitting 涉及仅更新图形的特定部分，从而减少渲染时间。然而，为了高效实现，需要特定于后端的代码，这可能需要在 GUI 工具包中嵌入 Matplotlib 绘图。

GUI-中性位图传送

A GUI-中性位图传送技术可以在不依赖后端的情况下提供合理的性能：

1. 捕获背景：在动画之前，捕获每个子图的背景以便稍后恢复。
2. 更新和绘制： 对于每一帧，更新线条的数据和艺术家，恢复背景并位图更新部分。
3. 避免重绘： 使用Fig.canvas.blit( ax.bbox) 而不是 Fig.canvas.draw() 来仅更新必要的区域。

示例实现：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 2*np.pi, 0.1)
y = np.sin(x)

fig, axes = plt.subplots(nrows=6)

styles = ['r-', 'g-', 'y-', 'm-', 'k-', 'c-']
def plot(ax, style):
    return ax.plot(x, y, style, animated=True)[0]

lines = [plot(ax, style) for ax, style in zip(axes, styles)]

# Capture Background
backgrounds = [fig.canvas.copy_from_bbox(ax.bbox) for ax in axes]

for i in xrange(1, 2000):
    for j, (line, ax, background) in enumerate(zip(lines, axes, backgrounds), start=1):
        fig.canvas.restore_region(background)
        line.set_ydata(np.sin(j*x   i/10.0))
        ax.draw_artist(line)
        fig.canvas.blit(ax.bbox)

动画模块

最新的 Matplotlib 版本包含一个动画模块，它简化了 blitting：

import matplotlib.pyplot as plt
import matplotlib.animation as animation

def animate(i):
    for j, line in enumerate(lines, start=1):
        line.set_ydata(np.sin(j*x   i/10.0))

ani = animation.FuncAnimation(fig, animate, xrange(1, 200), interval=0, blit=True)