我有一些大的数组（约100万点），我需要以交互方式绘制。我currenlty使用Matplotlib。绘制数组作为-是变得非常慢，是一种浪费，因为你不能想像那么多分呢。
所以，我提出，我绑在轴线的“xlim_changed”回调一个最小/最大抽取功能。我用最小/最大方法去，因为数据包含我不想通过只通过数据步进错过快速冲高。还有更多的包装该作物于x限制，以及跳过处理在一定条件下但相关的部分是以下：
def min_max_downsample(x,y,num_bins):
""" Break the data into num_bins and returns min/max for each bin"""
pts_per_bin = x.size // num_bins
#Create temp to hold the reshaped & slightly cropped y
y_temp = y[:num_bins*pts_per_bin].reshape((num_bins, pts_per_bin))
y_out = np.empty((num_bins,2))
#Take the min/max by rows.
y_out[:,0] = y_temp.max(axis=1)
y_out[:,1] = y_temp.min(axis=1)
y_out = y_out.ravel()
#This duplicates the x-value for each min/max y-pair
x_out = np.empty((num_bins,2))
x_out[:] = x[:num_bins*pts_per_bin:pts_per_bin,np.newaxis]
x_out = x_out.ravel()
return x_out, y_out
这工作得很好，是足够快（80毫秒〜1E8上点和2K箱）。很少有滞后，因为它周期性地重新计算和更新生产线的X和Y的数据。
但是，我唯一的抱怨是在x数据。这段代码复制每个容器的左边缘的x值和不返回在Y最小/最大对真正的X位置。我通常设定区间的数目于轴线像素宽度的两倍。所以你不能真正看到区别，因为垃圾箱这么小......但我知道它的存在......它的错误我。
所以尝试其确实为每最小/最大对返回实际的x值数2。然而，它是大约5倍速度较慢。
def min_max_downsample_v2(x,y,num_bins):
pts_per_bin = x.size // num_bins
#Create temp to hold the reshaped & slightly cropped y
y_temp = y[:num_bins*pts_per_bin].reshape((num_bins, pts_per_bin))
#use argmax/min to get column locations
cc_max = y_temp.argmax(axis=1)
cc_min = y_temp.argmin(axis=1)
rr = np.arange(0,num_bins)
#compute the flat index to where these are
flat_max = cc_max + rr*pts_per_bin
flat_min = cc_min + rr*pts_per_bin
#Create a boolean mask of these locations
mm_mask = np.full((x.size,), False)
mm_mask[flat_max] = True
mm_mask[flat_min] = True
x_out = x[mm_mask]
y_out = y[mm_mask]
return x_out, y_out
这需要我的机器成为很明显的大约400多毫秒。所以我的问题基本上是有没有办法走得更快，提供了相同的结果？瓶颈主要是在numpy.argmin和numpy.argmax功能，这比numpy.min和numpy.max慢好位。
答案可能是只是形式＃1生活，因为它在视觉上并不重要。或者，也许尝试加快它有点像用Cython（我从来没有用过）。
在Windows上使用Python 3.6.4 FYI ...例如用法是这样的：
x_big = np.linspace(0,10,100000000)
y_big = np.cos(x_big )
x_small, y_small = min_max_downsample(x_big ,y_big ,2000) #Fast but not exactly correct.
x_small, y_small = min_max_downsample_v2(x_big ,y_big ,2000) #correct but not exactly fast.
我管理通过使用arg(min|max)的直接输出到索引数据数组来获得改进的性能。这是以额外的通话费用以np.sort但轴进行排序仅具有两个元件（最小/最大指数。）和整个阵列是相当小的（二进制数）：
def min_max_downsample_v3(x, y, num_bins):
pts_per_bin = x.size // num_bins
x_view = x[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
y_view = y[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
i_min = np.argmin(y_view, axis=1)
i_max = np.argmax(y_view, axis=1)
r_index = np.repeat(np.arange(num_bins), 2)
c_index = np.sort(np.stack((i_min, i_max), axis=1)).ravel()
return x_view[r_index, c_index], y_view[r_index, c_index]
我检查了你的例子正时和我得到：
min_max_downsample_v1：110毫秒±5毫秒min_max_downsample_v2：240毫秒±8.01毫秒min_max_downsample_v3：164毫秒±1.23毫秒我还检查了电话后直接返回arg(min|max)，结果是同样164毫秒，即有后，没有真正的开销了。
因此，这并没有解决加速问题的特定功能，但它确实表明有所有效地绘制一条线有大量点的几种方法。这假定在x点是有序且均匀地（或以均匀地接近）采样。
设定
from pylab import *
下面是我喜欢一个函数，通过随机地选择一个在每个时间间隔减少的点的数量。它不保证显示的数据每一个高峰，但它并没有很多的问题直接抽取数据，并很快。
def calc_rand(y, factor):
split = y[:len(y)//factor*factor].reshape(-1, factor)
idx = randint(0, split.shape[-1], split.shape[0])
return split[arange(split.shape[0]), idx]
而这里的最小值和最大值看到信号包络
def calc_env(y, factor):
"""
y : 1D signal
factor : amount to reduce y by (actually returns twice this for min and max)
Calculate envelope (interleaved min and max points) for y
"""
split = y[:len(y)//factor*factor].reshape(-1, factor)
upper = split.max(axis=-1)
lower = split.min(axis=-1)
return c_[upper, lower].flatten()
下面的函数可以采取以下任一，并用它们来降低被抽中的数据。实际采取的点数是5000在默认情况下，它应该远远超过监视器的分辨率。它减少后的数据缓存。内存可能是一个问题，尤其是大量的数据，但它不应该超过原始信号所需的时间。
def plot_bigly(x, y, *, ax=None, M=5000, red=calc_env, **kwargs):
"""
x : the x data
y : the y data
ax : axis to plot on
M : The maximum number of line points to display at any given time
kwargs : passed to line
"""
assert x.shape == y.shape, "x and y data must have same shape!"
if ax is None:
ax = gca()
cached = {}
# Setup line to be drawn beforehand, note this doesn't increment line properties so
# style needs to be passed in explicitly
line = plt.Line2D([],[], **kwargs)
def update(xmin, xmax):
"""
Update line data
precomputes and caches entire line at each level, so initial
display may be slow but panning and zooming should speed up after that
"""
# Find nearest power of two as a factor to downsample by
imin = max(np.searchsorted(x, xmin)-1, 0)
imax = min(np.searchsorted(x, xmax) + 1, y.shape[0])
L = imax - imin + 1
factor = max(2**int(round(np.log(L/M) / np.log(2))), 1)
# only calculate reduction if it hasn't been cached, do reduction using nearest cached version if possible
if factor not in cached:
cached[factor] = red(y, factor=factor)
## Make sure lengths match correctly here, by ensuring at least
# "factor" points for each x point, then matching y length
# this assumes x has uniform sample spacing - but could be modified
newx = x[imin:imin + ((imax-imin)//factor)* factor:factor]
start = imin//factor
newy = cached[factor][start:start + newx.shape[-1]]
assert newx.shape == newy.shape, "decimation error {}/{}!".format(newx.shape, newy.shape)
## Update line data
line.set_xdata(newx)
line.set_ydata(newy)
update(x[0], x[-1])
ax.add_line(line)
## Manually update limits of axis, as adding line doesn't do this
# if drawing multiple lines this can quickly slow things down, and some
# sort of check should be included to prevent unnecessary changes in limits
# when a line is first drawn.
ax.set_xlim(min(ax.get_xlim()[0], x[0]), max(ax.get_xlim()[1], x[1]))
ax.set_ylim(min(ax.get_ylim()[0], np.min(y)), max(ax.get_ylim()[1], np.max(y)))
def callback(*ignore):
lims = ax.get_xlim()
update(*lims)
ax.callbacks.connect('xlim_changed', callback)
return [line]
下面是一些测试代码
L=int(100e6)
x=linspace(0,1,L)
y=0.1*randn(L)+sin(2*pi*18*x)
plot_bigly(x,y, red=calc_env)
在我的机器这显示非常快。缩放有一点滞后，特别是当它通过大量。平移没有问题。使用随机选择，而不是最小值和最大值是相当快一点，只有对非常高的水平放大的问题。
编辑：添加并行= true要numba ......甚至更快
我结束了从@ a_guest的回答，并链接到this related simultaneous min max question使得单通argmin +最大例程和索引功能的混合体。
到numba比“快，但不太正确”的版本快其实是有点这个版本返回每个最小/最大y对和感谢正确的x值。
from numba import jit, prange
@jit(parallel=True)
def min_max_downsample_v4(x, y, num_bins):
pts_per_bin = x.size // num_bins
x_view = x[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
y_view = y[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
i_min = np.zeros(num_bins,dtype='int64')
i_max = np.zeros(num_bins,dtype='int64')
for r in prange(num_bins):
min_val = y_view[r,0]
max_val = y_view[r,0]
for c in range(pts_per_bin):
if y_view[r,c] < min_val:
min_val = y_view[r,c]
i_min[r] = c
elif y_view[r,c] > max_val:
max_val = y_view[r,c]
i_max[r] = c
r_index = np.repeat(np.arange(num_bins), 2)
c_index = np.sort(np.stack((i_min, i_max), axis=1)).ravel()
return x_view[r_index, c_index], y_view[r_index, c_index]
2.6倍的速度比较使用timeit速度显示了numba代码大致并提供V1更好的结果。这是不是做numpy的的argmin＆argmax串联快一点超过10倍。
%timeit min_max_downsample_v1(x_big ,y_big ,2000)
96 ms ± 2.46 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit min_max_downsample_v2(x_big ,y_big ,2000)
507 ms ± 4.75 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit min_max_downsample_v3(x_big ,y_big ,2000)
365 ms ± 1.27 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit min_max_downsample_v4(x_big ,y_big ,2000)
36.2 ms ± 487 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
你有没有尝试交互式绘图pyqtgraph？它比matplotlib反应更灵敏。
一招我用下采样是使用array_split和计算的最小和最大的分裂。分割是根据每绘图区的像素的样本的数目来完成。