Matplotlib Agg Rendering Complexity Error

Question

Tôi đang cố gắng in biểu đồ 600 dpi bằng cách sử dụng Python matplotlib. Tuy nhiên Python vẽ 2 trong số 8 biểu đồ, và đầu ra các lỗi:

OverflowError: Agg rendering complexity exceeded. Consider downsampling or decimating your data. 

Tôi đang âm mưu một lượng lớn dữ liệu (7.500.000 dữ liệu cho mỗi cột) vì vậy tôi đoán hoặc là sẽ có một số vấn đề quá tải hay rằng tôi cần phải đặt một cell_block_limit lớn.

Tôi đã thử tìm kiếm các giải pháp thay đổi cell_block_limit trên Google nhưng không có kết quả. Điều gì sẽ là một cách tiếp cận tốt?

Mã như sau: -

 import matplotlib.pyplot as plt 
     from matplotlib.ticker import MultipleLocator, FormatStrFormatter 

     majorLocator = MultipleLocator(200) 
     majorFormatter = FormatStrFormatter('%d') 
     minorLocator = MultipleLocator(20) 

     fig = plt.figure() 
     ax = fig.add_subplot(111) 
     ax.xaxis.set_major_locator(majorLocator) 
     ax.xaxis.set_major_formatter(majorFormatter) 
     ax.xaxis.set_minor_locator(minorLocator) 
     ax.xaxis.set_ticks_position('bottom') 
     ax.xaxis.grid(True,which='minor') 
     ax.yaxis.grid(True) 
     plt.plot(timemat,fildata) 
     plt.xlabel(plotxlabel,fontsize=14) 
     plt.ylabel(plotylabel,fontsize=14)  
     plt.title(plottitle,fontsize=16) 
     fig.savefig(plotsavetitle,dpi=600) 

Answer 1

Ngoài điểm của @ Lennart mà không cần đến độ phân giải đầy đủ, bạn cũng có thể xem xét một âm mưu tương tự như sau.

Tính max/nghĩa/phút của một "chửi rủa" phiên bản rất đơn giản và hiệu quả nếu bạn sử dụng một cái nhìn 2D của mảng gốc và arg axis từ khóa để x.min(), x.max() vv

Ngay cả với việc lọc, vẽ đồ thị này nhanh hơn nhiều so với vẽ toàn bộ mảng.

(Lưu ý: để vẽ nhiều điểm này, bạn sẽ phải điều chỉnh mức độ tiếng ồn một chút. Nếu không, bạn sẽ nhận được OverflowError bạn đã đề cập. Nếu bạn muốn so sánh âm mưu của tập dữ liệu "đầy đủ", hãy thay đổi y += 0.3 * y.max() np.random... dòng để giống như 0.1 hoặc loại bỏ nó hoàn toàn.)

import matplotlib.pyplot as plt 
import numpy as np 
np.random.seed(1977) 

# Generate some very noisy but interesting data... 
num = 1e7 
x = np.linspace(0, 10, num) 
y = np.random.random(num) - 0.5 
y.cumsum(out=y) 
y += 0.3 * y.max() * np.random.random(num) 

fig, ax = plt.subplots() 

# Wrap the array into a 2D array of chunks, truncating the last chunk if 
# chunksize isn't an even divisor of the total size. 
# (This part won't use _any_ additional memory) 
chunksize = 10000 
numchunks = y.size // chunksize 
ychunks = y[:chunksize*numchunks].reshape((-1, chunksize)) 
xchunks = x[:chunksize*numchunks].reshape((-1, chunksize)) 

# Calculate the max, min, and means of chunksize-element chunks... 
max_env = ychunks.max(axis=1) 
min_env = ychunks.min(axis=1) 
ycenters = ychunks.mean(axis=1) 
xcenters = xchunks.mean(axis=1) 

# Now plot the bounds and the mean... 
ax.fill_between(xcenters, min_env, max_env, color='gray', 
       edgecolor='none', alpha=0.5) 
ax.plot(xcenters, ycenters) 

fig.savefig('temp.png', dpi=600) 

Answer 2

Với 600dpi bạn sẽ phải thực hiện những âm mưu rộng để mưu dữ liệu mà không decimating nó 13 mét. :-)

Tôi khuyên bạn nên chia nhỏ dữ liệu thành nhiều phần một vài trăm hoặc thậm chí có thể là một nghìn mẫu và kéo giá trị tối đa ra khỏi đó.

Something như thế này:

def chunkmax(data, chunk_size): 
    source = iter(data) 
    chunk = [] 
    while True: 
     for i in range(chunk_size): 
      chunk.append(next(source)) 

     yield max(chunk) 

này sẽ sau đó, với một chunk_size 1000 cung cấp cho bạn 7500 điểm để vẽ, nơi bạn sau đó có thể dễ dàng nhìn thấy nơi trong các dữ liệu cú sốc đến. (Trừ khi dữ liệu quá ồn ào, bạn sẽ phải tính trung bình nó để xem liệu có bị mắc kẹt hay không. Nhưng điều đó cũng dễ dàng sửa chữa được).