为什么 plt.imshow 比 plt.pcolor 快这么多？答案

【问题标题】：Why is plt.imshow so much quicker than plt.pcolor ?为什么 plt.imshow 比 plt.pcolor 快这么多？
【发布时间】：2016-04-09 06:14:01
【问题描述】：

我正在尝试从 2D 矩阵中找出尽可能多的数据可视化工具（奖励点是查看 2D 矩阵的任何其他好方法）。

我生成了很多热图，有人告诉我pcolor 是要走的路（我现在使用seaborn）。

为什么plt.imshow 比plt.pcolor 在执行非常相似的操作时要快得多？

def image_gradient(m,n):
    """
    Create image arrays
    """
    A_m = np.arange(m)[:, None]
    A_n = np.arange(n)[None, :]
    return(A_m.astype(np.float)+A_n.astype(np.float)) 

A_100x100 = image_gradient(m,n)

%timeit plt.pcolor(A_100x100)
%timeit plt.imshow(A_100x100)

1 loop, best of 3: 636 ms per loop
1000 loops, best of 3: 1.4 ms per loop

【问题讨论】：

一个可能重复的问题？见：stackoverflow.com/questions/7470288/…

标签： python image-processing matplotlib heatmap imshow

【解决方案1】：

部分回答您的问题，plt.imshow 比 plt.pcolor 快得多 因为他们没有做类似的操作。事实上，他们做的事情非常不同。

根据文档，matplotlib.pyplot.pcolor 返回一个 matplotlib.collections.PolyCollection，与返回 matplotlib.collections.QuadMesh 对象的 pcolormesh 相比可能会慢一些。另一方面，imshow 返回一个 matplotlib.image.AxesImage 对象。我用 pcolor、imshow 和 pcolormesh 做了一个测试：

def image_gradient(m,n):
    """
    Create image arrays
    """
    A_m = np.arange(m)[:, None]
    A_n = np.arange(n)[None, :]
    return(A_m.astype(np.float)+A_n.astype(np.float)) 

m = 100
n = 100

A_100x100 = image_gradient(m,n)

%time plt.imshow(A_100x100)
%time plt.pcolor(A_100x100)
%time plt.pcolormesh(A_100x100)

我得到的结果是：

imshow()
CPU times: user 76 ms, sys: 0 ns, total: 76 ms
Wall time: 74.4 ms
pcolor()
CPU times: user 588 ms, sys: 16 ms, total: 604 ms
Wall time: 601 ms
pcolormesh()
CPU times: user 0 ns, sys: 4 ms, total: 4 ms
Wall time: 2.32 ms

显然，对于这个特定的示例，pcolormesh 是最有效的。

【讨论】：