Python matplotlib干图的优化

我正在尝试使用“matplotlib.pyplot.Stem”函数生成Stem图。代码可以工作，但需要5分钟以上的时间来处理

我在Matlab中有一个类似的代码，它几乎可以立即用相同的输入数据生成相同的图

有没有一种方法可以优化这个代码的速度或更好的功能，我可以使用

干图“H”和“plotdata”的参数为16384 x 1数组

def stemplot（）：
将numpy作为np导入
从scipy.fftpack导入fft
将matplotlib.pyplot作为plt导入
################################################
#用于设置绘图数据的代码
N=2048
dr=100
k=np.arange（0，N）
cos=np.cos
pi=np.pi
w=1-1.932617*cos（2*pi*k/（N-1））+1.286133*cos（4*pi*k/（N-1））-0.387695*cos（6*pi*k/（N-1））+0.0322227*cos（8*pi*k/（N-1））
y=np.串联（[w，np.零（（7*N））]））
H=abs（fft（y，轴=0））
H=np.fft.fft移位（H）
H=H/最大值（H）
H=20*np.log10（H）
H=dr+H
H[H<0]=0#将dr+H中的所有负值设置为0
plotdata=（（名词短语arange（1，（8*N）+1,1））-1-4*N）/8
#################################################
#绘图代码
plt.图
plt.stem（plotdata，H，markerfmt=“”）
plt.轴（[（-4*N）/8，（4*N）/8,0，dr]）
plt.grid（）
plt.ylabel（“分贝”）
plt.xlabel（“DFT箱”）
产品名称（‘频率响应（平顶）’）
plt.show（）
返回

以下是供参考的Matlab代码：

N=2048；
dr=100；
k=0:N-1
w=1-1.932617*cos（2*pi*k/（N-1））+1.286133*cos（4*pi*k/（N-1））-0.387695*cos（6*pi*k/（N-1））+0.0322227*cos（8*pi*k/（N-1））；
H=abs（fft（[w零点（1,7*N）]）；
H=FFT换档（H）；
H=H/最大值（H）；
H=20*log10（H）；
H=最大值（0，dr+H）；%将dr+H中的负数设置为0
图形
茎（（[1：（8*N）]-1-4*N）/8，H'，-'）；
集合（findobj（'Type'，'line'），'Marker'，'none'，'Color'，[.871.49 0]）
xlim（[-4*N 4*N]/8）
ylim（[0 dr]）
设置（gca，'YTickLabel'，'-100 |-90 |-80 |-70 |-60 |-50 |-40 |-30 |-20 |-10 | 0'）
网格化
伊拉贝尔（“分贝”）
xlabel（‘DFT箱’）
标题（“频率响应（平顶）”

这里似乎不需要绘制

干图，因为标记无论如何都是不可能的，并且由于点的数量太多而没有意义

相反，使用LineCollection可能有意义。这是无论如何-看。下面的代码在0.25秒内运行。（由于行数太多，这仍然比使用
绘图
略长。）

将numpy导入为np
从scipy.fftpack导入fft
将matplotlib.pyplot作为plt导入
导入时间
将matplotlib.collections作为mcoll导入
N=2048
k=np.arange（0，N）
dr=100
cos=np.cos
pi=np.pi
w=1-1.932617*cos（2*pi*k/（N-1））+1.286133*cos（4*pi*k/（N-1））-0.387695*cos（6*pi*k/（N-1））+0.0322227*cos（8*pi*k/（N-1））
y=np.串联（[w，np.零（（7*N））]））
H=abs（fft（y，轴=0））
H=np.fft.fft移位（H）
H=H/最大值（H）
H=20*np.log10（H）
H=dr+H
H[H<0]=0#将dr+H中的所有负值设置为0
plotdata=（（名词短语arange（1，（8*N）+1,1））-1-4*N）/8
行=[]
对于thisx，zip中的thisy（绘图数据，H）：
追加（（（thisx，0），（thisx，thisy）））
stemlines=mcoll.LineCollection（线条，线条样式=“-”，
colors=“C0”，标签=“”“无标签”）
plt.gca（）.add_集合（stemlines）
plt.轴（[（-4*N）/8，（4*N）/8,0，dr]）
plt.grid（）
plt.ylabel（“分贝”）
plt.xlabel（“DFT箱”）
产品名称（‘频率响应（平顶）’）
plt.show（）
您可以使用
ax.vlines
以所需的格式模拟茎图。写一个小函数

def make_stem(ax, x, y, **kwargs):
    ax.axhline(x[0],x[-1],0, color='r')

    ax.vlines(x, 0, y, color='b')

    ax.set_ylim([1.05*y.min(), 1.05*y.max()])

然后修改示例中的相关行，如下所示：

    # Plotting Code

##    plt.figure
##    plt.stem(plotdata,H,markerfmt = " ")

##    plt.axis([(-4*N)/8, (4*N)/8, 0, dr])

    fig, ax = plt.subplots()
    make_stem(ax, plotdata, H)

几乎立即生成绘图。然而，我不知道这比@ImportanceOfBeingErnest的答案快还是慢。
你能把这变成一个问题吗？如果不知道
w
是什么，则无法运行此代码。此外，
return
是一条语句，而不是函数。它后面不需要
（）
。在这种特殊情况下根本不需要；-）请看一看和github问题。这似乎是一个已知的问题。我可以重复第二期中的一个评论：16384分，你确定干图就是你想要的吗？你又一次打败了我：）我用
vlines
得到了一个解决方案，它也非常快。@Thomas如果你的解决方案使用的不是线收集，如果它比问题开始的5秒要快得多，为什么不在这里发布呢？完成了。不过我不知道如何更快。谢谢你的回复，代码比.stem方法工作得更好！我想最初我只是想直接翻译matlab代码，在这个例子中，直接比较不是最好的解决方案。下面的解决方案需要0.25秒，而这个解决方案在我的计算机上需要0.23秒。差别不大，但显然还是快了一点。@Thomas谢谢你的回答，我测试了这段代码，它的运行速度和上面的一样快，任何一种方法都是合适的。@Stevengodard然后你就可以有两种可行的解决方案了。你可以选择你更喜欢的。
    # Plotting Code

##    plt.figure
##    plt.stem(plotdata,H,markerfmt = " ")

##    plt.axis([(-4*N)/8, (4*N)/8, 0, dr])

    fig, ax = plt.subplots()
    make_stem(ax, plotdata, H)