目录
一、前言
我们知道matlab得工具箱用于分析数据非常强大，可以通过模块化得方式对数据进行处理，并可以有很多的工具模块，最后可以加入一个窗口，显示分析的结果。我们也知道，python的matplot绘图也非常强大，可以对各种维度的数据序列进行绘制，还有python有丰富的生态，有各行业的专业分析库，但是python需要编代码，对于工程人员使用起来有道门槛，难以实现像matlab的低代码分析应用。
本系列文章，试图打造一个python版的matlab，把机器人和控制、信号处理、图像处理相关的模块封装成流程图的块，并且打造跨进程通讯接口，从而实现便捷的应用。
本篇基本实现了对matplot的封装。效果如下：
二、实现过程
2.1 封装属性
matplot最常用的是曲线和散点、柱状图。我们把matplot封装到了一个叫MatplotPlotter的类里面，然后只要把数据整理成固定的形式，就可以调用这个类，然后显示出曲线，这个类把常用的属性给列出来了：
class MatplotPlotter:
def __init__(self, fignum,
max_length=50,
maxframelen=1024,
viewwinlen=20,
plotlayout=111,
title="title",
xyzlabel=[['X','Y','Z']],
plottitles=["plot","scatter","plot"],
xyzlim_max=[],
isrealtime=True,
lineform=["plot","scatter","plot","bar"],
lineform3D=["plot3D","scatter3D","plot3D"],
colors=["blue",
"red",
"green",
"yellow",
"pink",
"brown",
"orange",
"purple",
"cyan",
"gray "
],
size=(5, 4),
loc=(0,0)
):
self.cache = np.array([])
self.max_length = max_length
self.max_frame_length = maxframelen
self.cache_length=0
self.size=size
self.loc=loc
self.title=title
plt.style.use('dark_background')
self.fig2D = None
self.ax2D = None
self.an2d=None
self.fig3D = None
self.ax3D = None
self.an3d=None
self.isshow=False
self.viewwinlen=viewwinlen
self.fignum=fignum
self.plotlayout=plotlayout
self.xyzlabel=xyzlabel
self.plottitles=plottitles
self.isrealtime=isrealtime
#lineform:bar、plot、hist、pie
self.lineform=lineform
self.lineform3D=lineform3D
self.formstyle={
"pie":"self.ax2D.pie",
"plot":"self.ax2D.plot",
"bar":"self.ax2D.bar",
"scatter":"self.ax2D.scatter",
"plot3D":"self.ax3D.plot",
"scatter3D":"self.ax3D.scatter"
}
self.colors=colors
self.steps=None
2.2 数据流化显示
如上2D和3D的散点图、柱状图、线图都封装进去了。然后是图的title，位置、大小的设置等。
还有个就是，matplot一般很难显示动态图，这里我们的图可以进行实时动态显示，后期可以实时读取数据，并显示在matplot中可查看实时趋势。
2.3 输入数据的适应性
这个模块，可以接受numpy的数据，通过读取numpy的shape类型，来控制曲线的数量，曲线的2D和3D显示，如下：
#只有y值，（1，N）或（N,）单曲线
data0 = np.array([1],dtype=float)
data00 = np.array([[[1]]],dtype=float)
data1 = np.array([[1,2]],dtype=float)
#有x、y值（2，N），单曲线
data2 = np.array([[1], [2]],dtype=float)
#有x,y,z,（3，N),单曲线
data3 = np.array([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6], [3, 4, 5, 6, 7]],dtype=float)
#有x,y,(2,N,N),N根曲线
data4 = np.array([[
[ 1.,1., 1.],
],
[[ 2.,2., 4.],
]
],dtype=float)
#有x,y，z,(3,N,N),N跟曲线
data5 = np.array([[
[ 1.,1., 1.],
],
[
[ 1.,1., 1.],
],
[[ 2.,2., 4.],
]
],dtype=float)
这样，只要把数据进行预处理，就可以马上进行可视化了。
三、核心代码说明
3.1 设置缓存
设置一个缓存，可以持续接收数据流，并显示出来，同时如果超过缓存允许的长度，就把最早的数据舍掉，加入最新的数据。这里涉及到对输入data的shape的判断，对支持的shape进行解析，要考虑经可能多的shape存在。这个需要经过多种shape的输入测试。
然后，如果输入只有一维，也就是只有Y值得情况，就应该补上x得值，这里x得值用step得自然数补充。
同时，如果缓存中存储了数据，再输入数据时，需要经过numpy得拼接等操作。
def add_data(self, data):
if data.shape[0]>0 and data.shape[0]<=3:
if len(data.shape)>3:
return False
else:
if len(data.shape)==1:
#print("add data fail,len(data.shape) must at least >1")
data=data.reshape(len(data),1)
if len(data.shape)==2:
if data.shape[0]==1:
num=len(data[0])
if self.steps is None:
x= np.arange(num)
else:
x = self.steps+num
data = np.concatenate((x.reshape(1,num), data), axis=0)
self.steps=x
#print("self.steps",self.steps)
data = data.reshape(data.shape[0], data.shape[1],1)
if len(data.shape)==3 and data.shape[0]==1:
pass
else:
#print("add new data")
if len(self.cache.shape) == len(data.shape):
pass
else:
return False
return True
else:
#single curve
print("single curve")
return False
else:
print("data.shape[0] out of range must be (0,3]")
return False
3.2 随机信号
为了测试趋势曲线图，可以设置一个随机信号产生得模块，形成信号源，实际应用可以采集传感器中得信号，来冲当信号源。
def draw(plot,data):
# 定义均值和标准差
mu = 5
sigma = 0.6
print(plot.add_data(data))
if data.shape[0]<=1:
if len(data.shape)==1:
pass
num=len(data)
error=np.random.normal(mu, sigma, num)
data[0]=error[0]
elif len(data.shape)==3:
num=data.shape[1]
error=np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
for i in range(1,data.shape[2]):
error1 = np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
error=np.concatenate((error1.reshape(num,1), error), axis=1)
data[0]=error
print(data)
else:
num=len(data[0])
error=np.random.normal(mu, sigma, num)
data[0]=error
elif data.shape[0]==2:
data[0]=data[0]+(data.shape[1])
num=len(data[1])
if len(data.shape)==3:
#2D mutple
error=np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
for i in range(1,data.shape[2]):
error1 = np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
error=np.concatenate((error1.reshape(num,1), error), axis=1)
data[1]=error
#print("data4:",data4[0])
elif len(data.shape)==2:
#2D
error=np.random.normal(mu, sigma, num).reshape(num,1)
data[1]=error
elif data.shape[0]==3:
data[0]=data[0]+(data.shape[1])
data[1]=data[1]+(data.shape[1])
num=len(data[2])
if len(data.shape)==3:
#3D mult
error=np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
for i in range(1,data.shape[2]):
error1 = np.random.normal(mu, sigma, num).reshape(num,1)
#error2 = np.random.normal(mu, sigma, num)
error=np.concatenate((error1.reshape(num,1), error), axis=1)
data[2]=error
elif len(data.shape)==2:
#3D single
error=np.random.normal(mu, sigma, num)
data[2]=error
plot.plot()
3.3 根据设置绘图
当存入缓存后，绘图得任务就是解析缓存中得数据，把数据根据颜色、标题、坐标最大最小、绘制得类型等绘制出来。
def plot(self):
number_str = str(self.plotlayout)
if len(number_str) == 3:
hundreds = int(number_str[0])
tens = int(number_str[1])
units = int(number_str[2])
if hundreds*tens != units:
return False
if len(self.cache.shape)==3:
if self.plotlayout%10 != self.cache.shape[2] and self.plotlayout%10 != 1:
return False
if len(self.cache.shape)==2:
#single line
self.cache=self.cache.reshape(self.cache.shape[0],self.cache.shape[1],1)
if units==1:
if self.cache.shape[0] == 2: # 1D data
if self.fig2D == None:
self.fig2D = plt.figure(self.fignum,figsize=self.size)
self.fig2D.canvas.manager.window.move(self.loc[0],self.loc[1])
if self.ax2D is None:
#nrows, ncols, index
self.ax2D = self.fig2D.add_subplot(111)
self.ax2D.grid(linestyle='--', alpha=0.5)
self.ax2D.set_xlabel("X")
self.ax2D.set_ylabel("Y")
self.ax2D.set_title(self.title)
if self.an2d is not None:
#self.an2d.pop().remove()
#print(len(self.an2d))
if isinstance(self.an2d, matplotlib.container.BarContainer):
self.an2d.remove()
else:
self.an2d.pop().remove()
maxx=float('-inf')
minx=float('inf')
for line in range(self.cache.shape[2]):
x = self.cache[0,:,line]
y = self.cache[1,:,line]
if len(x)>self.viewwinlen:
x=x[-self.viewwinlen:]
y=y[-self.viewwinlen:]
pass
五、总结
实现了这个模块后，就可以封装到工作流中，可以供以后数据分析监视使用。有了这个块，就可以绘制多个图，在屏幕得任意位置，便于数据分析，和实时监控，特别适合试验室监视。
当然，可以看出matplot这个画布如果用于实时显示，可以看见开销和实时性较大。用于研究和原型开发足够，但是用于实时得生产环境，还时考虑进行优化。
四、源码
已经上传到资源，下载链接
[------------本篇完--------------------------]
PS.扩展阅读
————————————————————————————————————————
对于python机器人编程感兴趣的小伙伴，可以进入如下链接阅读相关咨询
ps1.六自由度机器人相关文章资源
(1) 对六自由度机械臂的运动控制及python实现（附源码)
ps2.四轴机器相关文章资源
(1) 文章：python机器人编程——用python实现一个写字机器人
（2）python机器人实战——0到1创建一个自动是色块机器人项目-CSDN直播
(3)博文《我从0开始搭建了一个色块自动抓取机器人，并实现了大模型的接入和语音控制-(上基础篇)》的vrep基础环境
(3)博文《我从0开始搭建了一个色块自动抓取机器人，并实现了大模型的接入和语音控制-(上基础篇)》的vrep基础环境
(4)实现了语音输入+大模型指令解析+机器视觉+机械臂流程打通
ps3.移动小车相关文章资源
（1）python做了一个极简的栅格地图行走机器人，到底能干啥？[第五弹]——解锁蒙特卡洛定位功能-CSDN博客
(2) 对应python资源：源码地址
(3)python机器人编程——差速AGV机器、基于视觉和预测控制的循迹、自动行驶（上篇）_agv编程-CSDN博客
(4)python机器人编程——差速AGV机器、基于视觉和预测控制的循迹、自动行驶（下篇）_agv路线规划原则python-CSDN博客
对应python及仿真环境资源：源码链接
扫一扫
1161
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
