基于matplotlib中ion()和ioff()的使用详解

介绍 在使用matplotlib的过程中，发现不能像matlab一样同时开几个窗口进行比较，于是查询得知了交互模式，但是放在脚本里运行的适合却总是一闪而过，图像并不停留，遂仔细阅读和理解了一下文档，记下解决办法，问题比较简单，仅供菜鸟参考。 python可视化库matplotlib有两种显示模式： 阻塞（block）模式 交互（interactive）模式 在Python Consol命令行中，默认是交互模式。而在python脚本中，matplotlib默认是阻塞模式。 其中的区别是： 在交互模式下： plt.plot(x)或plt.imshow(x)是直接出图像，不需要plt.show() 在Python的科学计算和数据可视化领域，matplotlib是一个不可或缺的库，它提供了丰富的图形绘制功能，类似于MATLAB。本文主要探讨了在matplotlib中如何利用`ion()`和`ioff()`函数来控制交互模式，以便实现类似MATLAB的多窗口比较功能。 在matplotlib中，有两种主要的显示模式：阻塞模式（block mode）和交互模式（interactive mode）。在Python Console或IPython环境中，默认使用的是交互模式。而在独立的Python脚本中，matplotlib默认启动的是阻塞模式。 1. **交互模式（Interactive Mode）**： - 在交互模式下，调用`plt.plot(x)`或`plt.imshow(x)`等函数会立即显示图像，无需调用`plt.show()`。这使得用户可以实时查看和调整图像。 - 如果在脚本中使用`plt.ion()`启动交互模式，但未使用`plt.ioff()`关闭，那么在执行`plt.show()`之前，生成的图像会快速闪过，不会停留在屏幕上。为避免这种情况，应在调用`plt.show()`之前使用`plt.ioff()`关闭交互模式。 2. **阻塞模式（Block Mode）**： - 阻塞模式下，每个窗口打开后必须关闭，才能打开新的窗口，无法像MATLAB那样同时展示多个窗口进行比较。 - 在这种模式中，`plt.plot(x)`或`plt.imshow(x)`不会立即显示图像，需要通过`plt.show()`指令来呈现图形。 示例代码展示了如何在脚本中使用`ion()`和`ioff()`在交互模式下打开多个窗口并进行比较： ```python import matplotlib.pyplot as plt plt.ion() # 开启交互模式 plt.figure() plt.imshow(i1) plt.figure() plt.imshow(i2) plt.ioff() # 关闭交互模式 plt.show() ``` 在上述代码中，我们首先调用`plt.ion()`开启交互模式，然后创建两个窗口分别显示`i1`和`i2`的图像。接着，使用`plt.ioff()`关闭交互模式，确保在`plt.show()`执行后，图像会保持显示。 此外，还提供了一个示例，演示如何在训练神经网络的过程中，利用交互模式实时更新图形： ```python with tf.Session() as sess: sess.run(init) fig = plt.figure() ax = fig.add_subplot(1,1,1) ax.scatter(x_data, y_data) plt.ion() # 将画图模式改为交互模式 for i in range(1000): sess.run(train_step, feed_dict={xs: x_data, ys: y_data}) if i % 50 == 0: plt.pause(0.1) try: ax.lines.remove(lines[0]) except Exception: pass prediction_value = sess.run(prediction, feed_dict={xs: x_data}) lines = ax.plot(x_data, prediction_value, 'r-', lw=5) print(sess.run(loss, feed_dict={xs: x_data, ys: y_data})) plt.ioff() plt.show() ``` 在这个示例中，我们使用TensorFlow进行神经网络训练，并在每个训练间隔调用`plt.pause()`暂停程序，更新预测值的图形。当训练结束时，通过`plt.ioff()`关闭交互模式，最后使用`plt.show()`显示最终结果。 `ion()`和`ioff()`是matplotlib中控制交互模式的关键函数，它们允许用户在脚本中灵活地切换显示模式，以适应不同的需求，如实时更新图形、多窗口比较等。理解这些概念对于提升matplotlib的使用效率和用户体验至关重要。