目录
- 一、前言
- 二、实现过程
- 2.1 封装属性
- 2.2 数据流化显示
- 2.3 输入数据的适应性
- 三、核心代码说明
- 3.1 设置缓存
- 3.2 随机信号
- 3.3 根据设置绘图
- 五、总结
- 四、源码
- PS.扩展阅读
- ps1.六自由度机器人相关文章资源
- ps2.四轴机器相关文章资源
- ps3.移动小车相关文章资源
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:
python">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_lengthself.max_frame_length = maxframelenself.cache_length=0 self.size=sizeself.loc=locself.title=titleplt.style.use('dark_background')self.fig2D = Noneself.ax2D = Noneself.an2d=Noneself.fig3D = Noneself.ax3D = Noneself.an3d=Noneself.isshow=Falseself.viewwinlen=viewwinlenself.fignum=fignumself.plotlayout=plotlayoutself.xyzlabel=xyzlabelself.plottitles=plottitlesself.isrealtime=isrealtime#lineform:bar、plot、hist、pieself.lineform=lineformself.lineform3D=lineform3Dself.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=colorsself.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:
python"> #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。
python"> def add_data(self, data): if data.shape[0]>0 and data.shape[0]<=3: if len(data.shape)>3:return Falseelse: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:passelse:#print("add new data")if len(self.cache.shape) == len(data.shape):pass else:return Falsereturn Trueelse:#single curveprint("single curve")return Falseelse: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。
python">def draw(plot,data):# 定义均值和标准差mu = 5sigma = 0.6 print(plot.add_data(data))if data.shape[0]<=1:if len(data.shape)==1:passnum=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]=errorprint(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 mutpleerror=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:#2Derror=np.random.normal(mu, sigma, num).reshape(num,1)data[1]=errorelif 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 multerror=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]=errorelif len(data.shape)==2:#3D singleerror=np.random.normal(mu, sigma, num)data[2]=errorplot.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。
python"> 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 Falseif len(self.cache.shape)==3:if self.plotlayout%10 != self.cache.shape[2] and self.plotlayout%10 != 1:return Falseif len(self.cache.shape)==2:#single lineself.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)
(2) N轴机械臂的MDH正向建模,及python算法
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