如何在实时接收数据时绘制filt_time与ent_time的类直方图？

核心思路 #

首先需要调整原代码的统计逻辑：原代码里的filt_time和ent_time是累加值，要可视化所有时间数据的分布特征，得记录每次处理的单次耗时而非累加总和，再借助matplotlib的交互模式实现实时直方图更新。

单线程实现方案 #

适合数据处理循环非阻塞的场景，直接在处理流程中嵌入绘图更新逻辑：

import time
import matplotlib.pyplot as plt

# 用列表存储单次耗时（替代原累加变量）
filt_times = []
ent_times = []

# 开启matplotlib交互模式，支持实时绘图
plt.ion()
# 创建双张子图分别展示两个耗时的分布
fig, (ax_filt, ax_ent) = plt.subplots(1, 2, figsize=(12, 5))

while receiving_data:  # 替换为你实际的接收数据判断条件
    for i in range(numBands):
        # 记录滤波处理的单次耗时
        t_start = time.time()
        processing_data  # 替换为你的滤波处理代码
        filt_duration = time.time() - t_start
        filt_times.append(filt_duration)

        # 记录熵处理的单次耗时
        t_start = time.time()
        processing_data  # 替换为你的熵处理代码
        ent_duration = time.time() - t_start
        ent_times.append(ent_duration)

        # 每处理N次更新一次绘图（避免频繁刷新卡顿，N可按需调整）
        if i % 5 == 0:
            # 更新滤波耗时直方图
            ax_filt.clear()
            ax_filt.hist(filt_times, bins='auto', color='#1f77b4', alpha=0.7)
            ax_filt.set_title('滤波处理耗时分布')
            ax_filt.set_xlabel('耗时（秒）')
            ax_filt.set_ylabel('次数')

            # 更新熵处理耗时直方图
            ax_ent.clear()
            ax_ent.hist(ent_times, bins='auto', color='#ff7f0e', alpha=0.7)
            ax_ent.set_title('熵处理耗时分布')
            ax_ent.set_xlabel('耗时（秒）')
            ax_ent.set_ylabel('次数')

            # 调整布局并强制刷新绘图
            plt.tight_layout()
            plt.draw()
            plt.pause(0.01)  # 必须暂停一小段时间让绘图引擎完成更新

# 循环结束后关闭交互模式，保留图像显示
plt.ioff()
plt.show()

多线程实现方案 #

如果数据接收/处理是阻塞式的，建议把绘图逻辑放到单独线程，避免主线程被绘图操作阻塞：

import threading
import time
import matplotlib.pyplot as plt

# 全局存储耗时数据，线程间共享
filt_times = []
ent_times = []
# 用于控制绘图线程退出的事件
stop_plot_event = threading.Event()

def update_histograms():
    plt.ion()
    fig, (ax_filt, ax_ent) = plt.subplots(1, 2, figsize=(12, 5))
    
    while not stop_plot_event.is_set():
        # 更新滤波耗时直方图（有数据才更新）
        if filt_times:
            ax_filt.clear()
            ax_filt.hist(filt_times, bins='auto', color='#1f77b4', alpha=0.7)
            ax_filt.set_title('滤波处理耗时分布')
            ax_filt.set_xlabel('耗时（秒）')
            ax_filt.set_ylabel('次数')
        
        # 更新熵处理耗时直方图（有数据才更新）
        if ent_times:
            ax_ent.clear()
            ax_ent.hist(ent_times, bins='auto', color='#ff7f0e', alpha=0.7)
            ax_ent.set_title('熵处理耗时分布')
            ax_ent.set_xlabel('耗时（秒）')
            ax_ent.set_ylabel('次数')
        
        plt.tight_layout()
        plt.draw()
        plt.pause(0.1)  # 调整刷新间隔，平衡实时性和性能
    
    plt.ioff()
    plt.show()

# 启动绘图线程
plot_thread = threading.Thread(target=update_histograms, daemon=True)
plot_thread.start()

# 主数据处理循环
try:
    while receiving_data:
        for i in range(numBands):
            # 记录滤波单次耗时
            t_start = time.time()
            processing_data  # 替换为你的滤波处理代码
            filt_times.append(time.time() - t_start)

            # 记录熵处理单次耗时
            t_start = time.time()
            processing_data  # 替换为你的熵处理代码
            ent_times.append(time.time() - t_start)
finally:
    # 停止绘图线程
    stop_plot_event.set()
    plot_thread.join()

关键注意事项 #

• 单次耗时记录：必须用列表存储每次的耗时，而非累加值，这样直方图才能展示所有时间数据的分布特征；
• 交互模式依赖：plt.ion()是实时绘图的核心，plt.pause()是强制刷新绘图的必要操作，缺一不可；
• 刷新频率控制：不要每次处理都刷新绘图，设置固定间隔可以避免程序卡顿；
• 多线程安全：列表的append操作在Python中是线程安全的，无需额外加锁，若有更复杂的共享操作则需考虑锁机制。

内容的提问来源于stack exchange，提问作者forzalupi1912