Seaborn Catplot绘制耗时超10分钟，如何优化提升运行速度？

核心原因 #

你当前使用的catplot是Seaborn的FacetGrid级封装函数，自带大量分面布局相关的额外计算，且未显式指定参数时，函数默认执行的分类推断、散点抖动计算、大量刻度的自动布局操作都会被563个城市分类放大，最终导致耗时异常。另外Matplotlib渲染默认是单线程执行，所以不会占满CPU资源，属于正常现象。

可落地优化方法 #

• 替换为Axes级绘图函数，去掉不必要的FacetGrid开销
  你没有分面需求，完全不需要使用catplot，直接使用底层的stripplot/barplot即可，代码示例：

  import matplotlib.pyplot as plt
  import pandas as pd
  import seaborn as sns
  
  # 提前将City转为分类类型，避免Seaborn运行时推断排序
  # 如果需要按特定顺序排序，可自定义categories参数
  city_lit_rate_long['City'] = pd.Categorical(city_lit_rate_long['City'], ordered=True)
  
  # 直接用Axes级函数绘图，替换catplot
  fig, ax = plt.subplots(figsize=(10, 5)) # 对应你之前的height=5,aspect=2参数
  sns.stripplot(
      data=city_lit_rate_long, 
      y='City', 
      x='Literacy Levels', 
      hue='Legend',
      jitter=0, # 每个分组只有1个数据点，无需抖动计算
      dodge=0.2, # 分组偏移宽度，可按需调整
      ax=ax
  )
  ax.legend(loc='best')
  plt.tight_layout()
  

• 关闭不必要的自动计算特性
  若仍需使用catplot，可添加以下参数减少无效计算：

  plot=sns.catplot(
      data=city_lit_rate_long,
      y='City', 
      x='Literacy Levels', 
      hue='Legend',
      height=5,
      aspect=2,
      legend=True, 
      legend_out=False,
      jitter=0, # 关闭抖动计算
      dodge=0.2
  )
  

• 更换Matplotlib渲染后端
  Jupyter环境默认的inline后端渲染大量分类标签时效率较低，可在绘图前运行魔法命令切换到更快的后端：

  # 非交互式渲染，适合直接导出图片
  %matplotlib agg
  # 如需交互式查看可使用qt/osx后端，需提前安装对应依赖
  # %matplotlib qt
  

• 调整渲染精度
  不需要高清矢量图时，可降低渲染dpi进一步提速：

  plt.rcParams['figure.dpi'] = 100
  

以上优化全部落地后，绘图耗时可降至2秒以内。

内容的提问来源于stack exchange，提问作者geoabram