长循环迭代进度实时绘制（Matplotlib）：无匹配场景的技术需求

我完全懂你的需求——在耗时的长循环里，每次迭代结束后不用等绘图完成就能继续下一轮计算，同时还要实时把当前进度可视化出来。你的原代码里每次调用plotStuff都新建一个figure，还同步执行保存操作，这不仅会拖慢循环速度，时间长了还可能因为堆积大量未关闭的figure导致内存爆炸。

下面给你两种实用的解决方案，都是异步不阻塞主循环的：

方案一：实时交互式绘图 + 后台线程更新 #

适合需要实时看到进度变化的场景，用后台线程处理绘图，主循环完全不被阻塞：

import matplotlib.pyplot as plt
import threading

# 提前初始化绘图对象，避免重复创建浪费资源
fig, ax = plt.subplots()
line, = ax.plot([])  # 先创建空线条，后续更新数据
ax.set_xlabel('Data Points')
ax.set_ylabel('Value')
ax.set_title('Iteration Progress')

def plotStuff(data, iteration):
    # 把绘图逻辑包在内部函数里，交给后台线程执行
    def update_and_save():
        # 更新线条数据
        line.set_ydata(data)
        line.set_xdata(range(len(data)))
        # 自动调整坐标轴范围，避免数据溢出视图
        ax.relim()
        ax.autoscale_view()
        # 按迭代命名保存，防止覆盖之前的结果
        fig.savefig(f'progress_iter_{iteration}.pdf')
        plt.draw()  # 刷新绘图
    
    # 启动后台线程，daemon=True保证主程序结束时线程自动退出
    threading.Thread(target=update_and_save, daemon=True).start()

def doStuff(oldData):
    # 模拟你的耗时计算逻辑
    import time
    time.sleep(0.1)  # 代替实际耗时操作
    return oldData + [oldData[-1] + 0.1] if oldData else [0]

def convergence(data, oldData):
    # 模拟收敛判断逻辑
    if not oldData:
        return False
    return abs(data[-1] - oldData[-1]) < 0.01

def main():
    oldData = [0]
    plt.ion()  # 开启交互式模式，支持实时更新绘图
    for iteration in range(1000):
        data = doStuff(oldData)
        if convergence(data, oldData):
            print(f"收敛完成！迭代次数：{iteration}")
            break
        plotStuff(data, iteration)
        oldData = data
    plt.ioff()  # 关闭交互式模式
    plt.show()  # 最后停留显示最终结果

if __name__ == '__main__':
    main()

方案二：异步保存图片（无需实时显示） #

如果只需要保存每轮的进度图，不需要实时看，可以用线程池来优化，减少频繁创建线程的开销：

import matplotlib.pyplot as plt
from concurrent.futures import ThreadPoolExecutor

# 初始化单线程池（绘图不需要多线程，一个足够）
executor = ThreadPoolExecutor(max_workers=1)

# 提前初始化绘图对象
fig, ax = plt.subplots()
line, = ax.plot([])

def plotStuff(data, iteration):
    line.set_ydata(data)
    line.set_xdata(range(len(data)))
    ax.relim()
    ax.autoscale_view()
    fig.savefig(f'progress_iter_{iteration}.pdf')

def doStuff(oldData):
    import time
    time.sleep(0.1)
    return oldData + [oldData[-1] + 0.1] if oldData else [0]

def convergence(data, oldData):
    if not oldData:
        return False
    return abs(data[-1] - oldData[-1]) < 0.01

def main():
    oldData = [0]
    plt.ioff()  # 不需要实时显示，关闭交互式模式节省资源
    for iteration in range(1000):
        data = doStuff(oldData)
        if convergence(data, oldData):
            print(f"收敛完成！迭代次数：{iteration}")
            break
        # 把绘图任务提交给线程池，主循环继续执行
        executor.submit(plotStuff, data, iteration)
        oldData = data
    executor.shutdown()  # 等待所有未完成的绘图任务结束后再退出

if __name__ == '__main__':
    main()

关键注意点 #

• 一定要提前初始化fig和ax，不要在循环里反复创建新的figure，这是提升效率和避免内存问题的核心
• 用线程/线程池把绘图操作和主计算逻辑解耦，保证主循环不会被绘图阻塞
• 如果用实时显示，确保你的matplotlib后端（比如TkAgg、QtAgg）支持线程操作，默认后端一般都没问题
• 如果循环迭代极快，注意控制绘图任务的并发数，避免任务堆积导致内存占用过高

内容的提问来源于stack exchange，提问作者FooBar