我需要绘制大型示波器数据集。它们太大（1 亿个值），无法将它们全部绘制在 for 循环中。如果我尝试这样做，它会导致MemoryError. 所以在 Stackoverflow 的帮助下，我想出了一个不漂亮但有效的解决方案。
原始数据集：
为了减少要绘制的数据量，我可以删除数据集的所有行，它们的 y 值介于1和之间-1。这可以用 pandas 轻松完成：
df是 pandas.DataFrame() 形式的数据集。
df[1]是要检查的列。
df.drop(df[(df[1] < 1) & (df[1] > -1)].index, inplace = True)
这导致：
这将数据集的长度从1 亿减少到大约20 万。我的问题是：有没有办法减少数据长度并保持其原始外观（防止丑陋的截断）？
这个堆栈的工作方式似乎与 Stackoverflow 不同。原谅我所有的不法行为。
如果您只是对绘制数据感兴趣，那么任何数据缩减技术都可以，即使它看起来很粗糙。
实际上，绘图函数本身不会绘制所有数据，因为分配给绘图的空间具有有限数量的分配给它的像素。例如，如果您的绘图区域是，那么任何超过 1024 个样本的波形都需要以某种方式重新缩放或重新采样。绘图函数无论如何都会在内部执行此操作，但始终保留到原始数据的链接以再次执行整个过程，通常是onUpdate.
下采样由两个步骤组成：抗混叠滤波步骤和抽取步骤。
如果您纯粹对绘制波形感兴趣，您可以尝试简单地以低因子抽取它（例如，每 5 个样本中保留 1 个样本），然后将其发送以进行绘图。它仍然会比绘图所需的数据多，但它的大小会更易于管理。
在这里选择纯抽取的原因是因为过滤步骤（尽管必要）可能很昂贵（在计算方面）并且需要更长的时间。但是，如果您负担得起过滤时间，我建议您进行适当的下采样。
如果您使用的是 Python，您可以尝试使用此功能（或此功能）来处理下采样步骤。
这里不用说，如果你想进一步处理信号，你必须正确地对其进行下采样。
最后，您内存不足的另一个原因可能是您将所有数据保留在内存中，即使您已完成使用它。因此，一旦您发送了用于绘图的波形，请尝试del()对其进行设置，然后gc.collect()确保该部分内存将立即可用。
希望这可以帮助。