摘要：相對(duì)于靜態(tài)圖表，人類總是容易被動(dòng)畫和交互式圖表所吸引?？梢允褂幂p松生成圖表直方圖功率譜，條形圖，錯(cuò)誤圖表，散點(diǎn)圖等。然而，也有一些方面落后于同類的庫(kù)。動(dòng)畫使用一組固定的對(duì)象。稍后將用數(shù)據(jù)對(duì)行對(duì)象進(jìn)行填充?，F(xiàn)在用將它們轉(zhuǎn)換為動(dòng)畫。

翻譯：瘋狂的技術(shù)宅
https://towardsdatascience.co...

更多文章請(qǐng)關(guān)注微信公眾號(hào)：硬核智能

動(dòng)畫是一種展示現(xiàn)象的有趣方式。相對(duì)于靜態(tài)圖表，人類總是容易被動(dòng)畫和交互式圖表所吸引。在描述多年來(lái)的股票價(jià)格、過(guò)去十年的氣候變化、季節(jié)性和趨勢(shì)等時(shí)間序列數(shù)據(jù)時(shí)，動(dòng)畫更有意義，因?yàn)槲覀兛梢钥吹教囟ǖ膮?shù)是怎樣隨時(shí)間變化的。

上面的圖是雨滴的模擬并且已經(jīng)使用 Matplotlib 庫(kù)實(shí)現(xiàn)，該庫(kù)是一個(gè)廣為人知的祖父級(jí)別的 python 可視化包。 Matplotlib 通過(guò)對(duì) 50 個(gè)散點(diǎn)的比例和透明度進(jìn)行設(shè)置來(lái)模擬雨滴。今天，Python 擁有大量強(qiáng)大的可視化工具，如 Plotly、Bokeh、Altair等等。這些庫(kù)能夠?qū)崿F(xiàn)最先進(jìn)的動(dòng)畫和交互特性。盡管如此，本文的目的是強(qiáng)調(diào)這個(gè)庫(kù)的另一個(gè)方面，這個(gè)方面沒(méi)有人進(jìn)行過(guò)太多的探索，這就是動(dòng)畫。

Matplotlib 是一個(gè)廣受歡迎的 Python 2D 繪圖庫(kù)。很多人都是從 Matplotlib 開(kāi)始數(shù)據(jù)可視化之旅的。可以使用matplotlib輕松生成圖表、直方圖、功率譜，條形圖，錯(cuò)誤圖表，散點(diǎn)圖等。它還與 Pandas 和 Seaborn 等庫(kù)無(wú)縫集成，創(chuàng)造出更加復(fù)雜的可視化效果。

matplotlib 的優(yōu)點(diǎn)是：

它的設(shè)計(jì)類似于 MATLAB，因此很容易在在兩者之間切換。

在后端進(jìn)行渲染。

可以重現(xiàn)任何圖表（需要一點(diǎn)努力）。

已經(jīng)存在了十多年，擁有龐大的用戶群。

然而，也有一些方面 Matplotlib 落后于同類的庫(kù)。

Matplotlib 有一個(gè)過(guò)于冗長(zhǎng)的規(guī)則 API。

有時(shí)候風(fēng)格很差。

對(duì) Web 和交互式圖表的支持不佳。

對(duì)于大型復(fù)雜數(shù)據(jù)而言通常很慢。

這份復(fù)習(xí)資料是來(lái)自 Datacamp 的 Matplotlib 小抄，你可以通過(guò)它來(lái)提高自己的基礎(chǔ)知識(shí)。

Matplotlib 的 animation 基類負(fù)責(zé)處理動(dòng)畫部分。它提供了一個(gè)構(gòu)建動(dòng)畫功能的框架。使用下面兩個(gè)接口來(lái)實(shí)現(xiàn)：

FuncAnimation 通過(guò)重復(fù)調(diào)用函數(shù) func 來(lái)產(chǎn)生動(dòng)畫。

ArtistAnimation： 動(dòng)畫使用一組固定的 Artist 對(duì)象。

但是，在這兩個(gè)接口中，FuncAnimation 是最方便使用的。你可以通過(guò)閱讀文檔 得到的更多信息，因?yàn)槲覀冎魂P(guān)注 FuncAnimation 工具。

安裝 numpy 和 matplotlib 。

要將動(dòng)畫保存為 mp4 或 gif，需要安裝 ffmpeg 或 imagemagick。

準(zhǔn)備好之后，我們就可以在 Jupyter note 中開(kāi)始創(chuàng)建第一個(gè)動(dòng)畫了?？梢詮?Github 得到本文的代碼。

我們先用 FuncAnimation 創(chuàng)建一個(gè)在屏幕上移動(dòng)的正弦波的動(dòng)畫。動(dòng)畫的源代碼來(lái)自 Matplotlib 動(dòng)畫教程。首先看一下輸出，然后我們會(huì)分析代碼以了解幕后的原理。

import numpy as np
from matplotlib import pyplot as plt
from matplotlib.animation import FuncAnimation
plt.style.use("seaborn-pastel")


fig = plt.figure()
ax = plt.axes(xlim=(0, 4), ylim=(-2, 2))
line, = ax.plot([], [], lw=3)

def init():
    line.set_data([], [])
    return line,
def animate(i):
    x = np.linspace(0, 4, 1000)
    y = np.sin(2 * np.pi * (x - 0.01 * i))
    line.set_data(x, y)
    return line,

anim = FuncAnimation(fig, animate, init_func=init,
                               frames=200, interval=20, blit=True)

anim.save("sine_wave.gif", writer="imagemagick")

在第（7-9）行中，我們只需在圖中創(chuàng)建一個(gè)帶有單個(gè)軸的圖形窗口。然后創(chuàng)建一個(gè)空的行對(duì)象，它實(shí)際上是動(dòng)畫中要修改的對(duì)象。稍后將用數(shù)據(jù)對(duì)行對(duì)象進(jìn)行填充。

在第（11-13）行中，我們創(chuàng)建了 init 函數(shù)，它將使動(dòng)畫開(kāi)始。 init 函數(shù)對(duì)數(shù)據(jù)進(jìn)行初始化并設(shè)置軸限制。

在第（14-18）行中，我們最終定義了動(dòng)畫函數(shù)，該函數(shù)將幀編號(hào)（ i ）作為參數(shù)并創(chuàng)建正弦波（或任何其他動(dòng)畫），這取決于 i 的值。此函數(shù)返回一個(gè)已修改的繪圖對(duì)象的元組，它告訴動(dòng)畫框架哪些部分應(yīng)該屬于動(dòng)畫。

在第 20 行中，我們創(chuàng)建了實(shí)際的動(dòng)畫對(duì)象。 blit 參數(shù)確保只重繪那些已經(jīng)改變的圖塊。

這是在 Matplotlib 中創(chuàng)建動(dòng)畫的基本方法。通過(guò)對(duì)代碼進(jìn)行一些調(diào)整，可以創(chuàng)建有趣的可視化圖表。接下來(lái)看看更多的可視化案例。

同樣，在 GeeksforGeeks 中有一個(gè)很好的例子?，F(xiàn)在讓我們?cè)?matplotlib 的 animation 類的幫助下創(chuàng)建一個(gè)緩慢展開(kāi)的動(dòng)圈。該代碼非常類似于正弦波圖，只需稍作調(diào)整即可。

import matplotlib.pyplot as plt 
import matplotlib.animation as animation 
import numpy as np 
plt.style.use("dark_background")

fig = plt.figure() 
ax = plt.axes(xlim=(-50, 50), ylim=(-50, 50)) 
line, = ax.plot([], [], lw=2) 

# initialization function 
def init(): 
    # creating an empty plot/frame 
    line.set_data([], []) 
    return line, 

# lists to store x and y axis points 
xdata, ydata = [], [] 

# animation function 
def animate(i): 
    # t is a parameter 
    t = 0.1*i 
    
    # x, y values to be plotted 
    x = t*np.sin(t) 
    y = t*np.cos(t) 
    
    # appending new points to x, y axes points list 
    xdata.append(x) 
    ydata.append(y) 
    line.set_data(xdata, ydata) 
    return line, 
    
# setting a title for the plot 
plt.title("Creating a growing coil with matplotlib!") 
# hiding the axis details 
plt.axis("off") 

# call the animator     
anim = animation.FuncAnimation(fig, animate, init_func=init, 
                            frames=500, interval=20, blit=True) 

# save the animation as mp4 video file 
anim.save("coil.gif",writer="imagemagick") 

在繪制動(dòng)態(tài)數(shù)量（如庫(kù)存數(shù)據(jù)，傳感器數(shù)據(jù)或任何其他時(shí)間相關(guān)數(shù)據(jù)）時(shí)，實(shí)時(shí)更新的圖表會(huì)派上用場(chǎng)。我們繪制了一個(gè)簡(jiǎn)單的圖表，當(dāng)有更多數(shù)據(jù)被輸入系統(tǒng)時(shí)，該圖表會(huì)自動(dòng)更新。下面讓我們繪制一家假想公司在一個(gè)月內(nèi)的股票價(jià)格。

# importing libraries
import matplotlib.pyplot as plt
import matplotlib.animation as animation


fig = plt.figure()
# creating a subplot 
ax1 = fig.add_subplot(1,1,1)

def animate(i):
    data = open("stock.txt","r").read()
    lines = data.split("
")
    xs = []
    ys = []
   
    for line in lines:
        x, y = line.split(",") # Delimiter is comma    
        xs.append(float(x))
        ys.append(float(y))
    
    ax1.clear()
    ax1.plot(xs, ys)

    plt.xlabel("Date")
    plt.ylabel("Price")
    plt.title("Live graph with matplotlib")    
    
    
ani = animation.FuncAnimation(fig, animate, interval=1000) 
plt.show()

現(xiàn)在，打開(kāi)終端并運(yùn)行 python 腳本。你將得到如下圖所示的圖表，該圖表會(huì)自動(dòng)更新：

這里的間隔是 1000 毫秒或一秒。

創(chuàng)建 3D 圖形是很常見(jiàn)的，但如果我們想要為這些圖形的視角設(shè)置動(dòng)畫，該怎么辦呢？我們的想法是更改攝像機(jī)視圖，然后用每個(gè)生成的圖像來(lái)創(chuàng)建動(dòng)畫。在 Python Graph Gallery 上有一個(gè)很好的例子。

在與 jupyter notebook 相同的目錄中創(chuàng)建名為 volcano 的文件夾。所有圖片文件都將存儲(chǔ)在這里，然后將在動(dòng)畫中使用。

# library
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

# Get the data (csv file is hosted on the web)
url = "https://python-graph-gallery.com/wp-content/uploads/volcano.csv"
data = pd.read_csv(url)

# Transform it to a long format
df=data.unstack().reset_index()
df.columns=["X","Y","Z"]

# And transform the old column name in something numeric
df["X"]=pd.Categorical(df["X"])
df["X"]=df["X"].cat.codes

# We are going to do 20 plots, for 20 different angles
for angle in range(70,210,2):

# Make the plot
    fig = plt.figure()
    ax = fig.gca(projection="3d")
    ax.plot_trisurf(df["Y"], df["X"], df["Z"], cmap=plt.cm.viridis, linewidth=0.2)

    ax.view_init(30,angle)

    filename="Volcano/Volcano_step"+str(angle)+".png"
    plt.savefig(filename, dpi=96)
    plt.gca()

這將會(huì)在 Volcano 文件夾中創(chuàng)建多個(gè) PNG 文件?，F(xiàn)在用 ImageMagick 將它們轉(zhuǎn)換為動(dòng)畫。打開(kāi)終端并切換到 Volcano 目錄下輸入以下命令：

convert -delay 10 Volcano*.png animated_volcano.gif

Celluloid 是一個(gè)Python模塊，它簡(jiǎn)化了在 matplotlib 中創(chuàng)建動(dòng)畫的過(guò)程。這個(gè)庫(kù)創(chuàng)建一個(gè) matplotlib 圖，并從中再創(chuàng)建一個(gè) Camera。然后重新處理數(shù)據(jù)，并在創(chuàng)建每個(gè)幀后，用 camera 拍攝快照。最后創(chuàng)建包含所有幀的動(dòng)畫。

pip install celluloid

以下是使用 Celluloid 模塊的一些示例。

from matplotlib import pyplot as plt
from celluloid import Camera

fig = plt.figure()
camera = Camera(fig)
for i in range(10):
    plt.plot([i] * 10)
    camera.snap()
animation = camera.animate()
animation.save("celluloid_minimal.gif", writer = "imagemagick")

import numpy as np
from matplotlib import pyplot as plt
from celluloid import Camera

fig, axes = plt.subplots(2)
camera = Camera(fig)
t = np.linspace(0, 2 * np.pi, 128, endpoint=False)
for i in t:
    axes[0].plot(t, np.sin(t + i), color="blue")
    axes[1].plot(t, np.sin(t - i), color="blue")
    camera.snap()
    
animation = camera.animate()  
animation.save("celluloid_subplots.gif", writer = "imagemagick")

import matplotlib
from matplotlib import pyplot as plt
from celluloid import Camera

fig = plt.figure()
camera = Camera(fig)
for i in range(20):
    t = plt.plot(range(i, i + 5))
    plt.legend(t, [f"line {i}"])
    camera.snap()
animation = camera.animate()
animation.save("celluloid_legends.gif", writer = "imagemagick")

動(dòng)畫有助于突出顯示無(wú)法通過(guò)靜態(tài)圖表輕松傳達(dá)的某些功能。盡管如此，不必要的過(guò)度使用有時(shí)會(huì)使事情復(fù)雜化，應(yīng)該明智地使用數(shù)據(jù)可視化中的每個(gè)功能以產(chǎn)生最佳效果。

更多文章請(qǐng)關(guān)注微信公眾號(hào)：硬核智能