來源：機器之心

原文鏈接：https://towardsdatascience.com/learn-how-to-create-animated-graphs-in-python-fce780421afe

在讀技術(shù)博客的過程中，我們會發(fā)現(xiàn)那些能夠把知識、成果講透的博主很多都會做動態(tài)圖表。他們的圖是怎么做的？難度大嗎？這篇文章就介紹了 Python 中一種簡單的動態(tài)圖表制作方法。

數(shù)據(jù)暴增的年代，數(shù)據(jù)科學(xué)家、分析師在被要求對數(shù)據(jù)有更深的理解與分析的同時，還需要將結(jié)果有效地傳遞給他人。如何讓目標聽眾更直觀地理解？當(dāng)然是將數(shù)據(jù)可視化啊，而且最好是動態(tài)可視化。

本文將以線型圖、條形圖和餅圖為例，系統(tǒng)地講解如何讓你的數(shù)據(jù)圖表動起來。

這些動態(tài)圖表是用什么做的？

接觸過數(shù)據(jù)可視化的同學(xué)應(yīng)該對 Python 里的 Matplotlib 庫并不陌生。它是一個基于 Python 的開源數(shù)據(jù)繪圖包，僅需幾行代碼就可以幫助開發(fā)者生成直方圖、功率譜、條形圖、散點圖等。這個庫里有個非常實用的擴展包——FuncAnimation，可以讓我們的靜態(tài)圖表動起來。

FuncAnimation 是 Matplotlib 庫中 Animation 類的一部分，后續(xù)會展示多個示例。如果是首次接觸，你可以將這個函數(shù)簡單地理解為一個 While 循環(huán)，不停地在 “畫布” 上重新繪制目標數(shù)據(jù)圖。

如何使用 FuncAnimation？

這個過程始于以下兩行代碼：

import?matplotlib.animation?as?anianimator?=?ani.FuncAnimation(fig,?chartfunc,?interval?=?100)

從中我們可以看到 FuncAnimation 的幾個輸入：

• fig 是用來 「繪制圖表」的 figure 對象；

• chartfunc 是一個以數(shù)字為輸入的函數(shù)，其含義為時間序列上的時間；

• interval 這個更好理解，是幀之間的間隔延遲，以毫秒為單位，默認值為 200。

這是三個關(guān)鍵輸入，當(dāng)然還有更多可選輸入，感興趣的讀者可查看原文檔，這里不再贅述。

下一步要做的就是將數(shù)據(jù)圖表參數(shù)化，從而轉(zhuǎn)換為一個函數(shù)，然后將該函數(shù)時間序列中的點作為輸入，設(shè)置完成后就可以正式開始了。

在開始之前依舊需要確認你是否對基本的數(shù)據(jù)可視化有所了解。也就是說，我們先要將數(shù)據(jù)進行可視化處理，再進行動態(tài)處理。

按照以下代碼進行基本調(diào)用。另外，這里將采用大型流行病的傳播數(shù)據(jù)作為案例數(shù)據(jù)（包括每天的死亡人數(shù)）。

import?matplotlib.animation?as?ani import?matplotlib.pyplot?as?plt import?numpy?as?np import?pandas?as?pdurl?=?'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv' df?=?pd.read_csv(url,?delimiter=',',?header='infer')df_interest?=?df.loc[df['Country/Region'].isin(['United?Kingdom',?'US',?'Italy',?'Germany'])&?df['Province/State'].isna()]df_interest.rename(index=lambda?x:?df_interest.at[x,?'Country/Region'],?inplace=True) df1?=?df_interest.transpose()df1?=?df1.drop(['Province/State',?'Country/Region',?'Lat',?'Long']) df1?=?df1.loc[(df1?!=?0).any(1)] df1.index?=?pd.to_datetime(df1.index)

繪制三種常見動態(tài)圖表

動態(tài)曲線圖

如下所示，首先需要做的第一件事是定義圖的各項，這些基礎(chǔ)項設(shè)定之后就會保持不變。它們包括：創(chuàng)建 figure 對象，x 標和 y 標，設(shè)置線條顏色和 figure 邊距等：

import?numpy?as?np import?matplotlib.pyplot?as?pltcolor?=?['red',?'green',?'blue',?'orange'] fig?=?plt.figure() plt.xticks(rotation=45,?ha="right",?rotation_mode="anchor")?#rotate?the?x-axis?values plt.subplots_adjust(bottom?=?0.2,?top?=?0.9)?#ensuring?the?dates?(on?the?x-axis)?fit?in?the?screen plt.ylabel('No?of?Deaths') plt.xlabel('Dates')

接下來設(shè)置 curve 函數(shù)，進而使用 .FuncAnimation 讓它動起來：

def?buildmebarchart(i=int):plt.legend(df1.columns)p?=?plt.plot(df1[:i].index,?df1[:i].values)?#note?it?only?returns?the?dataset,?up?to?the?point?ifor?i?in?range(0,4):p[i].set_color(color[i])?#set?the?colour?of?each?curveimport?matplotlib.animation?as?ani animator?=?ani.FuncAnimation(fig,?buildmebarchart,?interval?=?100) plt.show()

動態(tài)餅狀圖

可以觀察到，其代碼結(jié)構(gòu)看起來與線型圖并無太大差異，但依舊有細小的差別。

import?numpy?as?np import?matplotlib.pyplot?as?pltfig,ax?=?plt.subplots() explode=[0.01,0.01,0.01,0.01]?#pop?out?each?slice?from?the?piedef?getmepie(i):def?absolute_value(val):?#turn?%?back?to?a?numbera??=?np.round(val/100.*df1.head(i).max().sum(),?0)return?int(a)ax.clear()plot?=?df1.head(i).max().plot.pie(y=df1.columns,autopct=absolute_value,?label='',explode?=?explode,?shadow?=?True)plot.set_title('Total?Number?of?Deaths\n'?+?str(df1.index[min(?i,?len(df1.index)-1?)].strftime('%y-%m-%d')),?fontsize=12)import?matplotlib.animation?as?ani animator?=?ani.FuncAnimation(fig,?getmepie,?interval?=?200) plt.show()

主要區(qū)別在于，動態(tài)餅狀圖的代碼每次循環(huán)都會返回一組數(shù)值，但在線型圖中返回的是我們所在點之前的整個時間序列。返回時間序列通過 df1.head(i) 來實現(xiàn)，而. max()則保證了我們僅獲得最新的數(shù)據(jù)，因為流行病導(dǎo)致死亡的總數(shù)只有兩種變化：維持現(xiàn)有數(shù)量或持續(xù)上升。

df1.head(i).max()

動態(tài)條形圖

創(chuàng)建動態(tài)條形圖的難度與上述兩個案例并無太大差別。在這個案例中，作者定義了水平和垂直兩種條形圖，讀者可以根據(jù)自己的實際需求來選擇圖表類型并定義變量欄。

fig?=?plt.figure() bar?=?''def?buildmebarchart(i=int):iv?=?min(i,?len(df1.index)-1)?#the?loop?iterates?an?extra?one?time,?which?causes?the?dataframes?to?go?out?of?bounds.?This?was?the?easiest?(most?lazy)?way?to?solve?this?:)objects?=?df1.max().indexy_pos?=?np.arange(len(objects))performance?=?df1.iloc[[iv]].values.tolist()[0]if?bar?==?'vertical':plt.bar(y_pos,?performance,?align='center',?color=['red',?'green',?'blue',?'orange'])plt.xticks(y_pos,?objects)plt.ylabel('Deaths')plt.xlabel('Countries')plt.title('Deaths?per?Country?\n'?+?str(df1.index[iv].strftime('%y-%m-%d')))else:plt.barh(y_pos,?performance,?align='center',?color=['red',?'green',?'blue',?'orange'])plt.yticks(y_pos,?objects)plt.xlabel('Deaths')plt.ylabel('Countries')animator?=?ani.FuncAnimation(fig,?buildmebarchart,?interval=100)plt.show()

保存動畫圖

在制作完成后，存儲這些動態(tài)圖就非常簡單了，可直接使用以下代碼：

animator.save(r'C:\temp\myfirstAnimation.gif')

感興趣的讀者如想獲得詳細信息可參考https://matplotlib.org/3.1.1/api/animation_api.html。

總結(jié)

以上是生活随笔為你收集整理的如何利用Python制作可以动的动态图表。的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。