[数据分析与可视化] 基于Python绘制简单动图

动画是一种高效的可视化工具，能够提升用户的吸引力和视觉体验，有助于以富有意义的方式呈现数据可视化。本文的主要介绍在Python中两种简单制作动图的方法。其中一种方法是使用matplotlib的Animations模块绘制动图，另一种方法是基于Pillow生成GIF动图。

python学习资料已打包好，需要的小伙伴可以戳这里【python资料】

1 Animations模块

Matplotlib的Animations模块提供了FuncAnimation和ArtistAnimation类来创建matplotlib绘图动画，FuncAnimation和ArtistAnimation都是Animation类的子类。它们的区别在于实现动画的方式和使用场景不同。FuncAnimation适用于根据时间更新图形状态的动画效果，且更加灵活和常用。而ArtistAnimation适用于将已有的静态图像序列组合成动画的效果。具体区别如下：

• FuncAnimation：FuncAnimation是基于函数的方法来创建动画的。它使用用户提供的一个或多个函数来更新图形的状态，并按照一定的时间间隔连续地调用这些函数，从而实现动画效果。用户需要定义一个更新函数，该函数在每个时间步长上更新图形对象的属性，然后FuncAnimation会根据用户指定的帧数、时间间隔等参数来自动计算动画的帧序列。这种方法适用于需要根据时间变化来更新图形状态的动画效果。

• ArtistAnimation：ArtistAnimation是基于静态图像的方法来创建动画的。它要求用户提供一系列的静态图像，称为艺术家对象。这些图像可以是通过Matplotlib创建的任何类型的可视化对象，例如Figure、Axes、Line2D等。用户需要将这些静态图像存储在一个列表中，然后通过ArtistAnimation来显示这些图像的序列。ArtistAnimation会按照用户指定的时间间隔逐帧地显示这些图像，从而实现动画效果。这种方法适用于已经有一系列静态图像需要组合成动画的场景。

本节将通过几个示例来介绍Animations模块的使用，所介绍的示例出自：gallery-animation。

1.1 FuncAnimation类

FuncAnimation构造函数的参数含义如下：

• fig：要绘制动画的Figure对象。
• func：用于更新每一帧的函数，该函数接受一个参数frame，表示当前待绘制的数据帧。
• frames：用于产生待绘制的数据，可以是整数、生成器函数或迭代器。
• init_func：在绘制动画之前调用的初始化函数。
• fargs：传递给func函数的附加参数（可选）。
• save_count：指定动画中缓存的帧数量（可选），默认为100。注意该参数用于确定最后生成动图和视频所用图像的数量。
• interval：每一帧之间的时间间隔，以毫秒为单位，默认为200。
• repeat：控制动画是否重复播放，默认为True。
• repeat_delay：重复动画之间的延迟时间（以毫秒为单位），默认为0。
• blit：指定是否使用blitting技术来进行绘制优化，默认为False。
• cache_frame_data：指定是否缓存帧数据，默认为True。

示例-生成动态的正弦波动画

	import itertools
	import matplotlib.pyplot as plt
	import numpy as np
	import matplotlib.animation as animation
	# 定义生成数据的函数
	def data_gen(max_range):
	# 使用itertools.count()生成无限递增的计数器
	for cnt in itertools.count():
	# 当计数器超过最大范围时停止生成数据
	if cnt > max_range:
	break
	print(cnt)
	# 计算时间t和对应的y值，使用np.sin()计算sin函数，np.exp()计算指数函数
	t = cnt / 10
	yield t, np.sin(2*np.pi*t) * np.exp(-t/10.)
	# 初始化函数，设置坐标轴范围和清空数据
	def init():
	ax.set_ylim(-1.1, 1.1)
	ax.set_xlim(0, 1)
	del xdata[:]
	del ydata[:]
	line.set_data(xdata, ydata)
	return line,
	# 创建图形对象以及子图对象
	fig, ax = plt.subplots()
	# 创建线条对象
	line, = ax.plot([], [], lw=2)
	# 创建文本对象用于显示 x 和 y 值
	text = ax.text(0., 0., '', transform=ax.transAxes)
	# 设置文本位置
	text.set_position((0.7, 0.95))
	# 将文本对象添加到图形中
	ax.add_artist(text)
	ax.grid()
	xdata, ydata = [], []
	# 更新函数，将新的数据添加到图形中
	def run(data):
	# 获取传入的数据
	t, y = data
	# 将时间和对应的y值添加到xdata和ydata中
	xdata.append(t)
	ydata.append(y)
	# 获取当前坐标轴的范围
	xmin, xmax = ax.get_xlim()
	# 更新文本对象的值
	text.set_text('x = {:.2f}, y = {:.2f}'.format(t, y))
	# 如果时间t超过当前范围，更新坐标轴范围
	if t >= xmax:
	ax.set_xlim(xmin, 2*xmax)
	# 重绘图形
	ax.figure.canvas.draw()
	# 更新线条的数据
	line.set_data(xdata, ydata)
	return line, text
	# 创建动画对象
	# fig：图形对象
	# run：更新函数，用于更新图形中的数据
	# data_gen(20)：生成器函数，产生数据的最大范围为20
	# interval=100：每帧动画的时间间隔为100毫秒
	# init_func=init：初始化函数，用于设置图形的初始状态
	# repeat=True：动画重复播放
	ani = animation.FuncAnimation(fig, run, data_gen(20), interval=100, init_func=init, repeat=True)
	# 显示图形
	plt.show()

示例-创建动态散点图与折线图

	import matplotlib.pyplot as plt
	import numpy as np
	import matplotlib.animation as animation
	# 创建一个图形窗口和坐标轴
	fig, ax = plt.subplots()
	# 创建时间数组
	t = np.linspace(0, 3, 50)
	# 自由落体加速度
	g = -9.81
	# 初始速度
	v0 = 12
	# 计算高度
	z = g * t**2 / 2 + v0 * t
	# 第二个初始速度
	v02 = 5
	# 计算第二个高度
	z2 = g * t**2 / 2 + v02 * t
	# 创建散点图
	scat = ax.scatter(t[0], z[0], c="b", s=5, label=f'v0 = {v0} m/s')
	# 创建线图
	line2 = ax.plot(t[0], z2[0], label=f'v0 = {v02} m/s')[0]
	# 设置坐标轴范围和标签
	ax.set(xlim=[0, 3], ylim=[-4, 10], xlabel='Time [s]', ylabel='Z [m]')
	# 添加图例
	ax.legend()
	def update(frame):
	x = t[:frame]
	y = z[:frame]
	# 更新散点图
	data = np.stack([x, y]).T
	# 更新散点图中每个点的位置
	scat.set_offsets(data)
	# 更新线图
	line2.set_xdata(t[:frame])
	line2.set_ydata(z2[:frame])
	return (scat, line2)
	# 创建动画
	# frames为数值表示动画的总帧数，即每次更新参数传入当前帧号
	ani = animation.FuncAnimation(fig=fig, func=update, frames=40, interval=30)
	# 显示图形
	plt.show()

示例-贝叶斯更新动画

	import math
	import matplotlib.pyplot as plt
	import numpy as np
	from matplotlib.animation import FuncAnimation
	# 定义分布概率密度函数
	def beta_pdf(x, a, b):
	return (x**(a-1) * (1-x)**(b-1) * math.gamma(a + b)
	/ (math.gamma(a) * math.gamma(b)))
	# 更新分布类，用于更新动态图
	class UpdateDist:
	def __init__(self, ax, prob=0.5):
	self.success = 0
	self.prob = prob
	self.line, = ax.plot([], [], 'k-')
	self.x = np.linspace(0, 1, 200)
	self.ax = ax
	# 设置图形参数
	self.ax.set_xlim(0, 1)
	self.ax.set_ylim(0, 10)
	self.ax.grid(True)
	# 这条竖直线代表了理论值，图中的分布应该趋近于这个值
	self.ax.axvline(prob, linestyle='--', color='black')
	def __call__(self, i):
	# 这样图形可以连续运行，我们只需不断观察过程的新实现
	if i == 0: