用 matplotlib 做交互式的票房分析

前一段时间一直在做电影数据方面的工作，在做可视化的时候我们用的是matplotlib，但matplotlib比较适合绘制静态图片，如果要交互式的可视化我们一般都使用plotly，但经常在两者之间切换非常麻烦，笔者就在想matplotlib能不能也支持交互式的用法，于是就在网上查了一下，在网上中文相关的资料很少，最后还是在官网找到了（英文版的），于是就找了些数据，写了个简单的例子，给大家分享一下。

就以我做的电影数据的为例，主要内容就是爬取某一周7天的北美票房每日数据，这个数据分为每日总票房和每日具体票房，每日总票房是一张数据表（数据从今年1月1日到当前日期），每日具体票房是一张数据表，其列出了当日上映所有电影的票房数据信息。一周有七天，那么就有七个每日具体票房数据表和一个每日总票房数据表，一共八张表，而这八张表都可以从Box Office Mojo（以下简称BOM）网站上获取，一共是爬取八个网页。下面是相关网页的两张截图。

图1. BOM网站每日总票房网页截图

图2. BOM网站每日具体票房网页截图

笔者用的是Anaconda最新版，系统是Win7，代码部分可以在jupyter notebook中运行，也可以在qtconsole中运行。下面就以2月24日到3月1日的票房数据为例，演示一下matplotlib的交互图制作。下面是代码部分。首先导入各种需要的包。

import requests
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl  

%matplotlib

这个%matplotlib命令要单独输入，不能和上面的各种import命令一起使用，否则会出错。这个命令的主要作用是使用交互式的后端，在作图时弹出一个独立窗口，这样才能交互操作。下面是爬取八个网页的代码。

mpl.rcParams['font.sans-serif'] = ['SimHei'] #用来显示中文，防止乱码
mpl.rcParams['font.family'] = 'sans-serif' #用来显示中文，防止乱码
file = r'C:\Users\BoxOffice\data.xlsx' #存放数据的文件，用户可自行设置文件位置
url_list = [r'https://www.boxofficemojo.com/date',
                r'https://www.boxofficemojo.com/date/2020-02-24',
                r'https://www.boxofficemojo.com/date/2020-02-25',
                r'https://www.boxofficemojo.com/date/2020-02-26',
                r'https://www.boxofficemojo.com/date/2020-02-27',
                r'https://www.boxofficemojo.com/date/2020-02-28',
                r'https://www.boxofficemojo.com/date/2020-02-29',
                r'https://www.boxofficemojo.com/date/2020-03-01'
]
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
        'accept': '*/*',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'en-US,en;q=0.9',
        'content-type': 'text/plain;charset=UTF-8'}
sheet_names = ['overview', '02-24', '02-25', '02-26', '02-27', '02-28', '02-29', '03-01']
writer = pd.ExcelWriter(file, engine='openpyxl') 

for i in range(len(url_list)):        
    res = requests.get(url_list[i], headers=headers)
    text =res.text
    table = pd.read_html(text)
    table = table[0]
    table.to_excel(writer, sheet_name=sheet_names[i])
    
writer.save()
writer.close()

以上是爬取网页内容的代码，这里仅介绍一下简单的思路。我们创建一个名为data.xlsx的Excel文件，用于保存我们爬取的数据内容。url_list是我们要爬取的url列表，共包含8个url，其中第一个url是每日总票房数据，后面每一个url是每日具体票房数据。爬取之后放在data.xlsx文件中，每个数据表放在一个Excel表中，即一个sheet中，sheet的名字为sheet_names这个list中包含的八个数据，和url_list中的顺序对应。好了，爬虫部分就介绍到此。这部分代码实际上完全可以省略，毕竟就这8个网页，直接复制粘贴也快得很，重点还是在后面的交互式作图。这里放上一张爬好的数据截图。

图3. 所爬取数据的部分截图

接下来是交互式操作的代码，是一个函数。

def click(event):
    if event.artist != art:
        return 
    ind = event.ind[0]
    day_data = data_list[ind]
    titles = title_list[ind]
    ax1.cla() #清除之前所绘制图形
    ax1.barh(range(len(day_data)), day_data) #绘制横向柱状图
    ax1.set_yticklabels(titles)
    ax1.set_xlabel('票房/万美元')
    ax1.set_yticks(range(len(day_data)))
    ax.set_title('This is the top10 of %s' % sheet_names[1:][ind])
fig.canvas.draw()

这个函数我们命名为click，意思是点击，当然这个函数可以任意命名，其有一个参数event，这个event后面会介绍到。click函数后面还会详细叙述一下。接下来是数据准备部分。

overview_table = pd.read_excel(file, sheet_name='overview')
overview_data = overview_table['Top 10 Gross'][1:8]
overview_data = overview_data.str.replace('$', '') #去掉其中的$符号
overview_data = overview_data.str.replace(',', '') #去掉其中的逗号
overview_data = overview_data.astype(int, copy=False)/100000 #转换成整数类型
overview_data = overview_data.round(2) #保留两位小数
overview_data = overview_data[::-1].to_list() #转换成list

data_list = []
title_list = []
for date in sheet_names[1:]:
    day_table = pd.read_excel(file, sheet_name=date)
    day_data = day_table['Daily'][:10]
    day_data = day_data.str.replace('$', '') 
    day_data = day_data.str.replace(',', '') 
    day_data = day_data.astype(int, copy=False)/10000
    day_data = day_data.round(2)
    day_data = day_data.to_list()
    day_title = day_table['Release'][:10] #读取前10名电影的名字
    day_title = day_title.to_list()
    data_list.append(day_data)
    title_list.append(day_title)

overview_table是一个pandas的dataframe，内容和图1中基本相同，其“Top 10 Gross”列是我们需要的，“Top 10 Gross”的意思是每日前10名电影的票房总和，我们这里就把它当成每日票房总和，这列中的数据也就是保存在Excel文件中的数据是string格式的，我们要把其中的“$”和“,”都去掉，然后转换成整数格式，同时再除以100000，这样便于作图，最后再转换成一个list，就是overview_data了。而接下来的那个循环中，和这个是类似的，不过处理的是每日具体票房数据，即以“day_”开头的这些变量，刚才说了，每日总票房数据表中每个数据是每天票房的总和（准确来说是前10名电影的票房总和），那么这7天中，每天就有10部电影（排名前10的电影），每部电影一个数据，每天就有10个数据，这10个数据组成一个list，一共7个list，放在一个名为data_list的变量中，另外一个title_list是其对应的电影名字的变量，和data_list结构一样，不过放了对应的电影的名字。

好了所有数据处理完，就开始作图了。

fig, (ax, ax1) = plt.subplots(2, 1) #一共上下两个子图
ax.set_xticks(range(len(overview_data))) 
ax.set_ylim(0,400) #设置Y轴的范围
ax.set_title('Click on point to plot the date')
ax.set_ylabel('票房/十万美元')
art, = ax.plot(overview_data, marker='o', picker=5) #绘制上面的子图
ax.set_xticklabels(sheet_names[1:]) #设置上图的x轴坐标标签
plt.subplots_adjust(left=0.3, hspace=0.4) #设置子图间的距离和周边空白
fig.canvas.mpl_connect('pick_event', click) #交互操作函数
plt.show()

生成图片整体效果如下。

图4. 最终静态效果图

这里只有一张大图，但包含两个上下子图，上面的子图我们显示每日总票房的数据，一共7个数据点，我们点击每个数据点，在下面的子图中就显示出当日的票房排名前10的电影，同时上面的标题也会显示点击的是哪一天，这就是我们要做的交互式操作。两个子图，上面那个命名为ax，下面是ax1，这里因为每部电影的名字是英文的，比较长，所以用了plt.subplots_adjust(left=0.3, hspace=0.4)命令来设置子图的左侧空白，用来显示电影名称，hspace是两图之间的距离属性。这里的重点就是fig.canvas.mpl_connect('pick_event', click)这行代码，这个mpl_connect方法有两个参数，第一个是一个string格式的参数，必须按照系统指定的这么几种参数来写，包括'button_press_event'、'button_release_event'、'draw_event'、'key_press_event'、'key_release_event'、'motion_notify_event'、'pick_event'、'resize_event'、'scroll_event'、'figure_enter_event'、'figure_leave_event'、'axes_enter_event'、'axes_leave_event'和'close_event'这14个参数，从它们的名字我们就能大致判断出其作用，我们用到的pick_event意思就是“选择事件”，即点击数据点就触发该事件（event）。我们再回过头来看前面的那个click函数，也就是这里的第二个参数，click函数以event为参数，当触发点击事件后，该event参数就传递给click函数，event有一个artist属性，我们可以为其指定具体对象，这里我们把上图中的图形指定给artist。而event还有一个属性是ind，这是另一个重点，这个ind我在官方文档中找了大半天也未找到其具体用法和解释，最后只能自己摸索，在尝试了多次之后大概摸清了其用法，ind全称是index，即索引，这个index就是我们所绘制图形中数据点的index，因为我们绘制的所有图形都是有一个一个数据点组成的，每个数据点都是按照顺序来绘制，比如plt.plot( [[1, 1], [2, 2], [3, 3]] )中，[1, 1]就是第一个点，其index是0，因为Python中第一个数是从0开始的，[2, 2]是第二个点，其index是1，以此类推。把这个ind弄清楚了，基本上所有问题迎刃而解，我们就知道点击的是哪个点，然后就可以在下面的子图中绘制相应的图形，而click的最后一行代码fig.canvas.draw()是用来显示刚刚绘制的图形，这个必须加上，否则无法显示图形。最后再放上一张动态效果图。

图5. 最终动态效果图

到这里，这个小例子就算结束了，写了这么一大堆，其实重点就两个，一个是mpl_connect这个方法，一个是event.ind这个属性，这两个弄清楚所有问题就清楚了。通过这个例子我们也了解了matplotlib的交互式绘图功能，其整体效果还算不错，但笔者在用了一段时间后也发现了一些问题，这里给大家总结一下，主要有以下几点：

1. 在处理大量数据时该交互式操作速度跟不上，有性能瓶颈。笔者曾用matplotlib处理过一个地图数据，本想做成交互式，结果卡得不行，延迟太严重，所以不建议用matplotlib交互式方法处理大量数据。

2. 编程太费劲，封装不够。这代码写了一大堆，还要自己写一个操作函数，明显不够pythonic，毕竟Python程序猿是世界上最懒的程序猿（估计有人不同意），大家凡事都想import，你想让这群货们自己动手丰衣足食，那还不如指望中国队进世界杯。

3. 这部分属于matplotlib高级用法，需要对matplotlib有较深了解，而其官方文档又没有足够详细的说明，这会让部分用户望而却步。通过这个例子我们了解了matplotlib的交互式操作，虽然其存在一些不足，但也给我们提供了一个新思路，至少我们能够摆脱浏览器的局限，不用只在浏览器使用，大家可以根据自己的情况酌情来使用。本文所有数据和代码都放在笔者的gitee网站上，网址是https://gitee.com/leonmovie/interactive-matplotlib-chart-for-box-office-analysis，如有需要可自行下载。

作者简介：Mort，数据分析爱好者，擅长数据可视化，比较关注机器学习领域，希望能和业内朋友多学习交流。

赞 赏 作 者

Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。

推荐阅读：

一文读懂高并发情况下的常见缓存问题

用 Django 开发基于以太坊智能合约的 DApp

一文读懂 Python 分布式任务队列 celery

5 分钟解读 Python 中的链式调用

用 Python 创建一个比特币价格预警应用

▼ 点击阅读原文，即享阿里云产品0.9折优惠起