python做动画的库有哪些,python做动画用什么软件

这篇文章主要介绍了python做动画主要要学哪些东西，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获，下面让小编带着大家一起了解一下。

数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果，但如果只有单调乏味的文本和数字，我们却往往能难抓住观众的眼球。而很多时候，一张漂亮的可视化图表就足以胜过千言万语python自动化运维。

本文将介绍5种基于Plotly的可视化方法，你会发现，原来可视化不仅可用直方图和箱形图，还能做得如此动态好看甚至可交互。

对数据科学家来说，讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人，我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。

本文将介绍5种非传统的可视化技术，可让你的数据故事更漂亮和更有效。这里将使用Python的Plotly图形库，让你可以毫不费力地生成动画图表和交互式图表。

 那么，Plotly有哪些好处？Plotly的整合能力很强：可与Jupyter Notebook一起使用，可嵌入网站，并且完整集成了Dash——一种用于构建仪表盘和分析应用的出色工具。

如果你还没安装Plotly，只需在你的终端运行以下命令即可完成安装：

pip install plotly

安装完成后，就开始使用吧！

1、动画

在研究这个或那个指标的演变时，我们常涉及到时间数据。Plotly动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：

代码如下：

import plotly.express as px

from vega_datasets import data

df = data.disasters()

df = df[df.Year > 1990]

fig = px.bar(df,

             y="Entity",

             x="Deaths",

             animation_frame="Year",

             orientation='h',

             range_x=[0, df.Deaths.max()],

             color="Entity")

# improve aesthetics (size, grids etc.)

fig.update_layout(width=1000,

                  height=800,

                  xaxis_showgrid=False,

                  yaxis_showgrid=False,

                  paper_bgcolor='rgba(0,0,0,0)',

                  plot_bgcolor='rgba(0,0,0,0)',

                  title_text='Evolution of Natural Disasters',

                  showlegend=False)

fig.update_xaxes(title_text='Number of Deaths')

fig.update_yaxes(title_text='')

fig.show()

只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：

import plotly.express as px

df = px.data.gapminder()

fig = px.scatter(

    df,

    x="gdpPercap",

    y="lifeExp",

    animation_frame="year",

    size="pop",

    color="continent",

    hover_name="country",

    log_x=True,

    size_max=55,

    range_x=[100, 100000],

    range_y=[25, 90],

    #   color_continuous_scale=px.colors.sequential.Emrld

)

fig.update_layout(width=1000,

                  height=800,

                  xaxis_showgrid=False,

                  yaxis_showgrid=False,

                  paper_bgcolor='rgba(0,0,0,0)',

                  plot_bgcolor='rgba(0,0,0,0)')

2、太阳图

太阳图（sunburst chart）是一种可视化group by语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。

假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重group by语句可以通过可视化来更有效地展示。

这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的parents参数）并分配对应的值即可，这在我们案例中即为group by语句的输出。

import plotly.graph_objects as go

import plotly.express as px

import numpy as np

import pandas as pd

df = px.data.tips()

fig = go.Figure(go.Sunburst(

    labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],

    parents=["", "", "Female", "Female", 'Male', 'Male'],

    values=np.append(

        df.groupby('sex').tip.mean().values,

        df.groupby(['sex', 'time']).tip.mean().values),

    marker=dict(colors=px.colors.sequential.Emrld)),

                layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',

                                 plot_bgcolor='rgba(0,0,0,0)'))

fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),

                  title_text='Tipping Habbits Per Gender, Time and Day')

fig.show()

现在我们向这个层次结构再添加一层：

为此，我们再添加另一个涉及三个类别变量的group by语句的值。

import plotly.graph_objects as go

import plotly.express as px

import pandas as pd

import numpy as np

df = px.data.tips()

fig = go.Figure(go.Sunburst(labels=[

    "Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',

    'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri  ', 'Sat  ', 'Sun  ', 'Fri   ', 'Thu   '

],

                            parents=[

                                "", "", "Female", "Female", 'Male', 'Male',

                                'Dinner', 'Dinner', 'Dinner', 'Dinner',

                                'Lunch', 'Lunch', 'Dinner ', 'Dinner ',

                                'Dinner ', 'Lunch ', 'Lunch '

                            ],

                            values=np.append(

                                np.append(

                                    df.groupby('sex').tip.mean().values,

                                    df.groupby(['sex',

                                                'time']).tip.mean().values,

                                ),

                                df.groupby(['sex', 'time',

                                            'day']).tip.mean().values),

                            marker=dict(colors=px.colors.sequential.Emrld)),

                layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',

                                 plot_bgcolor='rgba(0,0,0,0)'))

fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),

                  title_text='Tipping Habbits Per Gender, Time and Day')

fig.show()

3、平行类别

另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。

代码如下：

import plotly.express as px

from vega_datasets import data

import pandas as pd

df = data.movies()

df = df.dropna()

df['Genre_id'] = df.Major_Genre.factorize()[0]

fig = px.parallel_categories(

    df,

    dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],

    color="Genre_id",

    color_continuous_scale=px.colors.sequential.Emrld,

)

fig.show()

4、平行坐标图

平行坐标图是上面的图表的连续版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。

代码如下：

 import plotly.express as px

from vega_datasets import data

import pandas as pd

df = data.movies()

df = df.dropna()

df['Genre_id'] = df.Major_Genre.factorize()[0]

fig = px.parallel_coordinates(

    df,

    dimensions=[

        'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',

        'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'

    ],

    color='IMDB_Rating',

    color_continuous_scale=px.colors.sequential.Emrld)

fig.show()

5、量表图和指示器

量表图仅仅是为了好看。在报告KPI等成功指标并展示其与你的目标的距离时，可以使用这种图表。

指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果，吸引观众的注意力并展现你的增长指标。

 import plotly.graph_objects as go

fig = go.Figure(go.Indicator(

    domain = {'x': [0, 1], 'y': [0, 1]},

    value = 4.3,

    mode = "gauge+number+delta",

    title = {'text': "Success Metric"},

    delta = {'reference': 3.9},

    gauge = {'bar': {'color': "lightgreen"},

        'axis': {'range': [None, 5]},

             'steps' : [

                 {'range': [0, 2.5], 'color': "lightgray"},

                 {'range': [2.5, 4], 'color': "gray"}],

          }))

fig.show()

< END >