让数据“动”起来：Python动态图表制作！

来源：机器之心

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

在读技术博客的过程中，我们会发现那些能够把知识、成果讲透的博主很多都会做动态图表。他们的图是怎么做的？难度大吗？这篇文章就介绍了 Python 中一种简单的动态图表制作方法。

数据暴增的年代，数据科学家、分析师在被要求对数据有更深的理解与分析的同时，还需要将结果有效地传递给他人。如何让目标听众更直观地理解？当然是将数据可视化啊，而且最好是动态可视化。

本文将以线型图、条形图和饼图为例，系统地讲解如何让你的数据图表动起来。

这些动态图表是用什么做的？

接触过数据可视化的同学应该对 Python 里的 Matplotlib 库并不陌生。它是一个基于 Python 的开源数据绘图包，仅需几行代码就可以帮助开发者生成直方图、功率谱、条形图、散点图等。这个库里有个非常实用的扩展包——FuncAnimation，可以让我们的静态图表动起来。

FuncAnimation 是 Matplotlib 库中 Animation 类的一部分，后续会展示多个示例。如果是首次接触，你可以将这个函数简单地理解为一个 While 循环，不停地在 “画布” 上重新绘制目标数据图。

如何使用 FuncAnimation？

这个过程始于以下两行代码：

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

从中我们可以看到 FuncAnimation 的几个输入：

• fig 是用来 「绘制图表」的 figure 对象；

• chartfunc 是一个以数字为输入的函数，其含义为时间序列上的时间；

• interval 这个更好理解，是帧之间的间隔延迟，以毫秒为单位，默认值为 200。

这是三个关键输入，当然还有更多可选输入，感兴趣的读者可查看原文档，这里不再赘述。

下一步要做的就是将数据图表参数化，从而转换为一个函数，然后将该函数时间序列中的点作为输入，设置完成后就可以正式开始了。

在开始之前依旧需要确认你是否对基本的数据可视化有所了解。也就是说，我们先要将数据进行可视化处理，再进行动态处理。

按照以下代码进行基本调用。另外，这里将采用大型流行病的传播数据作为案例数据（包括每天的死亡人数）。

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)

绘制三种常见动态图表

动态曲线图

如下所示，首先需要做的第一件事是定义图的各项，这些基础项设定之后就会保持不变。它们包括：创建 figure 对象，x 标和 y 标，设置线条颜色和 figure 边距等：

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')

接下来设置 curve 函数，进而使用 .FuncAnimation 让它动起来：

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 i  
    for 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()

动态饼状图

可以观察到，其代码结构看起来与线型图并无太大差异，但依旧有细小的差别。

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 number  
        a  = 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()

主要区别在于，动态饼状图的代码每次循环都会返回一组数值，但在线型图中返回的是我们所在点之前的整个时间序列。返回时间序列通过 df1.head(i) 来实现，而. max()则保证了我们仅获得最新的数据，因为流行病导致死亡的总数只有两种变化：维持现有数量或持续上升。

df1.head(i).max()

动态条形图

创建动态条形图的难度与上述两个案例并无太大差别。在这个案例中，作者定义了水平和垂直两种条形图，读者可以根据自己的实际需求来选择图表类型并定义变量栏。

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().index  
    y_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()

保存动画图

在制作完成后，存储这些动态图就非常简单了，可直接使用以下代码：

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

感兴趣的读者如想获得详细信息可参考https://matplotlib.org/3.1.1/api/animation_api.html。

---------------------------END---------------------------

题外话

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

若有侵权，请联系删除