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：

importmatplotlib.animation asani

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)。

importmatplotlib.animation asani

importmatplotlib.pyplot asplt

importnumpy asnp

importpandas aspdurl = '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= lambdax: df_interest.at[x, 'Country/Region'], inplace= True)

df1 = df_interest.transposedf1 = 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

绘制动态线型图

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：

importnumpy asnp

importmatplotlib.pyplot aspltcolor = [ '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：

defbuildmebarchart(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

fori inrange( 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。

importnumpy asnp

importmatplotlib.pyplot aspltfig,ax = plt.subplots

explode=[ 0.01, 0.01, 0.01, 0.01] #pop out each slice from the piedef getmepie(i):

defabsolute_value(val):#turn % back to a number

a = np.round(val/ 100.*df1.head(i).max.sum, 0)

returnint(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 Deathsn'+ str(df1.index[min( i, len(df1.index) -1)].strftime( '%y-%m-%d')), fontsize= 12) importmatplotlib.animation asani

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]

ifbar == '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

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:tempmyfirstAnimation.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。

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