选自TowardsDataScience  作者：Costas Andreou   机器之心编译  参与：Jamin、张倩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）。importmatplotlib.animationas

 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.csvdf = 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：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 valuesplt.subplots_adjust(bottom =0.2, top = 0.9) #ensuring the dates (on the x-axis) fit in the screenplt.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 anianimator = 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()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(rC:\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。

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

本文转自：机器之心 公众号；

END

合作请加QQ：365242293  

数据分析（ID : ecshujufenxi）互联网科技与数据圈自己的微信，也是WeMedia自媒体联盟成员之一，WeMedia联盟覆盖5000万人群。