Python中一种简单的动态图表制作方法

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：

importmatplotlib.animationasani 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.animationasani importmatplotlib.pyplotasplt importnumpyasnp importpandasaspdurl='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(['UnitedKingdom','US','Italy','Germany']) &df['Province/State'].isna()]df_interest.rename( index=lambdax: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：

importnumpyasnp importmatplotlib.pyplotaspltcolor=['red','green','blue','orange'] fig=plt.figure() plt.xticks(rotation=45,ha="right",rotation_mode="anchor")#rotatethex-axisvalues plt.subplots_adjust(bottom=0.2,top=0.9)#ensuringthedates(onthex-axis)fitinthescreen plt.ylabel('NoofDeaths') 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)#noteitonlyreturnsthedataset,uptothepointi foriinrange(0,4): p[i].set_color(color[i])#setthecolourofeachcurveimportmatplotlib.animationasani 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。

importnumpyasnp importmatplotlib.pyplotaspltfig,ax=plt.subplots() explode=[0.01,0.01,0.01,0.01]#popouteachslicefromthepiedefgetmepie(i): defabsolute_value(val):#turn%backtoanumber 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('TotalNumberofDeaths '+str(df1.index[min(i,len(df1.index)-1)].strftime('%y-%m-%d')),fontsize=12)importmatplotlib.animationasani 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=''defbuildmebarchart(i=int): iv=min(i,len(df1.index)-1)#theloopiteratesanextraonetime,whichcausesthedataframestogooutofbounds.Thiswastheeasiest(mostlazy)waytosolvethis:) 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('DeathsperCountry '+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: empmyfirstAnimation.gif')责任编辑：lq