如何讓資料動起來？Python動態圖表製作一覽。

在讀技術部落格的過程中，我們會發現那些能夠把知識、成果講透的博主很多都會做動態圖表。他們的圖是怎麼做的？難度大嗎？這篇文章就介紹了 Python 中一種簡單的動態圖表製作方法。

 

資料暴增的年代，資料科學家、分析師在被要求對資料有更深的理解與分析的同時，還需要將結果有效地傳遞給他人。如何讓目標聽眾更直觀地理解？當然是將資料視覺化啊，而且最好是動態視覺化。

 

本文將以線型圖、條形圖和餅圖為例，系統地講解如何讓你的資料圖表動起來。

一、這些動態圖表是用什麼做的？
接觸過資料視覺化的同學應該對 Python 裡的 Matplotlib 庫並不陌生。它是一個基於 Python 的開源資料繪圖包，僅需幾行程式碼就可以幫助開發者生成直方圖、功率譜、條形圖、散點圖等。這個庫裡有個非常實用的擴充套件包——FuncAnimation，可以讓我們的靜態圖表動起來。
FuncAnimation 是 Matplotlib 庫中 Animation 類的一部分，後續會展示多個示例。如果是首次接觸，你可以將這個函式簡單地理解為一個 While 迴圈，不停地在 “畫布” 上重新繪製目標資料圖。

 

二、如何使用 FuncAnimation？

這個過程始於以下兩行程式碼：

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

從中我們可以看到 FuncAnimation 的幾個輸入：

• fig 是用來 「繪製圖表」的 figure 物件；

• chartfunc 是一個以數字為輸入的函式，其含義為時間序列上的時間；

• interval 這個更好理解，是幀之間的間隔延遲，以毫秒為單位，預設值為 200。

這是三個關鍵輸入，當然還有更多可選輸入，感興趣的讀者可檢視原文件，這裡不再贅述。
下一步要做的就是將資料圖表引數化，從而轉換為一個函式，然後將該函式時間序列中的點作為輸入，設定完成後就可以正式開始了。
在開始之前依舊需要確認你是否對基本的資料視覺化有所瞭解。也就是說，我們先要將資料進行視覺化處理，再進行動態處理。
按照以下程式碼進行基本呼叫。另外，這裡將採用大型流行病的傳播資料作為案例資料（包括每天的死亡人數）。

import matplotlib.animation as ani
import matplotlib.pyplot as plt
import numpy as np
import pandas as pdurl = '
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)

 

三、繪製三種常見動態圖表

1、動態曲線圖

如下所示，首先需要做的第一件事是定義圖的各項，這些基礎項設定之後就會保持不變。它們包括：建立 figure 物件，x 標和 y 標，設定線條顏色和 figure 邊距等：

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')

接下來設定 curve 函式，進而使用 .FuncAnimation 讓它動起來：

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()

2、動態餅狀圖

可以觀察到，其程式碼結構看起來與線型圖並無太大差異，但依舊有細小的差別。

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()

主要區別在於，動態餅狀圖的程式碼每次迴圈都會返回一組數值，但線上型圖中返回的是我們所在點之前的整個時間序列。返回時間序列透過 df1.head(i) 來實現，而. max()則保證了我們僅獲得最新的資料，因為流行病導致死亡的總數只有兩種變化：維持現有數量或持續上升。

df1.head(i).max()

3、動態條形圖

建立動態條形圖的難度與上述兩個案例並無太大差別。在這個案例中，作者定義了水平和垂直兩種條形圖，讀者可以根據自己的實際需求來選擇圖表型別並定義變數欄。

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()

 

 

四、儲存動畫圖

在製作完成後，儲存這些動態圖就非常簡單了，可直接使用以下程式碼：

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

感興趣的讀者如想獲得詳細資訊可參考：

 

來源 ：