使用R语言的`transition_states`函数创建动图

最新推荐文章于 2025-12-01 20:36:52 发布
最新推荐文章于 2025-12-01 20:36:52 发布
阅读量194 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： r语言 python 开发语言 R语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/DevAstro/article/details/132519327
R语言 专栏收录该内容
33 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何在R语言中利用`transition_states`函数创建动图，展示数据变化过程。首先安装并加载所需包，然后使用示例数据集，通过分组变量城市展示温度变化。通过指定分组变量、过渡时间和状态持续时间，结合gganimate的其他函数，创建具有平滑过渡效果的动图。

使用R语言的transition_states函数创建动图

在R语言中，我们可以使用gganimate包中的transition_states函数来创建动图。transition_states函数可以根据分组变量逐步过渡，展示数据的变化过程。本文将介绍如何使用transition_states函数创建动图，并提供相应的源代码。

首先，我们需要安装并加载gganimate包。可以使用以下命令来完成安装：

install.packages("gganimate")

安装完成后，使用以下命令加载gganimate包：

library(gganimate)

接下来，我们将使用一个示例数据集来演示如何使用transition_states函数创建动图。假设我们有一个数据集包含了不同城市的温度数据，并且我们想要根据城市来创建动图，展示温度的变化。

首先，我们需要准备数据并创建一个基础的静态图。假设我们的数据集名为temperature_data，包含两列：city表示城市名，temperature表示温度。我们可以使用以下代码创建一个基础的静态图：


                

                
                
        

    


  


        

                

                  

                  

                  了解本专栏
                  
                  
                    
                  订阅专栏 解锁全文
                   
                

        


    



                



	

		

			

				
					
R语言gganimate包创建散点图动画图(gif)、使用transition_states函数根据分组变量创建动图、enter_fade函数和exit_fade函数添加内插和淡出效果

				
			

			

				

					statistics+insight+vista+power
				

				

					12-09
					
					333
					
				

			

		

		

			
				
R语言ggplot2可视化：gganimate包创建散点图动画图(gif)、使用transition_states函数根据分组变量创建动图（类似facet_wrap）、enter_fade函数和exit_fade函数添加内插和淡出效果

			
		

	



                

            
              



	

		

			

				
					
R语言gganimate包创建散点图动画图、transition_states函数根据分组变量创建动图、shadow_wake函数配置动画的渐变效果拖尾效应、配置参数形成平滑拖尾（大小、颜色等）

				
			

			

				

					statistics+insight+vista+power
				

				

					11-29
					
					344
					
				

			

		

		

			
				
R语言ggplot2可视化：gganimate包创建散点图动画图(gif)、transition_states函数根据分组变量创建动图、shadow_wake函数配置动画的渐变效果拖尾效应、配置参数形成平滑拖尾（大小、颜色等）

			
		

	



              


  
              

                


	

		

			

				
					
R语言学习（九）动态制图——gganimater包

				
			

			

				

					八千鸟的博客
				

				

					09-02
					
					3592
					
				

			

		

		

			
				
gganimater包和之前的3d包一样，是对ggplot2包的扩展，主要是描绘图表的动态变化。
GitHub——链接https://github.com/thomasp85/gganimate
安装
# install.packages('devtools')
devtools::install_github('thomasp85/gganimate')

示例1——动态箱图
library(g...

			
		

	





	

		

			

				
					
R语言ggplot2可视化：gganimate包创建散点图动画图(gif)、使用transition_states函数根据分组变量创建动图（类似facet_wrap）

				
			

			

				

					statistics+insight+vista+power
				

				

					12-18
					
					299
					
				

			

		

		

			
				
R语言ggplot2可视化：gganimate包创建散点图动画图(gif)、使用transition_states函数根据分组变量创建动图（类似facet_wrap）

			
		

	



		

			
		



	

		

			

				
					
R语言gganimate包创建散点图动画图(gif)、transition_states函数根据分组变量创建动图、shadow_wake函数配置动画的渐变效果（gradual falloff）拖尾效应

				
			

			

				

					statistics+insight+vista+power
				

				

					11-28
					
					157
					
				

			

		

		

			
				
R语言ggplot2可视化：gganimate包创建散点图动画图(gif)、transition_states函数根据分组变量创建动图、shadow_wake函数配置动画的渐变效果（gradual falloff）拖尾效应

			
		

	





	

		

			

				
					
R语言gganimate包创建可视化gif动图、并使用anim_save函数保存可视化gif动图

				
			

			

				

					statistics+insight+vista+power
				

				

					03-28
					
					174
					
				

			

		

		

			
				
R语言gganimate包创建可视化gif动图、并使用anim_save函数保存可视化gif动图

			
		

	





	

		

			

				
					
R语言gganimate包创建可视化gif动图：ggplot2可视化静态条形图（bar plot）、gganimate包创建动态条形图（bar plot）动画、基于transition_time函数

				
			

			

				

					statistics+insight+vista+power
				

				

					01-19
					
					185
					
				

			

		

		

			
				
R语言gganimate包创建可视化gif动图：ggplot2可视化静态条形图（bar plot）、gganimate包创建动态条形图（bar plot）动画、基于transition_time函数

			
		

	





	

		

			

				
					
约会数据动态可视化分析：R语言使用ggplot和ganimate制作的动画图

				
			

			

				

					大数据部落
				

				

					08-16
					
					1127
					
				

			

		

		

			
				
原文链接：http://tecdat.cn/?p=23440

原文出处：拓端数据部落公众号




你知道吗，你可以把普通的静态ggplot图转换成动画图？在R软件包ganimate的帮助下，你可以做到这一点，而且效果非常好。对所有类型的几何图形都能毫不费力地转化为超级流畅的动画，让我和我的同事印象非常深刻。这篇文章中，我将对ganimate的一些奇妙功能进行简短的概述，我希望你会像我们一样喜欢这些功能!

由于七夕节刚刚过去，我们将探索约会实验数据集。希望我们能了解软件包以及如何找到我们的另一半。

.

			
		

	





	

		

			

				
					
中位数贪心|前缀和_距离和ret=l+r_1

				
			

			

				

					一个人知道自己为什么而活，他就能够接收任何一种生活
				

				

					11-30
					
					283
					
				

			

		

		

			
				
数据按排序后，处于中间位置的数值（数据个数奇数取正中间，偶数取中间两个的平均值）输入：grid = [[2,4],[6,8]], x = 2。

			
		

	





	

		

			

				
					
openGauss进阶：使用DBeaver可视化管理与实战

					
最新发布

				
			

			

				

					专注于 C/C++ 后端开发，涵盖基础语法、Linux系统与网络、MySQL数据库、常见算法及项目经验。
				

				

					12-01
					
					2987
					
				

			

		

		

			
				
命令行虽然直接高效，但在处理复杂SQL、进行数据分析和日常管理时，图形化界面（GUI）工具往往能提供更直观、更便捷的操作体验。本篇将使用通用且强大的数据库客户端——DBeaver（Community Edition）进行演示。

			
		

	





	

		

			

				
					
ggplot图片主题 复用与保存

				
			

			

				

					weixin_47195452的博客
				

				

					12-01
					
					530
					
				

			

		

		

			
				
1.1 R 下载与安装1.1.2 R的帮助函数1.1.3 用于管理R工作区的函数1.2 包（Packages)1.2.1 包的基本函数1.2.2 包处理大型数据集的示例展示。

			
		

	





	

		

			

				
					
绘制火山图 R、python

				
			

			

				

					dujidan的博客
				

				

					12-01
					
					472
					
				

			

		

		

			
				

			
		

	





	

		

			

				
					
24小时无人值守！影刀RPA智能监控Zozone店铺评分，异常秒级告警！[特殊字符]

				
			

			

				

					RPA专家，自动化流程机器人，定制代写，指导教学。
				

				

					11-30
					
					472
					
				

			

		

		

			
				
通过本文的实战教程，你已经掌握了使用影刀RPA实现Zozone店铺评分智能监控的核心技能。技术价值：RPA+数据分析的完美结合，实现真正意义上的智能监控业务影响：从被动响应到主动预警，大幅提升店铺运营质量风险控制：及时发现并处理评分问题，避免对业务造成重大影响未来演进：结合影刀的AI能力，下一步可实现情感分析（评价内容）、自动客诉处理、智能客服对接等进阶场景，打造真正的「智能店铺运营中台」。立即部署：复制上面的代码，配置好你的监控参数，立即开启7×24小时无人值守监控！

			
		

	





	

		

			

				
					
【Starrocks】以库为单位StarRocks数据迁移实战

				
			

			

				

					hiliang521的博客
				

				

					11-28
					
					335
					
				

			

		

		

			
				
以库为单位StarRocks数据迁移实战

			
		

	





	

		

			

				
					
ResponseEntityExceptionHandler 源码解读

				
			

			

				

					杂货铺的小掌柜
				

				

					12-01
					
					73
					
				

			

		

		

			
				
上面的实例中没有写自定义异常，其实都一样，看上面的代码自己实现下就好了，不难。

			
		

	





	

		

			

				
					
Springboot3 | ResponseEntity 完全使用教程

				
			

			

				

					张较瘦
				

				

					11-30
					
					828
					
				

			

		

		

			
				
本文介绍了Spring Boot 3中ResponseEntity的核心用法，通过宠物管理场景展示标准化RESTful接口设计。主要内容包括：1) 项目基础配置和Pet实体类准备；2) 三种典型场景实现：查询宠物返回200状态码、新增宠物返回201和Location头、删除宠物返回204无内容；3) 每个场景提供完整的Controller代码和ApiPost测试步骤。ResponseEntity相比直接返回实体类，能更精准控制HTTP状态码、响应头和响应体，符合REST规范，提升接口规范性。

			
		

	





	

		

			

				
					
【JSqlParser】Java使用JSqlParser解析SQL语句总结

				
			

			

				

					2509_94089007的博客
				

				

					11-29
					
					391
					
				

			

		

		

			
				
上面的代码虽然不少，但实际上真正需要熟悉的只有一个，就是直接调用CCJSqlParserUtil.parse(sql);去获得Statement，然后通过Statement去操作和获取解析后的SQL中的内容，非常简单方便实际应用场景说了那么多JSQLPARSER的使用，或许很多朋友并不能联想到有哪些具体可以用到它的地方，实际上想要开发一个优秀的软件产品，那么细节是少不了的，SQL是BS软件的本质之一，那么针对SQL，我们能做的还有很多，以下列举几个常见的场景SQL审计和分析。

			
		

	





	

		

			

				
					
OrientedArrow 在两个随机生成的点之间绘制一根带箭头的线，以可视化一个向量

				
			

			

				

					BoBoZz19的博客
				

				

					11-30
					
					243
					
				

			

		

		

			
				
本段代码主要涉及的有①对源数据的平移、缩放和缩放，②vtkTransform的concanate方法。本文只是教程内容的一小段，因博客字数限制，故进行拆分。

			
		

	





	

		

			

				
					
基于VisionBeaver机器视觉系统对FPC柔性线路板的AOI检测

				
			

			

				

					weixin_51554164的博客
				

				

					12-01
					
					527
					
				

			

		

		

			
				
线扫相机的优势在于，它可以在保证极高分辨率的条件下，实现大幅面（如长边超过350mm的FPC）的无缝拼接成像，完美解决了面阵相机高分辨率与大视场不可兼得的矛盾。增强边缘对比度：光线以一定角度照射在线路的立体边缘上，会产生明亮的亮边与暗影，从而大幅提升线路与背景的对比度，使得线宽、线距以及边缘的锯齿、缺漏等缺陷特征被强烈凸显，便于算法识别。高容差的定位匹配：系统采用先进的图像匹配算法，对于存在拉伸、旋转和轻微形变的FPC，仍能快速、准确地定位到Mark点及各个检测区域，为后续的精确测量与比对奠定基础。

			
		

	





	

		

			

				
					
        states=ms.tensor(transition_dict['states'],dtype=ms.float).to(self.device)
        actions=ms.tensor(transition_dict[actions]).view(-1,1).to(self.device)
        next_states=ms.tensor(transition_dict['next_states'],dtype=ms.float).view(-1,1).to(self.device)
        terminateds=ms.tensor(transition_dict['terminateds'],dtype=ms.float).view(-1,1).to(self.device)
        truncateds=ms.tensor(transition_dict['truncateds'],dtype=ms.float).view(-1,1).to(self.device)
        q_values=self.q_net(states).gather(1,actions)  #Q values
由以上数据，如何对神经网络进行训练？

				
			

			

				

					11-14
				

			

		

		

			
				
你提供的代码片段使用了类似 **MindSpore**（`ms` 应为 `mindspore`）的框架，从经验回放中提取数据，并计算当前策略下的 Q 值。现在你想知道：**如何基于这些张量对神经网络进行训练？**

下面我将为你完整补充一个标准的 **DQN 训练步骤**，包括目标 Q 值计算、损失函数定义、优化器更新等。

---

### ✅ 完整的 DQN 神经网络训练流程（使用 MindSpore）

```python
import mindspore as ms
import mindspore.nn as nn
from mindspore import Tensor
import numpy as np

# 假设你已经定义好 Q 网络和目标网络
class QNetwork(nn.Cell):
    def __init__(self, state_dim, action_dim):
        super(QNetwork, self).__init__()
        self.fc1 = nn.Dense(state_dim, 128)
        self.fc2 = nn.Dense(128, 128)
        self.fc3 = nn.Dense(128, action_dim)
        self.relu = nn.ReLU()

    def construct(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        return self.fc3(x)

# 示例参数
state_dim = 4
action_dim = 2
gamma = 0.99  # 折扣因子
learning_rate = 1e-3

# 初始化网络（q_net: 当前网络, target_q_net: 目标网络）
q_net = QNetwork(state_dim, action_dim)
target_q_net = QNetwork(state_dim, action_dim)
target_q_net.set_train(False)  # 目标网络不训练

# 复制权重
for target_param, param in zip(target_q_net.get_parameters(), q_net.get_parameters()):
    target_param.set_data(param.data.clone())

# 定义损失函数和优化器
loss_fn = nn.MSELoss()
optimizer = nn.Adam(q_net.trainable_params(), learning_rate=learning_rate)

# 模拟 transition_dict 数据（实际来自 replay buffer）
transition_dict = {
    'states': np.random.randn(32, state_dim).astype(np.float32),
    'actions': np.random.randint(0, action_dim, size=(32,)).astype(np.int32),
    'next_states': np.random.randn(32, state_dim).astype(np.float32),
    'rewards': np.random.randn(32,).astype(np.float32),
    'terminateds': np.random.randint(0, 2, size=(32,)).astype(np.float32),
    'truncateds': np.random.randint(0, 2, size=(32,)).astype(np.float32),
}

# 将数据转为 MindSpore Tensor 并移动到设备（假设是 CPU/GPU）
device = "GPU" if ms.context.get_context("device_target") == "GPU" else "CPU"
states = Tensor(transition_dict['states'], dtype=ms.float32)
actions = Tensor(transition_dict['actions'].reshape(-1, 1), dtype=ms.int32)
next_states = Tensor(transition_dict['next_states'], dtype=ms.float32)
rewards = Tensor(transition_dict['rewards'].reshape(-1, 1), dtype=ms.float32)
terminateds = Tensor(transition_dict['terminateds'].reshape(-1, 1), dtype=ms.float32)
truncateds = Tensor(transition_dict['truncateds'].reshape(-1, 1), dtype=ms.float32)

# 合并 done 信号：terminated 或 truncated 都表示 episode 结束
dones = (terminateds + truncateds).clip(0, 1)

# Step 1: 当前 Q 值 —— q_net(states).gather(actions)
q_values = q_net(states).gather(1, actions)  # shape: (32, 1)

# Step 2: 下一状态的最大 Q 值 —— max_a' Q_target(next_state)
max_next_q_values = target_q_net(next_states).max(axis=1, keepdims=True)  # (32, 1)

# Step 3: 构建目标 Q 值（Bellman 方程）
q_targets = rewards + gamma * max_next_q_values * (1 - dones)

# Step 4: 定义可微分的训练函数
def forward_fn(states, actions, q_targets):
    current_q_values = q_net(states).gather(1, actions)
    loss = loss_fn(current_q_values, q_targets)
    return loss

# 获取梯度函数
grad_fn = ms.value_and_grad(forward_fn, None, optimizer.parameters)

# 训练一步
def train_step():
    loss, grads = grad_fn(states, actions, q_targets)
    optimizer(grads)
    return loss

# 执行训练
loss = train_step()
print(f"Training Loss: {float(loss):.4f}")

# （可选）定期同步目标网络：每 C 步执行一次
# for target_param, param in zip(target_q_net.trainable_params(), q_net.trainable_params()):
#     target_param.set_data(param.data)
```

---

### 🔍 解释说明

| 步骤 | 作用 |
|------|------|
| `q_net(states).gather(1, actions)` | 获取当前状态下采取动作对应的 Q 值 |
| `target_q_net(next_states).max(...)` | 使用目标网络评估下一状态的最佳 Q 值，避免过高估计 |
| `rewards + gamma * ...` | 构造目标值，实现 Bellman 更新 |
| `MSE Loss` | 最小化当前 Q 值与目标 Q 值之间的误差 |
| `value_and_grad + optimizer` | MindSpore 中的标准训练模式 |

> ⚠️ 注意：
> - `gather` 在 MindSpore 中支持索引操作，但需确保 `actions` 是整数类型；
> - 必须禁用 `target_q_net` 的梯度计算（`.set_train(False)`）；
> - 实际应用中应封装成类，并加入软更新（Polyak）、优先经验回放等改进。

---

### ✅ 总结

你已经有了构建训练所需的所有张量。接下来要完成的是：

1. 构造目标 Q 值（使用目标网络）；
2. 定义损失函数（如 MSE）；
3. 使用 `mindspore.value_and_grad` 计算梯度；
4. 用优化器（如 Adam）更新 `q_net` 参数；
5. 定期更新 `target_q_net`。

这才是完整的神经网络训练闭环。

---

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
             | 博主筛选后可见
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值