让数据“动”起来：Python动态图表制作！

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）。

import matplotlib.animation as 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.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=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

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：

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 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。

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()

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:\temp\myfirstAnimation.gif')

关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取）

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python70个实战练手案例&源码👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错，但要学会兼职接单还是要有一个学习规划。

👉 这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方优快云官方认证二维码或者点击链接免费领取【保证100%免费】

点击免费领取《优快云大礼包》：Python入门到进阶资料 & 实战源码 & 兼职接单方法 安全链接免费领取