丢掉Excel，手把手教你用Python做可视化数据，还能任意调节动画丝滑度

2023-02-28

数据 time 动画

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。数据可视化动画还在用Excel做？现在一个简单的Python包就能分分钟搞定！而且生成的动画也足够丝滑，效果是酱紫的：这是一位专攻Python语言的程序员开发的安装包，名叫Pynimate。目前可以直接通过PyPI安装使用。

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

数据可视化动画还在用Excel做？

现在一个简单的Python包就能分分钟搞定！

而且生成的动画也足够丝滑，效果是酱紫的：

这是一位专攻Python语言的程序员开发的安装包，名叫Pynimate。

目前可以直接通过PyPI安装使用。

使用指南

想要使用Pynimate，直接import一下就行。

import pynimate as nim1.

而创建这种动画，输入的数据必须是pandas数据结构（如下），其中将时间列设置为索引，换句话说索引代表的是自变量。

time, col1, col2, col3
 1     2     1
 1     1     2
 2     1.5   3
 2.5   2     3.51.





具体的代码形式如下：

import pandas as pd
df = pd.read_csv('data'csv').set_index('time')1.
2.

比如要处理具体的数据，写成代码应该是这样子的。

df = pd.DataFrame(
    {
        "time": ["1960-01-01", "1961-01-01", "1962-01-01"],
        "Afghanistan": [1, 2, 3],
        "Angola": [2, 3, 4],
        "Albania": [1, 2, 5],
        "USA": [5, 3, 4],
        "Argentina": [1, 4, 5],
    }
).set_index("time")1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

此外，要制作条形数据动画，Barplot还有三个必需的参数得注意：data、time_format和ip_freq（Interpolation frequency）。

data就是表格的数据，这里也就不再赘述。

time_format是指数据索引的时间日期格式，一般为：”%Y-%m-%d”。

最后是ip_freq，它是制作动画中比较关键的一步，通过线性插值使动画更加流畅丝滑。

一般来说，并不是所有的原始数据都适合做成动画，现在一个典型的视频是24fps，即每秒有24帧。

举个栗子🌰，下面这个表格中的数据只有三个时间点，按理说只能生成3帧视频，最终动画也只有3/24秒。

time, col1, col2
 1     3  
 2     2   
 3     11.




这时候，ip_freq插值（线性）就开始发挥作用了，如果插值是一个季度，则得出的数据就变成了这样：

time     col1  col2
2012-01-01  1.00  3.00
2012-04-01  1.25  2.75
2012-07-01  1.50  2.50
2012-10-01  1.75  2.25
2013-01-01  2.00  2.00
2013-04-01  2.25  1.75
2013-07-01  2.50  1.50
2013-10-01  2.75  1.25
2014-01-01  3.00  1.001.
2.
3.
4.
5.
6.
7.
8.
9.
10.

具体的插值时间间隔为多久，则要视具体的数据而定，一般绘制大数据时，设置为ip_freq = None。

至此，就能生成数据动画了，完整代码如下所示：

from matplotlib import pyplot as plt
import pandas as pd
import pynimate as nim

df = pd.DataFrame(
    {
        "time": ["1960-01-01", "1961-01-01", "1962-01-01"],
        "Afghanistan": [1, 2, 3],
        "Angola": [2, 3, 4],
        "Albania": [1, 2, 5],
        "USA": [5, 3, 4],
        "Argentina": [1, 4, 5],
    }
).set_index("time")

cnv = nim.Canvas()
bar = nim.Barplot(df, "%Y-%m-%d", "2d")
bar.set_time(callback=lambda i, datafier: datafier.data.index[i].year)
cnv.add_plot(bar)
cnv.animate()
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.