انیمیشن Matplotlib: ایجاد طرح های پویا

تجسم داده ها یک جنبه مهم از علم داده و محاسبات علمی است. طرح های استاتیک یک عکس فوری از داده ها ارائه می دهند، اما گاهی اوقات، آشکار کردن تکامل داده ها در طول زمان یا به نمایش گذاشتن روابط پویا، درک را افزایش می دهد. Matplotlib، یک کتابخانه پایتون پرکاربرد برای رسم نمودار، قابلیت های انیمیشن قوی را ارائه می دهد. این پست وبلاگ به دنیای انیمیشن Matplotlib می پردازد و یک راهنمای جامع برای ایجاد طرح های پویا ارائه می دهد که داده های شما را زنده می کند.

چرا نمودارهای خود را متحرک کنید؟

انیمیشن چندین مزیت نسبت به نمودارهای استاتیک ارائه می دهد:

• آشکار کردن روندهای زمانی: تجسم نحوه تغییر داده ها در طول زمان بصری می شود. به نوسان قیمت سهام، تحول الگوهای آب و هوا یا گسترش یک بیماری فکر کنید.
• تقویت درک روابط پیچیده: انیمیشن می تواند روابط علت و معلولی یا وابستگی هایی را نشان دهد که درک آنها از یک تصویر استاتیک دشوار است.
• ارائه های جذاب: نمودارهای پویا جذاب تر از نمودارهای استاتیک هستند و ارائه ها را مؤثرتر و به یاد ماندنی تر می کنند. تصور کنید که نتایج شبیه سازی را با یک تجسم در حال تحول ارائه می دهید.
• تجسم داده های بلادرنگ: از انیمیشن Matplotlib می توان برای نمایش جریان های داده بلادرنگ مانند قرائت حسگرها یا داده های زنده بازار استفاده کرد.

مفاهیم اساسی انیمیشن Matplotlib

انیمیشن Matplotlib بر ماژول matplotlib.animation تکیه دارد. ایده اصلی این است که به طور مکرر محتوای طرح را در یک حلقه به روز کنیم و توهم حرکت را ایجاد کنیم. دو کلاس اصلی این فرآیند را تسهیل می کنند:

• FuncAnimation: این همه کاره ترین کلاس است. این تابع تعریف شده توسط کاربر را به طور مکرر فراخوانی می کند تا محتوای طرح را برای هر فریم از انیمیشن به روز کند.
• ArtistAnimation: این کلاس یک دنباله از اشیاء Artist (به عنوان مثال، خطوط، تکه ها) را به عنوان ورودی می گیرد و آنها را به ترتیب نمایش می دهد و یک انیمیشن ایجاد می کند. زمانی مناسب است که مجموعه ای از فریم های از پیش تعریف شده داشته باشید.

اجزای کلیدی

• شکل و محورها: مانند طرح های استاتیک، شما به یک شی شکل و یک یا چند شی محور نیاز دارید تا روی آنها رسم کنید.
• تابع مقداردهی اولیه (init): این تابع اختیاری یک بار در ابتدای انیمیشن فراخوانی می شود تا عناصر طرح اولیه را ایجاد کند (به عنوان مثال، تنظیم محدودیت های محور، ایجاد خطوط خالی).
• تابع انیمیشن (func): این تابع قلب انیمیشن است. به طور مکرر برای هر فریم فراخوانی می شود و محتوای طرح را بر اساس شماره فریم یا مرحله زمانی فعلی به روز می کند. این تابع شماره فریم را به عنوان آرگومان دریافت می کند.
• تولیدکننده فریم: این تعیین می کند که دنباله ای از شماره فریم ها یا نقاط داده در انیمیشن استفاده شود. این می تواند یک محدوده ساده از اعداد (به عنوان مثال، range(100)) یا یک تکرار کننده پیچیده تر باشد که مقادیر داده را تولید می کند.
• interval: این پارامتر تاخیر (بر حسب میلی ثانیه) بین فریم ها را مشخص می کند. یک فاصله زمانی کوچکتر منجر به انیمیشن سریعتر می شود.
• blit: تنظیم blit=True انیمیشن را با ترسیم مجدد فقط بخش هایی از طرح که تغییر کرده اند، بهینه می کند. این به طور قابل توجهی عملکرد را بهبود می بخشد، به خصوص برای طرح های پیچیده.

ایجاد اولین انیمیشن خود با FuncAnimation

بیایید با یک مثال ساده شروع کنیم: متحرک کردن یک موج سینوسی.

            import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))

def init():
    line.set_ydata([np.nan] * len(x))
    return line,

def animate(i):
    line.set_ydata(np.sin(x + i/10.0))
    return line,

ani = animation.FuncAnimation(fig, animate, init_func=init, frames=200, interval=20, blit=True)

plt.show()

            

              
                Copy
              
            
          

توضیح:

1. وارد کردن کتابخانه ها: ما کتابخانه های لازم را وارد می کنیم: numpy برای عملیات عددی، matplotlib.pyplot برای رسم نمودار، و matplotlib.animation برای انیمیشن.
2. ایجاد شکل و محورها: ما یک شکل و یک شی محور با استفاده از plt.subplots() ایجاد می کنیم.
3. تولید داده ها: ما یک آرایه x ایجاد می کنیم که نشان دهنده مقادیر x موج سینوسی ما با استفاده از np.linspace() است.
4. ایجاد شی خط: ما یک شی خط با استفاده از ax.plot() ایجاد می کنیم که در هر فریم از انیمیشن به روز می شود. کاما بعد از `line` مهم است. این یک تاپل بازگردانده شده توسط `ax.plot` را از حالت فشرده خارج می کند.
5. تابع مقداردهی اولیه (init): این تابع داده های y اولیه خط را روی NaN (Not a Number) تنظیم می کند و به طور موثر آن را در شروع انیمیشن نامرئی می کند.
6. تابع انیمیشن (animate): این تابع داده های y خط را در هر فریم به روز می کند. سینوس x + i/10.0 را محاسبه می کند، که در آن i شماره فریم است. این موج سینوسی را به صورت افقی جابجا می کند و اثر انیمیشن را ایجاد می کند.
7. ایجاد شی FuncAnimation: ما یک شی FuncAnimation ایجاد می کنیم و شکل، تابع انیمیشن (animate)، تابع مقداردهی اولیه (init_func=init)، تعداد فریم ها (frames=200)، فاصله بین فریم ها (interval=20 میلی ثانیه) و blit=True را برای بهینه سازی ارسال می کنیم.
8. نمایش انیمیشن: در نهایت، ما از plt.show() برای نمایش انیمیشن استفاده می کنیم.

سفارشی سازی انیمیشن خود

Matplotlib گزینه های گسترده ای را برای سفارشی سازی انیمیشن های شما ارائه می دهد:

تغییر رنگ ها، سبک های خط و نشانگرها

می توانید ظاهر عناصر طرح خود را در تابع انیمیشن درست مانند یک طرح استاتیک تغییر دهید. به عنوان مثال:

            def animate(i):
    line.set_ydata(np.sin(x + i/10.0))
    line.set_color(plt.cm.viridis(i/200.0))  # Change color based on frame number
    return line,

            

              
                Copy
              
            
          

این کد رنگ موج سینوسی را بر اساس شماره فریم با استفاده از نقشه رنگ viridis تغییر می دهد.

افزودن متن و حاشیه نویسی

می توانید متن و حاشیه نویسی به انیمیشن خود اضافه کنید تا اطلاعات بیشتری ارائه دهید. محتوای متن را در تابع انیمیشن به روز کنید.

            text = ax.text(0.05, 0.95, '', transform=ax.transAxes, ha='left', va='top')

def animate(i):
    line.set_ydata(np.sin(x + i/10.0))
    text.set_text('Frame: %d' % i)
    return line, text

            

              
                Copy
              
            
          

این کد یک برچسب متن اضافه می کند که شماره فریم فعلی را نمایش می دهد.

تغییر محدودیت های محور

اگر محدوده داده شما در طول انیمیشن تغییر می کند، ممکن است لازم باشد محدودیت های محور را به صورت پویا تنظیم کنید.

            def animate(i):
    y = np.sin(x + i/10.0)
    line.set_ydata(y)
    ax.set_ylim(min(y), max(y))
    return line,

            

              
                Copy
              
            
          

این کد محدودیت های محور y را طوری تنظیم می کند که با حداقل و حداکثر مقادیر موج سینوسی در هر فریم مطابقت داشته باشد.

استفاده از ArtistAnimation

کلاس ArtistAnimation زمانی مفید است که یک مجموعه از پیش تعریف شده از فریم ها برای نمایش داشته باشید.

            import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

fig, ax = plt.subplots()

frames = []
for i in range(50):
    x = np.linspace(0, 2*np.pi, 100)
    y = np.sin(x + i/10.0)
    line, = ax.plot(x, y)
    frames.append([line])  # Each frame is a list of artists

ani = animation.ArtistAnimation(fig, frames, interval=50, blit=True, repeat_delay=1000)

plt.show()

            

              
                Copy
              
            
          

توضیح:

1. ما یک لیست به نام `frames` ایجاد می کنیم.
2. ما 50 بار تکرار می کنیم و در هر تکرار، یک طرح خط ایجاد می کنیم و آن را به لیست `frames` اضافه می کنیم. هر عنصر در `frames` یک لیست حاوی اشیاء Artist است که در آن فریم نمایش داده می شوند.
3. ما یک شی `ArtistAnimation` ایجاد می کنیم و شکل، لیست فریم ها و سایر پارامترها را ارسال می کنیم. پارامتر `repeat_delay` تاخیری (بر حسب میلی ثانیه) را قبل از تکرار انیمیشن مشخص می کند.

ذخیره انیمیشن خود

Matplotlib به شما امکان می دهد انیمیشن های خود را در قالب های مختلف مانند GIF، MP4 و WebM ذخیره کنید. شما باید رمزگذار مناسب را نصب کرده باشید (به عنوان مثال، FFmpeg یا Pillow). رمزگذار فریم های فردی را به فرمت ویدیویی نهایی تبدیل می کند.

            ani.save('sine_wave.mp4', writer='ffmpeg', fps=30)

            

              
                Copy
              
            
          

این کد انیمیشن را به عنوان یک فایل MP4 با استفاده از نویسنده FFmpeg با نرخ فریم 30 فریم در ثانیه ذخیره می کند.

نصب رمزگذارها

برای ذخیره انیمیشن ها، باید یک رمزگذار نصب کنید. FFmpeg یک انتخاب محبوب است.

در لینوکس (Debian/Ubuntu):

            sudo apt-get update
sudo apt-get install ffmpeg

            

              
                Copy
              
            
          

در macOS:

            brew install ffmpeg

            

              
                Copy
              
            
          

در ویندوز:

FFmpeg را از وب سایت رسمی (https://ffmpeg.org/download.html) دانلود کنید و دایرکتوری `bin` را به متغیر محیطی PATH سیستم خود اضافه کنید.

به طور متناوب، می توانید از Pillow برای ذخیره انیمیشن ها به عنوان فایل های GIF استفاده کنید:

            ani.save('sine_wave.gif', writer='pillow')

            

              
                Copy
              
            
          

مطمئن شوید که Pillow نصب شده است:

            pip install pillow

            

              
                Copy
              
            
          

تکنیک های پیشرفته انیمیشن

متحرک کردن نمودارهای پراکندگی

می توانید نمودارهای پراکندگی را برای تجسم حرکت نقاط داده فردی متحرک کنید.

            import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

fig, ax = plt.subplots()
xdata, ydata = [], []
ln, = plt.plot([], [], 'ro', animated=True)

def init():
    ax.set_xlim(0, 10)
    ax.set_ylim(0, 10)
    return ln,

def update(frame):
    xdata.append(frame/10)
    ydata.append(np.sin(frame/10))
    ln.set_data(xdata, ydata)
    return ln,

ani = animation.FuncAnimation(fig, update, frames=np.linspace(0, 100, 100), init_func=init, blit=True)
plt.show()

            

              
                Copy
              
            
          

این کد یک نمودار پراکندگی ایجاد می کند که در آن نقاط داده در امتداد یک موج سینوسی حرکت می کنند.

متحرک کردن نمودارهای سه بعدی

Matplotlib همچنین از متحرک کردن نمودارهای سه بعدی با استفاده از ماژول mpl_toolkits.mplot3d پشتیبانی می کند.

            import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

def update(num, data, line):
    line.set_data(data[:2, :num])
    line.set_3d_properties(data[2, :num])
    return line,

# Fixing random state for reproducibility
np.random.seed(19680801)

data = np.random.rand(3, 50)
line, = ax.plot(data[0, 0:1], data[1, 0:1], data[2, 0:1])

# Setting the axes properties
ax.set_xlim3d([0.0, 1.0])
ax.set_xlabel('X')

ax.set_ylim3d([0.0, 1.0])
ax.set_ylabel('Y')

ax.set_zlim3d([0.0, 1.0])
ax.set_zlabel('Z')

ax.set_title('3D Test')

ani = animation.FuncAnimation(fig, update, 50, fargs=(data, line), interval=50, blit=False)

plt.show()

            

              
                Copy
              
            
          

این کد یک انیمیشن ساده از یک نمودار خط سه بعدی ایجاد می کند.

تجسم داده های بلادرنگ

از انیمیشن Matplotlib می توان برای تجسم جریان های داده بلادرنگ استفاده کرد. این نیاز به واکشی مداوم داده ها و به روز رسانی نمودار بر اساس آن دارد.

            import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
import time

fig, ax = plt.subplots()
xdata, ydata = [], []
ln, = plt.plot([], [], 'r-', animated=True)

def init():
    ax.set_xlim(0, 10)
    ax.set_ylim(-1, 1)
    return ln,

def update(frame):
    # Simulate reading data from a sensor (replace with your actual data source)
    xdata.append(time.time() % 10)  # Simulate time-varying x-values
    ydata.append(np.sin(xdata[-1])) # Simulate y-values based on x

    # Keep only the last 50 data points
    xdata_trimmed = xdata[-50:]
    ydata_trimmed = ydata[-50:]

    ln.set_data(xdata_trimmed, ydata_trimmed)
    ax.relim()
    ax.autoscale_view()
    return ln,

ani = animation.FuncAnimation(fig, update, init_func=init, blit=False, interval=20)
plt.show()

            

              
                Copy
              
            
          

این مثال شبیه سازی می کند که داده ها را از یک حسگر می خواند و نمودار را در زمان واقعی به روز می کند. منبع داده شبیه سازی شده را با جریان داده واقعی خود جایگزین کنید.

ملاحظات عملکرد

انیمیشن می تواند از نظر محاسباتی فشرده باشد، به خصوص برای طرح های پیچیده با نقاط داده زیاد. در اینجا چند نکته برای بهینه سازی عملکرد وجود دارد:

• از blit=True استفاده کنید: این گزینه به طور قابل توجهی عملکرد را با ترسیم مجدد فقط بخش هایی از طرح که تغییر کرده اند، بهبود می بخشد.
• به حداقل رساندن محاسبات در تابع انیمیشن: تا جایی که ممکن است محاسبات را خارج از تابع انیمیشن انجام دهید تا از محاسبات اضافی جلوگیری کنید.
• کاهش نرخ فریم: نرخ فریم پایین تر می تواند بار محاسباتی را کاهش دهد. با مقادیر مختلف interval آزمایش کنید تا تعادل خوبی بین صافی و عملکرد پیدا کنید.
• ساده سازی عناصر طرح: تعداد عناصر طرح (به عنوان مثال، خطوط، نشانگرها) را برای کاهش زمان رندر کاهش دهید.
• استفاده از شتاب سخت افزاری: اطمینان حاصل کنید که درایورهای کارت گرافیک شما به روز هستند و Matplotlib برای استفاده از شتاب سخت افزاری در صورت وجود پیکربندی شده است.

ملاحظات بین المللی سازی برای تجسم های متحرک

هنگام ایجاد انیمیشن برای یک مخاطب جهانی، این جنبه های بین المللی سازی را در نظر بگیرید:

• زبان: از زبان واضح و مختصر در حاشیه نویسی های متنی استفاده کنید. ارائه انیمیشن با نسخه های زبانی متعدد را در نظر بگیرید.
• قالب بندی اعداد: از قالب بندی اعداد مناسب برای مناطق مختلف استفاده کنید (به عنوان مثال، جداکننده های اعشاری، جداکننده های هزاران). ماژول `locale` پایتون می تواند در این زمینه کمک کند.
• قالب بندی تاریخ و زمان: به طور مشابه، تاریخ و زمان را مطابق با محلی کاربر قالب بندی کنید.
• درک رنگ: به درک رنگ در فرهنگ های مختلف توجه داشته باشید و از استفاده از رنگ هایی که ممکن است در مناطق خاصی معانی منفی داشته باشند، اجتناب کنید.
• دسترسی: اطمینان حاصل کنید که انیمیشن های شما برای کاربران دارای معلولیت قابل دسترسی هستند. توضیحات متنی جایگزین برای انیمیشن ها ارائه دهید و از پالت های رنگی استفاده کنید که برای کاربران دارای کوررنگی قابل دسترسی هستند.
• واحدهای داده: از سیستم های اندازه گیری مختلف (به عنوان مثال، متریک در مقابل امپریال) آگاه باشید و داده ها را در واحدهای مناسب برای مخاطبان هدف خود ارائه دهید.

به عنوان مثال، هنگام نمایش داده های مالی، ارزها و فرمت های عددی باید محلی سازی شوند. هنگام نشان دادن داده های جغرافیایی، اطمینان حاصل کنید که طرح های نقشه برای منطقه مورد نظر مناسب هستند و نام مکان ها محلی سازی شده اند.

در اینجا یک مثال با استفاده از ماژول locale برای قالب بندی اعداد مطابق با محلی کاربر آورده شده است. توجه داشته باشید که این مثال نیاز به نصب محلی صحیح روی سیستم دارد و بدون چنین تنظیماتی به طور کلی قابل اجرا نخواهد بود.

            import locale
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

# Attempt to set the locale to a specific one (e.g., German)
try:
    locale.setlocale(locale.LC_ALL, 'de_DE.UTF-8')
except locale.Error:
    print("Warning: Locale 'de_DE.UTF-8' not available.  Using default locale.")

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))
text = ax.text(0.05, 0.95, '', transform=ax.transAxes, ha='left', va='top')

def animate(i):
    line.set_ydata(np.sin(x + i/10.0))
    formatted_number = locale.format_string("%.2f", i * 1234.567, grouping=True)
    text.set_text(f'Value: {formatted_number}')  # f-string for cleaner formatting
    return line, text

ani = animation.FuncAnimation(fig, animate, frames=200, interval=20, blit=True)

plt.show()

            

              
                Copy
              
            
          

مطالعات موردی: مثال هایی از سراسر جهان

بیایید چند نمونه فرضی از نحوه استفاده از انیمیشن های Matplotlib برای تجسم داده ها از مناطق مختلف را بررسی کنیم:

• پیگیری جنگل زدایی در جنگل های بارانی آمازون (آمریکای جنوبی): یک انیمیشن می تواند مساحت جنگل در حال کاهش را در طول زمان نشان دهد، مناطق از دست دادن قابل توجه را برجسته کند و تأثیر جنگل زدایی بر تنوع زیستی را تجسم کند.
• تجسم سطوح آلودگی هوا در شهرهای بزرگ آسیایی (آسیا): یک انیمیشن می تواند سطوح در حال تغییر آلاینده های هوا (به عنوان مثال، PM2.5) را در شهرهایی مانند پکن، دهلی و توکیو به تصویر بکشد و تغییرات فصلی و اثربخشی اقدامات کنترل آلودگی را نشان دهد.
• مدل سازی گسترش مالاریا در آفریقای جنوب صحرا (آفریقا): یک انیمیشن می تواند گسترش مالاریا را بر اساس عواملی مانند بارندگی، دما و جمعیت پشه شبیه سازی کند و به شناسایی مناطق پرخطر و اطلاع رسانی به مداخلات بهداشت عمومی کمک کند.
• تجزیه و تحلیل رشد اقتصادی در کشورهای اروپایی (اروپا): یک انیمیشن می تواند نرخ رشد تولید ناخالص داخلی کشورهای مختلف اروپایی را در طول زمان نشان دهد، عملکرد آنها را مقایسه کند و دوره های رکود اقتصادی یا گسترش را برجسته کند. این تجسم همچنین می تواند به گونه ای طراحی شود که داده ها را به شیوه ای از نظر فرهنگی حساس با استفاده از طرح های رنگی و نمادهایی ارائه دهد که در هیچ کشور خاصی باعث ایجاد توهین نشود.
• شبیه سازی جریان ترافیک در مناطق کلان شهری آمریکای شمالی (آمریکای شمالی): یک انیمیشن می تواند جریان ترافیک بلادرنگ در شهرهایی مانند نیویورک، لس آنجلس و تورنتو را تجسم کند، الگوهای ازدحام را نشان دهد و به بهینه سازی استراتژی های مدیریت ترافیک کمک کند.

نتیجه

انیمیشن Matplotlib ابزار قدرتمندی را برای ایجاد طرح های پویا ارائه می دهد که تجسم داده ها را بهبود می بخشد. چه در حال تجسم روندهای زمانی، نشان دادن روابط پیچیده یا ارائه داده های بلادرنگ باشید، انیمیشن می تواند به طور قابل توجهی درک و تعامل مخاطبان شما را بهبود بخشد. با تسلط بر تکنیک های مورد بحث در این پست وبلاگ، می توانید پتانسیل کامل انیمیشن Matplotlib را باز کنید و تجسم های جذابی ایجاد کنید که داده های شما را زنده می کنند.