ML v Pythone 6 – animované grafy a ich export ako video

Ako na to

3.8.2023

V predchádzajúcej časti sme ukázali nákladné možnosti názorného zobrazovania údajov pomocou grafov. Ešte názornejšie sú však animované grafy. Animácie je možné exportovať ako videá do súborov .MP4, alebo animovaný GIF. Animácia okrem názornosti umožňuje lepšie pochopiť dynamické procesy, alebo vývoj určitého trendu. V závere článku ukážeme postup vytvorenia obľúbeného vodorovného stĺpcového grafu v ktorom sa menia nielen hodnoty, ale aj usporiadanie.

Postup vytvorenia príkladov aj animácia je v krátkom videu

Najskôr ukážeme ako nakreslíme statický graf a uložíme ho na Google Disk ako obrázok vo formáte PNG. Hodnoty sú pre jednoduchosť definované priamo v kóde

import matplotlib.pyplot as plt

from google.colab import drive

data_lst = [27, 33, 35, 30, 24, 28, 21]

fig, ax = plt.subplots()

ax.plot(data_lst)

ax.set_xlabel('deň')

ax.set_ylabel('Teplota (*C)')

ax.set_title('Teplota za posledných 5 dní')

drive.mount('/content/drive')

fig.savefig('/content/drive/My Drive/MojeData/teplota.png')

Objekt Figure si môžeme predstaviť ako kontejner na zapuzdrenie grafických objektov, statických aj animovaných. Zaujímavejší by bol určite animovaný graf

from random import randint

import matplotlib.pyplot as plt

from matplotlib.animation import FuncAnimation

from google.colab import drive

# prázdne zoznamy pre hodnoty X a Y

x = []

y = []

# funkcia na zobrazenie jednej snímky animácie

def animacia(i):

pt = randint(1,9)

x.append(i)

y.append(pt)

# osi

ax.clear()

ax.plot(x, y)

ax.set_xlim([0,20])

ax.set_ylim([0,10])

ani = FuncAnimation(fig, animacia, frames=20, interval=500, repeat=False)

# uloženie videa

drive.mount('/content/drive')

ani.save('/content/drive/My Drive/MojeData/animovany_graf.mp4',

writer = 'ffmpeg', fps = 5)

Alebo animácia vykresľovania sinusovky

import numpy as np

import matplotlib.pyplot as plt

from matplotlib.animation import FuncAnimation

from google.colab import drive

x = np.linspace(0, 10)

y = np.sin(x)

fig, ax = plt.subplots()

line, = ax.plot(x, y)

# funkcia na zobrazenie jednej snímky animácie

def animacia(num, x, y, line):

line.set_data(x[:num], y[:num])

return line,

ani = FuncAnimation(fig, animacia, len(x), interval=100, fargs=[x, y, line], blit=True)

drive.mount('/content/drive')

ani.save('/content/drive/My Drive/MojeData/sinus1.mp4',

writer = 'ffmpeg', fps = 25)

# ani.save('animation_drawing.gif', writer='imagemagick', fps=60)

funkcia plot() vráti n-ticu s jedným prvkom. Pridaním čiarky do cieľa priradenia požiadate Python, aby rozbalil návratovú hodnotu a priradil ju

Postup vytvorenia animácie:

definujeme rozmery okna v ktorom sa bude vykresľovať animácia
inicializujeme premennú ciara, ktorá bude obsahovať súradnice x a y vykresľovaného grafu. Tieto sú pri inicializácii prázdne, pretože údaje súradníc sa počas animácie budú meniť kvôli animácii.
vytvoríme animačnú funkciu animate(i), kde i je číslo snímky a definujeme funkciu pre hodnotu v osi y
vytvorenie animácie, ktorá zobrazí 200 snímok za sekundu v intervale 20 mikrosekund.
uloženie videa na Disk Google

Ukážeme animáciu posunu sinusovky v osi X

from matplotlib import pyplot as plt

import numpy as np

from matplotlib.animation import FuncAnimation

from google.colab import drive

# inicializácia

fig = plt.figure()

# 1. definovanie okna

okno = plt.axes(xlim =(0, 4),

ylim =(-2, 2))

# 2. premenná ciara

ciara, = okno.plot([], [], lw = 3)

# dáta budú obsahovať hodnoty x a y

def init():

ciara.set_data([], [])

return ciara,

# 3. animačná funkcia

def animate(i):

x = np.linspace(0, 4, 1000)

y = np.sin(2 * np.pi * (x - 0.01 * i))

ciara.set_data(x, y)

return ciara,

# 4. animácia

anim = FuncAnimation(fig, animate, init_func = init,

frames = 200, interval = 20, blit = True)

# 5. uloženie videa

drive.mount('/content/drive')

anim.save('/content/drive/My Drive/MojeData/animacia1.mp4',

writer = 'ffmpeg', fps = 30)

Animácia nám umožní lepšie pochopiť niektoré metódy, ktoré sa dajú graficky zobraziť. Napríklad Visvalingam-Whyatt algoritmus umožňuje zjednodušiť zložité lomené čiary znižovaním počtu vrcholov pri zachovaní tvaru lomenej čiary a minimalizácii skreslenia. Táto technika sa využíva napríklad v kartografii. Zjednodušením lomených čiar môžeme zvýšiť výkon vykresľovania a zlepšiť interpretovateľnosť údajov.

Algoritmus vyhodnocuje dôležitosť každého vrcholu na základe zmeny v oblasti, ktorá by nastala, keby bol daný vrchol odstránený. Najskôr sa vypočíta plocha každého trojuholníka tvoreného tromi po sebe nasledujúcimi vrcholmi v lomenej čiare. Odstránenie vrcholov s najmenšími plochami spôsobí najmenšiu zmenu celkového tvaru krivky. Výsledná zjednodušená lomená čiara pozostávajúca zo zostávajúcich vrcholov je zjednodušená reprezentácia pôvodnej krivky, pričom si zachováva jej podstatné tvarové charakteristiky. Pozrite si výsledok - animovaný graf. Sledujte obrázok dlhšie, spočiatku sú zmeny menej nápadné.

import math

from shapely.geometry import Polygon

from shapely.geometry import LineString

fig, ax = plt.subplots(1, 1)

fig.set_size_inches(20,5)

fig.tight_layout(rect=[0, 0.03, 1, 0.95])

# údaje pre lomenú čiaru

point_list = [(0,3), (1,0), (2,1), (3, 2), (5, 3),

(7,4), (8,4), (10,3), (11,1), (12,1),

(15,2), (17, 3), (18, 3), (20, 2)]

def visvalingam_whyatt(point_list, required_points):

# budeme modifikovať kópiu údajov

points = point_list.copy()

if len(points) == required_points:

return points

# výpočet trojuholníkov pre jednotlivé vrcholy

areas = []

for index, point in enumerate(points):

if index == 0 or index == len(points)-1:

areas.append(math.inf)

else:

p1 = points[index-1]

p2 = point

p3 = points[index+1]

polygon = Polygon([p1, p2, p3])

areas.append(polygon.area)

min_area = min(areas)

remove_index = areas.index(min_area)

# odstránenie trojuholníka s najmenšou plochou

points.pop(remove_index)

if len(points) == required_points:

return points

else:

# rekurzívne volanie pre upravený zoznam vrcholov

return visvalingam_whyatt(

points, required_points)

def animate(i):

ax.clear()

simplified_list = visvalingam_whyatt(

point_list, len(point_list)-i)

original = LineString(point_list)

simplified = LineString(simplified_list)

ax.plot(*original.xy, color='red',

label='original', marker='o')

ax.plot(*simplified.xy, color='blue',

linestyle='dashed', label='zjednodušenie', marker='o')

ax.set_title(

'Visvalingam Whyatt algoritmus - \

Eliminované {} vrcholov'.format(i), fontsize=20)

ax.legend()

ani = FuncAnimation(fig, animate, frames=len(point_list)-1,

interval=500, repeat=False)

plt.close()

from matplotlib.animation import PillowWriter

drive.mount('/content/drive')

ani.save("/content/drive/My Drive/MojeData/visvalingam_whyatt1.gif",

dpi=300, writer=PillowWriter(fps=1))

Najlepšie sme si nechali na koniec. Určite ste videli efektné animované stĺpcové grafy ako sa niečo menilo v priebehu času. Napríklad zárobky najbohatších ľudí na svete, počet predaných albumov spevákov a podobne. Ukážeme animovaný stĺpcový graf najľudnatejších miest v priebehu histórie, pričom grafy budú usporiadené od najväčšieho počtu obyvateľov zostupne. Dokážeme to na 35 riadkov kódu (ak nepočítame komentáre), pričom tretina riadkov je tam kvôli vzhľadu grafu. Tu je ukážka pre kratší časový interval 1990 - 2000

Inšpiráciou pre tento príklad je článok https://pratapvardhan.com/blog/bar-chart-race-python-matplotlib/ Údaje vo formáte CSV si môžete stiahnuť tu a uložiť na váš Disk Google. Údaje majú štruktúru:

name,group,year,value,subGroup,city_id,lastValue,lat,lon

Agra,India,1575,200,India,Agra - India,200,27.18333,78.01667

nás budú zaujímať len atribúty usecols=['name', 'group', 'year', 'value']). Príklad je okomentovaný vo videu

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.ticker as ticker

import matplotlib.animation as animation

from google.colab import drive

# načítanie údajov

drive.mount('/content/drive')

df = pd.read_csv('/content/drive/My Drive/MojeData/Populacia.csv', usecols=['name', 'group', 'year', 'value'])

# farby pre jednotlivé kontinenty

colors = dict(zip(

['India','Europe','Asia','Latin America','Middle East','North America','Africa'],

['#adb0ff', '#ffb3ff', '#90d595', '#e48381', '#aafbff', '#f7bb5f', '#eafb50']

))

# mapovanie medzi mestom (name) a zemepisnou oblasťou (group) podľa ktorej sa určuje farba

group_lk = df.set_index('name')['group'].to_dict()

# veľkosť zobrazovanej plochy

fig, ax = plt.subplots(figsize=(15, 8))

def animacia(year):

# utriedenie miest v príslušnom roku

dff = df[df['year'].eq(year)].sort_values(by='value', ascending=True)

ax.clear()

ax.barh(dff['name'], dff['value'], color=[colors[group_lk[x]] for x in dff['name']], edgecolor='black')

dx = dff['value'].max() / 200

ax.set_xlim([0, 40000]) # maximum v osi X 40 miliónov

# textový popis vodorovného stĺpca (London, Europe, 10000)

for i, (value, name) in enumerate(zip(dff['value'], dff['name'])):

ax.text(value-dx, i, name, size=14, weight=600, ha='right', va='bottom')

ax.text(value-dx, i-0.25, group_lk[name], size=10, color='#444444', ha='right',

va='baseline')

ax.text(value+dx, i, f'{value:,.0f}', size=14, ha='left', va='center')

# Rok veľkým fontom vpravo a popisy grafu

ax.text(1, 0.4, year, transform=ax.transAxes, color='#777777', size=46, ha='right', weight=800)

ax.text(0, 1.06, 'Populácia (v tisícoch)', transform=ax.transAxes, size=12, color='#777777')

# Popis osi X

ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}'))

ax.xaxis.set_ticks_position('top')

ax.tick_params(axis='x', colors='#777777', labelsize=12)

ax.set_yticks([])

ax.margins(0, 0.01)

ax.grid(which='minor', axis='x', linestyle='-')

ax.set_axisbelow(True)

ax.text(0, 1.1, 'Najľudnatejšie mestá sveta 1900 - 2018',

transform=ax.transAxes, size=24, weight=600, ha='left')

plt.box(False)

ani = animation.FuncAnimation(fig, animacia, frames=range(1900, 2019))

ani.save('/content/drive/My Drive/MojeData/mesta_populacia2.mp4',

writer = 'ffmpeg', fps = 15)

V budúcom pokračovaní ukážeme inštaláciu lokálnych vývojárskych nástrojov

Strojové učenie v Pythone 1 – prostredie Google Colab

Strojové učenie v Pythone 2 – knižnica Pandas na prácu s údajmi

ML v Pythone 3 – export a import údajov vo formáte CSV a Excel

Strojové učenie v Pythone 4 – práca s údajmi

ML v Pythone 5 – vizualizácia údajov pomocou grafov

Zobrazit Galériu

ML v Pythone 6 – animované grafy a ich export ako video

Pridať komentár

Mohlo by vás zaujímať

Mohlo by vás zaujímať

AI verzus autorské práva

Výhody NAS pre malé firmy a freelancerov

Ako poslať niekomu darček na platforme Steam