有了 MoviePy ，你可以用一个函数 make_frame(t) 自定义动画，并返回相应的时间t的视频帧（秒）：
Python123456789101112from moviepy.editor import VideoClip def make_frame(t): “”” returns an image of the frame at time t “”” # … create the frame with any library return frame_for_time_t # (Height x Width x 3) Numpy array animation = VideoClip(make_frame, duration=3) # 3-second clip # For the export, many options/formats/optimizations are supportedanimation.write_videofile(“my_animation.mp4”, fps=24) # export as videoanimation.write_gif(“my_animation.gif”, fps=24) # export as GIF (slow)
在之前的文章中，偶用这种方法来做制作矢量图形动画（用Gizeh库），和光线追踪三维场景（由POV-Ray做出）。这篇文章包括 MayaVi、vispy、matplotlib、NumPy 和 Scikit-image 这些科学库。
用Mayavi的动画
Mayavi是一个针对有简单接口的交互3D数据可视化的Python模块。在第一个例子中，大家做一个高度随时间t变化的表面的动画：
Python1234567891011121314151617181922import numpy as npimport mayavi.mlab as mlabimport moviepy.editor as mpy duration= 2 # duration of the animation in seconds (it will loop) # MAKE A FIGURE WITH MAYAVI fig_myv = mlab.figure(size=(220,220), bgcolor=(1,1,1))X, Y = np.linspace(-2,2,200), np.linspace(-2,2,200)XX, YY = np.meshgrid(X,Y)ZZ = lambda d: np.sinc(XX**2+YY**2)+np.sin(XX+d) # ANIMATE THE FIGURE WITH MOVIEPY, WRITE AN ANIMATED GIF def make_frame(t): mlab.clf() # clear the figure (to reset the colors) mlab.mesh(YY,XX,ZZ(2*np.pi*t/duration), figure=fig_myv) return mlab.screenshot(antialiased=True) animation = mpy.VideoClip(make_frame, duration=duration)animation.write_gif(“sinc.gif”, fps=20)
另一个例子是一个坐标和观看角度都随时间变化的线框网：
Python1234567891011121314151617181922232425262728import numpy as npimport mayavi.mlab as mlabimport moviepy.editor as mpy duration = 2 # duration of the animation in seconds (it will loop) # MAKE A FIGURE WITH MAYAVI fig = mlab.figure(size=(500, 500), bgcolor=(1,1,1)) u = np.linspace(0,2*np.pi,100)xx,yy,zz = np.cos(u), np.sin(3*u), np.sin(u) # Pointsl = mlab.plot3d(xx,yy,zz, representation=”wireframe”, tube_sides=5,line_width=.5, tube_radius=0.2, figure=fig) # ANIMATE THE FIGURE WITH MOVIEPY, WRITE AN ANIMATED GIF def make_frame(t): “”” Generates and returns the frame for time t. “”” y = np.sin(3*u)*(0.2+0.5*np.cos(2*np.pi*t/duration)) l.mlab_source.set(y = y) # change y-coordinates of the mesh mlab.view(azimuth= 360*t/duration, distance=9) # camera angle return mlab.screenshot(antialiased=True) # return a RGB image animation = mpy.VideoClip(make_frame, duration=duration).resize(0.5)# Video generation takes 10 seconds, GIF generation takes 25sanimation.write_videofile(“wireframe.mp4”, fps=20)animation.write_gif(“wireframe.gif”, fps=20)
因为Mayavi有着强大的ITK可视化引擎，它还可以处理复杂数据集。这里有一个源自于Mayavi例子的动画
代码
Animations with Vispy 用Vispy的动画
Vispy是另一个以OpenGL为基础的交互3D可视化库。至于Mayavi，大家用MoviePy先做出一个图和一个网。
Python1234567891011121314151617181922232425262728from moviepy.editor import VideoClipimport numpy as npfrom vispy import app, scenefrom vispy.gloo.util import _screenshot canvas = scene.SceneCanvas(keys=’interactive’)view = canvas.central_widget.add_view()view.set_camera(‘turntable’, mode=’perspective’, up=’z’, distance=2,azimuth=30., elevation=65.) xx, yy = np.arange(-1,1,.02),np.arange(-1,1,.02)X,Y = np.meshgrid(xx,yy)R = np.sqrt(X**2+Y**2)Z = lambda t : 0.1*np.sin(10*R-2*np.pi*t)surface = scene.visuals.SurfacePlot(x= xx-0.1, y=yy+0.2, z= Z(0), shading=’smooth’, color=(0.5, 0.5, 1, 1))view.add(surface)canvas.show() # ANIMATE WITH MOVIEPY def make_frame(t): surface.set_data(z = Z(t)) # Update the mathematical surface canvas.on_draw(None) # Update the image on Vispy’s canvas return _screenshot((0,0,canvas.size[0],canvas.size[1]))[:,:,:3] animation = VideoClip(make_frame, duration=1).resize(width=350)animation.write_gif(‘sinc_vispy.gif’, fps=20, opt=’OptimizePlus’)
还有一些更高级的例子（源自于Vispy库），它是用C代码片段中嵌入Python代码，微调了3D渲染的：
代码
代码
用Matplotlib的动画
2D/3D绘图库Matplotlib已经有了动画模块，但偶发现moviepy可以做出更轻量级，质量更好的视频，却达到了两倍的速度（不知道为什么？在这里看到更多细节）。这里有个如何使用matplotlib和moviepy的例子：
Python12345678910111213141516171819222324import matplotlib.pyplot as pltimport numpy as npfrom moviepy.video.io.bindings import mplfig_to_npimageimport moviepy.editor as mpy # DRAW A FIGURE WITH MATPLOTLIB duration = 2 fig_mpl, ax = plt.subplots(1,figsize=(5,3), facecolor=’white’)xx = np.linspace(-2,2,200) # the x vectorzz = lambda d: np.sinc(xx**2)+np.sin(xx+d) # the (changing) z vectorax.set_title(“Elevation in y=0”)ax.set_ylim(-1.5,2.5)line, = ax.plot(xx, zz(0), lw=3) # ANIMATE WITH MOVIEPY (UPDATE THE CURVE FOR EACH t). MAKE A GIF. def make_frame_mpl(t): line.set_ydata( zz(2*np.pi*t/duration)) # <= Update the curve return mplfig_to_npimage(fig_mpl) # RGB image of the figure animation =mpy.VideoClip(make_frame_mpl, duration=duration)animation.write_gif(“sinc_mpl.gif”, fps=20)
Matplotlib有很多漂亮的主题，而且和像Pandas或Scikit-Learn这些数字模块能很好配合。让大家看一个SVM分类器，以更好地明白训练点的数量增加时的地图。
Python123456789101112131415161718192223242526272829303132import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svm # sklearn = scikit-learnfrom sklearn.datasets import make_moonsfrom moviepy.editor import VideoClipfrom moviepy.video.io.bindings import mplfig_to_npimage X, Y = make_moons(50, noise=0.1, random_state=2) # semi-random data fig, ax = plt.subplots(1, figsize=(4, 4), facecolor=(1,1,1))fig.subplots_adjust(left=0, right=1, bottom=0)xx, yy = np.meshgrid(np.linspace(-2,3,500), np.linspace(-1,2,500)) def make_frame(t): ax.clear() ax.axis(‘off’) ax.set_title(“SVC classification”, fontsize=16)classifier = svm.SVC(gamma=2, C=1) # the varying weights make the points appear one after the other weights = np.minimum(1, np.maximum(0, t**2+10-np.arange(50))) classifier.fit(X, Y, sample_weight=weights) Z = classifier.decision_function(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) ax.contourf(xx, yy, Z, cmap=plt.cm.bone, alpha=0.8,vmin=-2.5, vmax=2.5, levels=np.linspace(-2,2,20)) ax.scatter(X[:,0], X[:,1], c=Y, s=50*weights, cmap=plt.cm.bone)return mplfig_to_npimage(fig) animation = VideoClip(make_frame, duration = 7)animation.write_gif(“svm.gif”, fps=15)
简单明了，背景色代表分类器辨识黑点和白点属于哪里。在一开始没有真正的线索，但随着更多的点出钱，月牙形分布区域渐渐显现了。
用Numpy的动画
如果你正用着Numpy数组（Numpy是一个Python的中央数字库），你不需要任何外部绘图库，你可以直接将这些数组馈入MoviePy。
这通过模拟在法国的僵尸爆发（灵感来自Max Berggren的博客，伯乐在线已有全文翻译：《用Python在地图上模拟疫情扩散》）。法国被仿作一个所有分散和感染的计算都完成的网格（NumPy数组）。每隔一段时间，一些NumPy操作变换网格为有效的RGB图像，并将其发送到Moviepy。
代码
把动画放到一起
什么比一个动画更好呢？两个动画！你可以利用MoviePy视频合成功能，来混合来自不同库的动画：
Python123456import moviepy.editor as mpy# We use the GIFs generated earlier to avoid recomputing the animations.clip_mayavi = mpy.VideoFileClip(“sinc.gif”)clip_mpl = mpy.VideoFileClip(“sinc_mpl.gif”).resize(height=clip_mayavi.h)animation = mpy.clips_array([[clip_mpl, clip_mayavi]])animation.write_gif(“sinc_plot.gif”, fps=20)
Or for something more artistic:
Python12345678# Make the white color transparent in clip_mayaviclip_mayavi2 = (clip_mayavi.fx( mpy.vfx.mask_color, [255,255,255]).set_opacity(.4) # whole clip is semi-transparent.resize(height=0.85*clip_mpl.h).set_pos(‘center’)) animation = positeVideoClip([clip_mpl, clip_mayavi2])animation.write_gif(“sinc_plot2.gif”, fps=20)
也许有点太快了，但有时你必须给你的观众一些可以让他们议论的东西。
你也可以注解动画，当比较不同的过滤器或算法时，注解动画很实用。让大家看看四张由库scikit-image变换的图像：
Python123456789101112131415161718192223242526import moviepy.editor as mpyimport skimage.exposure as ske # rescaling, histogram eq.import skimage.filter as skf # gaussian blur clip = mpy.VideoFileClip(“sinc.gif”)gray = clip.fx(mpy.vfx.blackwhite).to_mask() def apply_effect(effect, title, **kw): “”” Returns a clip with the effect applied and a title””” filtr = lambda im: effect(im, **kw) new_clip = gray.fl_image(filtr).to_RGB() txt = (mpy.TextClip(title, font=”Purisa-Bold”, fontsize=15) .set_position((“center”,”top”)) .set_duration(clip.duration)) return positeVideoClip([new_clip,txt]) # Apply 4 different effects to the original animationequalized = apply_effect(ske.equalize_hist, “Equalized”)rescaled = apply_effect(ske.rescale_intensity, “Rescaled”)adjusted = apply_effect(ske.adjust_log, “Adjusted”)blurred = apply_effect(skf.gaussian_filter, “Blurred”, sigma=4) # Put the clips together on a 2×2 grid, and write to a file.finalclip = mpy.clips_array([[ equalized, adjusted ], [ blurred, rescaled ]])final_clip.write_gif(“test2x2.gif”, fps=20)
如果大家把CompositeVideoClip和clips_array替代成concatenate_videoclips，大家得到标题效果式动画：
Python1234567891011121314151617181922232425import moviepy.editor as mpyimport skimage.exposure as skeimport skimage.filter as skf clip = mpy.VideoFileClip(“sinc.gif”)gray = clip.fx(mpy.vfx.blackwhite).to_mask() def apply_effect(effect, label, **kw): “”” Returns a clip with the effect applied and a top label””” filtr = lambda im: effect(im, **kw) new_clip = gray.fl_image(filtr).to_RGB() txt = (mpy.TextClip(label, font=”Amiri-Bold”, fontsize=25, bg_color=’white’, size=new_clip.size) .set_position((“center”)) .set_duration(1)) return mpy.concatenate_videoclips([txt, new_clip]) equalized = apply_effect(ske.equalize_hist, “Equalized”)rescaled = apply_effect(ske.rescale_intensity, “Rescaled”)adjusted = apply_effect(ske.adjust_log, “Adjusted”)blurred = apply_effect(skf.gaussian_filter, “Blurred”, sigma=4) clips = [equalized, adjusted, blurred, rescaled]animation = mpy.concatenate_videoclips(clips)animation.write_gif(“sinc_cat.gif”, fps=15)
最终，处理视频数据时，MoviePy会非常好用，因为这是它的首要任务。最后一个例子，大家通过视频帧阈值和白色像素计数，估计一个细菌种群大小。第三面板显示，人口规模呈指数增长的时间。
代码
一个库就可以做所有动画了？
偶希望给了你足够的例子，来提升你的同事对你下次展示中的印象。总之要他的输出能被转换成Numpy数组，其他的库也能用MoviePy来做动画。
一些库有自己的动画模块，但是修复和维护很痛苦！感谢那些在不同背景下测试MoviePy的人们，它变得更稳定了（除非没人再报bug），而且可以适用于各种环境。MoviePy 仍有很多要去做的，但如果作者开始依靠它来做视频和GIF渲染，像Pandas和scikit-Learn依赖matplotlib做绘制，那会很好。
为了本文的完整性，同时也为了更好地满足您的需要，偶必须提到的ImageIO，这是另一个可以编写视频的Python库，它专注于提供一个非常简单的接口来读取或写入任何图像，视频或容积数据。比如你用imwrite()写图像，用mimwrite()写视频/ GIF，用volwrite()写体积数据，或只是write()写流数据。
作为一名IT从业者，同时也是一名教育工作者，偶来回答一下这个问题。
首先，对于31岁的职场人来说，当前学习Python语言对于自身的职场发展会有一定的积极意义，在未来的产业互联网时代，掌握一门编程技术不仅能够提升自身的工作效率，同时也会为自己带来更强的资源整合能力。
但是，如果在31岁时希望通过学习Python语言而进入IT（互联网）行业发展，那么还是需要慎重考虑的。Python语言虽然是全场景编程语言之一，而且在IT行业内也有比较高的流行程度，但是Python开发的高附加值工作岗位往往集中在大数据和人工智能领域，而这两个领域对于从业者的要求还是比较高的。所以，如果自身的数学基础比较扎实，同时又具有较强的学习能力，那么在31岁开始学习Python也会有一定的机会。
IT行业对于从业者的年龄还是比较敏感的，尤其是应用级开发岗位往往年龄越小则竞争力越强，所以31岁如果应聘初级开发岗位还是具有一定困难的。但是，如果掌握新技术，比如大数据、云计算等技术，即使年龄大一些也会有一定的竞争力。
从目前产业互联网发展的大趋势来看，如果职场人能够在立足本行业的基础上，通过掌握新技术来解决一些传统行业的“痛点”，那么会获得一些新的发展机会。在具体的岗位选择上，除了程序员岗位之外，还可以重点考虑一下产品经理、项目经理等岗位，这些岗位通常对于年龄并不十分敏感。
最后，如果想在31岁进入IT行业发展，还可以考虑一下通过读研的方式进入IT行业。
偶从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，偶会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注偶，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信偶！
小朋友思想挺超前的，偶接触编程也是在初三的时候，高一才真正开始学编程，当时偶学的是vbs,bat这两门，到后来才接触高级语言，python是第四代语言，拥有面向对象开发，最大的特点就是简单，这里的简单是指入门简单，不要产生误解了，想学会一点都不难，您所说的学好就比较有难度了。开始学习基础只有几个重点，一些基本语法，和面向对象开发过程。学完这些就算入门了，之后呢，还有大量的库需要了解，如果学爬虫需要了解requests，bs4,等等。除此之外还有：Web框架、网络爬虫、网络内容提取、模板引擎、数据库、数据可视化、图片处理、文本处理、自然语言处理、机器学习、日志、代码分析等。能够把这些能够熟练掌握基本上算是大神了，不要认为python是一门简单的语言，还是那句话学会简单，学好难。你现在五年级还是要以学业为主，把编程当做兴趣固然可以，如果影响了学习就得不偿失了。过来人奉劝一句，这个真的有点影响学习，有时候会因为一个小小的问题困惑很久，期间会错过课堂上的学习。小学最好学习思维而不是学习编程。
还反驳啥啊！自学python别的都不会，本来就没啥前途。不信出去应聘试试，大厂考各种算法直接问蒙。小厂各种琐碎需求，开荒种地也应付不来。没看现在头条上python都往量化投资上挂嘛！就是在编程圈不好混，才跨界发展呢！在头条上搜搜看看讲python有几个正经搞开发的，国内python都快成培训行业的专用语言了。上至成人下至儿童忽悠个便！热爱编程是一回事，用编程养家糊口是另一回事。登月大家只能记住阿姆斯特朗，谁知道背后的那些科学家都叫啥？编程开发也是这样，大家只知道今日头条。背后的写算法的那些人没人了解！反驳同学无非就是证明自己的观点，让自己更有尊严。这和编程语言有啥关系？要是真热爱编程当初上学就应该选择相关的专业。在自己本专业里用心学得了，在配合编程知识辅助自己才是正道。
总结，以上就是关于看动画学Python百度网盘以及Python如何实现数据动态化的经验分享，卡友有疑问可以加wx或扫码加群！
