matplotlib.animation.FuncAnimation

class matplotlib.animation.FuncAnimation(fig, func, frames=None, init_func=None, fargs=None, save_count=None, **kwargs) [source]

Bases: matplotlib.animation.TimedAnimation

Создаёт анимацию, повторно вызывая функцию func.

Параметры:

Параметры:	`fig : matplotlib.figure.Figure` Объект фигуры, используемый для получения событий рисования, изменения размера и других необходимых событий. `func : callable` Функция, вызываемая для каждого кадра. Первый аргумент будет следующим значением в `frames`. Дополнительные позиционные аргументы могут быть переданы через параметр `fargs`. Требуемая сигнатура: def func(frame, fargs) -> iterable_of_artists: `frames : iterable, int, generator function, or None, optional` Источник данных для передачи `func` и каждого кадра анимации Если итерируемый объект, то просто используются предоставленные значения. Если у итерируемого объекта есть длина, она переопределяет параметр `save_count`. Если целое число, эквивалентно передаче `range(frames)` Если функция-генератор, то должна иметь сигнатуру: def gen_function() -> obj: Если `None`, то эквивалентно передаче `itertools.count`. Во всех этих случаях значения в frames* просто передаются в предоставленную пользователем функцию func, и поэтому могут быть любого типа. `init_func : callable, optional` Функция, используемая для рисования чёткого кадра. Если не указана, используются результаты рисования из первого элемента в последовательности кадров. Эта функция будет вызвана один раз перед первым кадром. Если `blit == True`, `init_func` должна возвращать итерируемый объект из художников для повторного рисования. Требуемая сигнатура: def init_func() -> iterable_of_artists: `fargs : tuple or None, optional` Дополнительные аргументы, передаваемые в каждый вызов func. `save_count : int, optional` Количество значений из frames для кэширования. `interval : number, optional` Задержка между кадрами в миллисекундах. По умолчанию 200. `repeat_delay : number, optional` Если анимация повторяется, добавляет задержку в миллисекундах перед повторным запуском анимации. По умолчанию `None`. `repeat : bool, optional` Определяет, должна ли анимация повторяться, когда последовательность кадров завершена. По умолчанию `True`. `blit : bool, optional` Управляет использованием блиттинга для оптимизации рисования. Примечание: при использовании блиттинга все анимированные художники будут нарисованы в соответствии с их порядком z. Однако они будут нарисованы поверх любых предыдущих художников, независимо от их порядка z. По умолчанию `False`.

fig : matplotlib.figure.Figure

Объект фигуры, используемый для получения событий рисования, изменения размера и других необходимых событий.

func : callable

Функция, вызываемая для каждого кадра. Первый аргумент будет следующим значением в frames. Дополнительные позиционные аргументы могут быть переданы через параметр fargs.

Требуемая сигнатура:

def func(frame, *fargs) -> iterable_of_artists:

frames : iterable, int, generator function, or None, optional

Источник данных для передачи func и каждого кадра анимации

Если итерируемый объект, то просто используются предоставленные значения. Если у итерируемого объекта есть длина, она переопределяет параметр save_count.

Если целое число, эквивалентно передаче range(frames)

Если функция-генератор, то должна иметь сигнатуру:

def gen_function() -> obj:

Если None, то эквивалентно передаче itertools.count.

Во всех этих случаях значения в frames просто передаются в предоставленную пользователем функцию func, и поэтому могут быть любого типа.

init_func : callable, optional

Функция, используемая для рисования чёткого кадра. Если не указана, используются результаты рисования из первого элемента в последовательности кадров. Эта функция будет вызвана один раз перед первым кадром.

Если blit == True, init_func должна возвращать итерируемый объект из художников для повторного рисования.

Требуемая сигнатура:

def init_func() -> iterable_of_artists:

fargs : tuple or None, optional

Дополнительные аргументы, передаваемые в каждый вызов func.

save_count : int, optional

Количество значений из frames для кэширования.

interval : number, optional

Задержка между кадрами в миллисекундах. По умолчанию 200.

repeat_delay : number, optional

Если анимация повторяется, добавляет задержку в миллисекундах перед повторным запуском анимации. По умолчанию None.

repeat : bool, optional

Определяет, должна ли анимация повторяться, когда последовательность кадров завершена. По умолчанию True.

blit : bool, optional

Управляет использованием блиттинга для оптимизации рисования. Примечание: при использовании блиттинга все анимированные художники будут нарисованы в соответствии с их порядком z. Однако они будут нарисованы поверх любых предыдущих художников, независимо от их порядка z. По умолчанию False.

new_frame_seq() [source]: Создаёт новую последовательность информации о кадрах.

new_saved_frame_seq() [source]: Создаёт новую последовательность сохранённой/кэшированной информации о кадрах.

save(filename, writer=None, fps=None, dpi=None, codec=None, bitrate=None, extra_args=None, metadata=None, extra_anim=None, savefig_kwargs=None)

Сохраняет файл анимации, рисуя каждый кадр.

Параметры:

Параметры:	`filename : str` Имя выходного файла, например, `mymovie.mp4`. `writer : MovieWriter or str, optional` Экземпляр `MovieWriter` для использования или ключ, определяющий используемый класс, такой как 'ffmpeg'. Если `None`, по умолчанию `rcParams["animation.writer"]`. `fps : number, optional` Кадры в секунду в анимации. По умолчанию `None`, что будет использовать указанный интервал анимации для определения кадров в секунду. `dpi : number, optional` Управляет точками на дюйм для кадров анимации. Это в сочетании с размером фигуры в дюймах управляет размером анимации. Если `None`, по умолчанию `rcParams["savefig.dpi"]`. `codec : str, optional` Кодек видео, который будет использоваться. Не все кодеки поддерживаются данным `MovieWriter`. Если `None`, по умолчанию `rcParams["animation.codec"]`. `bitrate : number, optional` Указывает количество бит, используемых в секунду в сжатой анимации, в килобитах в секунду. Более высокое значение означает более высокое качество анимации, но с увеличением размера файла. Если `None`, по умолчанию `rcParams["animation.bitrate"]`. `extra_args : list, optional` Список дополнительных строковых аргументов, которые должны быть переданы базовой утилите анимации. Если `None`, по умолчанию `rcParams["animation.extra_args"]`. `metadata : Dict[str, str], optional` Словарь ключей и значений для метаданных, которые следует включить в выходной файл. Некоторые полезные ключи включают: title, artist, genre, subject, copyright, srcform, comment. `extra_anim : list, optional` Дополнительные объекты `Animation`, которые должны быть включены в сохранённый файл анимации. Эти объекты должны принадлежать одному экземпляру `matplotlib.figure.Figure`. Кроме того, кадры анимации просто объединяются, поэтому между кадрами разных анимаций должна быть 1:1 корреспонденция. `savefig_kwargs : dict, optional` Это словарь, содержащий ключевые аргументы, которые должны быть переданы команде `savefig`, которая вызывается многократно для сохранения отдельных кадров.

filename : str: Имя выходного файла, например, mymovie.mp4.
writer : MovieWriter or str, optional: Экземпляр MovieWriter для использования или ключ, определяющий используемый класс, такой как 'ffmpeg'. Если None, по умолчанию rcParams["animation.writer"].
fps : number, optional: Кадры в секунду в анимации. По умолчанию None, что будет использовать указанный интервал анимации для определения кадров в секунду.
dpi : number, optional: Управляет точками на дюйм для кадров анимации. Это в сочетании с размером фигуры в дюймах управляет размером анимации. Если None, по умолчанию rcParams["savefig.dpi"].
codec : str, optional: Кодек видео, который будет использоваться. Не все кодеки поддерживаются данным MovieWriter. Если None, по умолчанию rcParams["animation.codec"].
bitrate : number, optional: Указывает количество бит, используемых в секунду в сжатой анимации, в килобитах в секунду. Более высокое значение означает более высокое качество анимации, но с увеличением размера файла. Если None, по умолчанию rcParams["animation.bitrate"].
extra_args : list, optional: Список дополнительных строковых аргументов, которые должны быть переданы базовой утилите анимации. Если None, по умолчанию rcParams["animation.extra_args"].
metadata : Dict[str, str], optional: Словарь ключей и значений для метаданных, которые следует включить в выходной файл. Некоторые полезные ключи включают: title, artist, genre, subject, copyright, srcform, comment.
extra_anim : list, optional: Дополнительные объекты Animation, которые должны быть включены в сохранённый файл анимации. Эти объекты должны принадлежать одному экземпляру matplotlib.figure.Figure. Кроме того, кадры анимации просто объединяются, поэтому между кадрами разных анимаций должна быть 1:1 корреспонденция.
savefig_kwargs : dict, optional: Это словарь, содержащий ключевые аргументы, которые должны быть переданы команде savefig, которая вызывается многократно для сохранения отдельных кадров.

Примечания

fps, codec, bitrate, extra_args, metadata используются для создания экземпляра MovieWriter и могут быть переданы только если writer является строкой. Если они переданы как не-None и writer является MovieWriter, будет вызвано исключение RuntimeError.

to_html5_video(embed_limit=None)

Возвращает анимацию в виде тега HTML5 video.

Эта функция сохраняет анимацию как видео h264, закодированное в base64 непосредственно в теге HTML5 video. Она учитывает параметры rc для записи, а также битрейт. Она также использует параметр interval для управления скоростью и параметр repeat для выбора, нужно ли циклировать.

to_jshtml(fps=None, embed_frames=True, default_mode=None): Генерирует HTML-представление анимации

Примеры использования `matplotlib.animation.FuncAnimation`

../../_images/sphx_glr_animate_decay_thumb.png

Распад

../../_images/sphx_glr_animated_histogram_thumb.png

Анимированная гистограмма

../../_images/sphx_glr_bayes_update_thumb.png

Обновление Байеса

<img alt="../../_images/sphx_glr_double_pendulum_sgskip_thumb.png" src="data:image/png;base64,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

Задача двойного математического маятника

Моделирование дождя

<img alt="../../_images/sphx_glr_random_walk_thumb.png" src="data:image/png;base64,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

Анимированная 3D случайная прогулка

../../_images/sphx_glr_simple_anim_thumb.png

Анимированный график линии

../../_images/sphx_glr_strip_chart_thumb.png

Осциллограф

<img alt="../../_images/sphx_glr_unchained_thumb.png" src="data:image/png;base64,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

MATPLOTLIB UNCHAINED

matplotlib.animation.FuncAnimation

Примечания

Примеры использования matplotlib.animation.FuncAnimation

Примеры использования `matplotlib.animation.FuncAnimation`