Python 算法的动画可视化
我想知道是否有一种方法可以创建一个漂亮的可视化(在Python中)类似于包含图形的算法 如果在Python中有一种方法可以帮助将算法代码中执行的每个逻辑步骤转换为一个整洁的实时演示,那将是非常好的 在维基百科上阅读关于TSP的文章时,我发现:Python 算法的动画可视化,python,matplotlib,networkx,Python,Matplotlib,Networkx,我想知道是否有一种方法可以创建一个漂亮的可视化(在Python中)类似于包含图形的算法 如果在Python中有一种方法可以帮助将算法代码中执行的每个逻辑步骤转换为一个整洁的实时演示,那将是非常好的 在维基百科上阅读关于TSP的文章时,我发现: 我一直都是通过使用matplotlib创建的单独绘图来完成的 一个示例程序是: 创建多个绘图并将其另存为图像文件 在每个保存的图像文件上循环,并使用opencv 使用opencv将所有图像文件编译成单个视频文件 下面是一些简化的示例代码 import cv
我一直都是通过使用matplotlib创建的单独绘图来完成的 一个示例程序是:
opencv
opencv
将所有图像文件编译成单个视频文件import cv2
import os
import matplotlib.pyplot as plt
# create a single plot
plt.plot([1,2,3], [3, 7, 11])
# save plot as an image
plt.savefig(plot_directory\plot_name.jpg, format='jpg', dpi=250)
plt.show()
def create_video(image_folder, video_name, fps=8, reverse=False):
"""Create video out of images saved in a folder."""
images = [img for img in os.listdir(image_folder) if img.endswith('.jpg')]
if reverse: images = images[::-1]
frame = cv2.imread(os.path.join(image_folder, images[0]))
height, width, layers = frame.shape
video = cv2.VideoWriter(video_name, -1, fps, (width,height))
for image in images:
video.write(cv2.imread(os.path.join(image_folder, image)))
cv2.destroyAllWindows()
video.release()
# use opencv to read all images in a directory and compile them into a video
create_video('plot_directory', 'my_video_name.avi')
在create_video
功能中,我添加了反转帧顺序和设置每秒帧数(fps)的选项。
正是使用这种方法创建的
要应用于示例代码,请尝试将所有绘图函数放入for
循环中。这应该会在您在边上迭代的每个tome上生成绘图。然后,每次生成绘图时,都可以将该绘图保存到文件中。大概是这样的:
import random
from itertools import combinations
from math import sqrt
import itertools
from _collections import OrderedDict
import networkx as nx
import numpy as np
from matplotlib import pyplot as plt
random.seed(42)
n_points = 10
def dist(p1, p2):
return sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2)
points = [(random.random(), random.random()) for _ in range(n_points)]
named_points = {i: j for i, j in zip(itertools.count(), points)}
weighted_edges = dict()
tree_id = [None] * n_points
min_tree = []
for v1, v2 in combinations(named_points.values(), 2):
d = dist(v1, v2)
weighted_edges.update({d: ((list(named_points.keys())[list(named_points.values()).index(v1)]),
(list(named_points.keys())[list(named_points.values()).index(v2)]))
}
)
for i in range(n_points):
tree_id[i] = i
sorted_edges = OrderedDict(sorted(weighted_edges.items(), key=lambda t: t[0]))
list_edges = sorted_edges.values()
for edge in list_edges:
if tree_id[edge[0]] != tree_id[edge[1]]:
min_tree.append(edge)
old_id = tree_id[edge[0]]
new_id = tree_id[edge[1]]
for j in range(n_points):
if tree_id[j] == old_id:
tree_id[j] = new_id
print(min_tree)
G = nx.Graph()
G.add_nodes_from(range(n_points))
G.add_edges_from(list_edges)
green_edges = min_tree
G = nx.Graph()
G.add_nodes_from(range(n_points))
G.add_edges_from(list_edges)
edge_colors = ['black' if not edge in green_edges else 'red' for edge in G.edges()]
pos = nx.spiral_layout(G)
G2 = nx.Graph()
G2.add_nodes_from(range(n_points))
G2.add_edges_from(min_tree)
pos2 = nx.spiral_layout(G2)
plt.figure(1)
nx.draw(G, pos, node_size=700, edge_color=edge_colors, edge_cmap=plt.cm.Reds, with_labels = True)
plt.figure(2)
nx.draw(G2, pos2, node_size=700, edge_color='green', edge_cmap=plt.cm.Reds, with_labels = True)
plt.show()
它看起来和我想要的完全一样,但是如何创建多个图,我需要为我的算法的每个步骤创建一个图,这是现在的问题..你可能应该决定需要多少个步骤,然后在循环中更新你的算法。在循环的每一步,您都可以创建一个新的绘图并保存它。我添加了一个示例代码,如果您能提出一些建议,我将不胜感激。在这种情况下,我理解您的意思,但对我来说,这样做并不简单,因为当它选择边时,一切都是以某种方式在内部完成的