Learn D3 入门文档:Animation

引子

Learn D3: Shapes 第六篇,只是英文翻译,可修改代码的部分用静态图片替代了,想要实时交互请阅读原文。

正文

与在纸上绘制的图形不同,计算机图形不必是静态的;就像弗兰肯斯坦的怪物一样,他们可以通过动画活过来!✨

Learn D3 入门文档:Animation

上面的折线图逐步显示。这个可有可无的效果,应该谨慎使用,因为它会引起注意,但它至少强化了 x 代表时间,并给一个原本枯燥的图表带来了一丝悬念。

这里的代码类似于我们前面看到的轴渲染:我们选择一个 SVG 路径元素,调用一个函数(reveal)来应用转换,最后将该元素嵌入 HTML 模板文本中。

Learn D3 入门文档:Animation

在我们进入技术细节之前,让我们退一步,更全面地思考一下动画。

动画不是单个图形,而是随时间变化的一系列图形。该序列可以表示为返回给定时间 t 的图形的单元(或函数)。为简单起见,我们通常使用常规时间,其中 t=0 是动画的开始,t=1 是结束。

Learn D3 入门文档:Animation

我们的单元理论上可以返回给定时间 t任何图形,但时间 t 的图形通常与时间 t+ϵ 的图形相似。帧与帧之间的这种相似性有助于观众跟随观看(在上面,仅 stroke-dasharray 属性设置动画;图形的其余部分保持不变。)因此,连续动画通常由离散关键帧定义,中间帧由插值或补格生成。

来看看 stroke-dasharray 属性。它是两个逗号分隔的数字:第一个是虚线(dash)的长度,第二个是虚线之间的间隙长度。如果虚线长度为零,则该线将不可见;如果虚线的长度与直线一样长,那么直线将不会中断。通过调整虚线长度并使间隙至少与直线一样长,这样我们可以控制画多少直线。我们只需要两个关键帧:零虚线长度和线虚线长度。

为了辅助动画(以及其它用途),D3 提供了插值器。其中最通用的是 d3.interpolate,它接受数字、颜色、数字字符串,甚至数组和对象。给定 startvalue 值,d3.interpolate 返回一个函数,这个函数取一个 0 ≤ t ≤ 1 的时间并返回相应的中间值。

Learn D3 入门文档:Animation

定义转换时,可以显式指定插值器(如上所述,使用 transition.attrTween )或让 D3 选择(使用 transition.attrtransition.style)。显式指定允许使用更高级的插值方法,例如缩放gamma 校正的 RGB 混合,甚至形状混合

Learn D3 入门文档:Animation

然而,动画不仅仅是插值:它也是计时。我们需要每秒重画 60 次,并根据实时和动画的期望开始时间和持续时间计算标准化时间 t

到目前为止,我们已经看到了两种计时方法。

第一种依赖于 D3 的变换,创建初始图形,然后开始变换以修改它(插入 stroke-dasharray 数组)。

第二种依赖于 Observable 的数据流,每当引用的 t 发生变化时重新创建图形,并依赖一个 scrubber 进行计时。这比前一种方法效率低,因为图形是在每一帧从头开始创建的,但更容易编写。

Observable 还有另一个控制动画的强大工具:生成器。当生成器单元生成一个值时,其执行将暂停,直到下一个动画帧为止,每秒最多执行 60 次。生成的值可以像整数一样简单,也可以是增量更新的 SVG 元素!

Learn D3 入门文档:Animation
Learn D3 入门文档:Animation

鉴于 Observable 中提供了各种有关动画的方法,该使用哪种呢?这要看情况了!

如果图形足够简单,你可以从头开始重新创建每个帧,或者如果实际上你不需要动画转换,则以声明方式编写图形。换句话说,什么也不做!得益于 Observable 的数据流,“静态”图形可以在不更改代码的情况下作出响应、交互或动画。

另一方面,对于性能需要高效增量更新的更复杂的动态图形,使用转换或生成器。

你还可以将各种方法结合起来。下图最初是静态的,但给定 x 域一个转换的 chart.update 方法;当单选值更改时,另一个单元将调用此方法。(此代码使用 d3 选择器而不是 HTML 模板文本编写,但图形结构与前面的示例相同,因此请尝试通过比较推断代码的含义。)

Learn D3 入门文档:Animation
Learn D3 入门文档:Animation

通过提供一个或多个更新方法,图表可以有选择地为特定值更改的转换设置动画。如果有任何其它变化,图表将回到被动反应状态,并从头开始重新绘制。

(如果你想知道:你可以在单独的单元中定义更新,而不是将其作为方法暴露。但是,不建议这样做,因为编辑更新代码不会从头开始重新绘制图表,这可能会导致不确定性的行为。

上一篇:机器学习的数学基础笔记①


下一篇:用scikit-learn研究局部线性嵌入(LLE)