如何用python制作三维动画

胡辉

2025-09-11

向TA提问

python主要应用领域：

1、云计算：

PYTHON语言算是云计算最火的语言， 典型应用OpenStack。

2、WEB前端开发

python相比php\ruby的模块化设计，非常便于功能扩展；多年来形成了大量优秀的web开发框架，并且在不断迭代；如目前优秀的全栈的django、框架flask，都继承了python简单、明确的风格，开发效率高、易维护，与自动化运维结合性好。

python已经成为自动化运维平台领域的事实标准；众多大型网站均为Python开发，Youtube,Dropbox,豆瓣。

3、人工智能应用

基于大数据分析和深度学习而发展出来的人工智能本质上已经无法离开python的支持，目前世界优秀的人工智能学习框架如Google的TransorFlow、FaceBook的PyTorch以及开源社区的神经网络库Karas等是用python实现的。

甚至微软的CNTK（认知工具包）也完全支持Python，而且微软的Vscode都已经把Python作为第一级语言进行支持。

4、系统运维工程项目

Python在与操作系统结合以及管理中非常密切，目前所有linux发行版中都带有python，且对于linux中相关的管理功能都有大量的模块可以使用，例如目前主流的自动化配置管理工具：SaltStackAnsible（目前是RedHat的）。

目前在几乎所有互联网公司，自动化运维的标配就是python+Django/flask，在虚拟化管理方面已经是事实标准的openstack就是python实现的，所以Python是所有运维人员的必备技能。

5、金融理财分析

量化交易，金融分析，在金融工程领域，Python语言不但在用，且用的最多，而且重要性逐年提高。原因：作为动态语言的Python，语言结构清晰简单，库丰富，成熟稳定，科学计算和统计分析都很牛逼，生产效率远远高于c,c++,java,尤其擅长策略回测。5、大数据分析

Python语言相对于其它解释性语言最大的特点是其庞大而活跃的科学计算生态，在数据分析、交互、可视化方面有相当完善和优秀的库（python数据分析栈：NumpyPandasScipyMatplotlipIpython）

并且还形成了自己独特的面向科学计算的Python发行版Anaconda，而且这几年一直在快速进化和完善，对传统的数据分析语言如RMATLABSASStata形成了非常强的替代性。

参考资料：百度百科_Python

厉害了我的哥

2025-09-11

向TA提问

要使用Python制作三维动画，你可以使用一些库和工具，如matplotlib, numpy和mayavi等。以下是一个简单的步骤指南：

1. 安装必要的库和软件：你需要在你的计算机上安装Python，可以使用Anaconda发行版，它包含了大部分常用的科学计算库。你需要安装matplotlib，numpy和mayavi这些库。你可以使用pip命令来安装它们。

2. 导入库：在Python脚本中，你需要导入所需的库。你可以使用以下代码导入matplotlib和numpy：

```python

import matplotlib.pyplot as plt

import numpy as np

```

如果你还想使用mayavi库，你可以使用以下代码导入它：

```python

from mayavi import mlab

```

3. 创建三维空间：使用matplotlib或mayavi库来创建一个三维空间。对于matplotlib，你可以使用以下代码创建一个3D坐标系：

```python

fig = plt.figure()

ax = fig.add_subplot(111, projection=\'3d\')

```

对于mayavi，你可以使用以下代码创建一个三维场景：

```python

mlab.figure()

```

4. 添加对象：你可以添加各种对象到你的三维空间中，如点，线，面和图像等。你可以使用以下代码添加一个3D点到matplotlib的三维坐标系中：

```python

x = np.random.normal(size=100)

y = np.random.normal(size=100)

z = np.random.normal(size=100)

ax.scatter(x, y, z)

```

对于mayavi，你可以使用以下代码添加一个3D点到场景中：

```python

mlab.points3d(x, y, z)

```

你还可以通过调整参数来控制对象的外观和行为，如颜色，大小，透明度和动画效果等。

5. 渲染和显示动画：你需要渲染和显示你的三维动画。对于matplotlib，你可以使用以下代码来显示你的动画：

```python

plt.show()

```

对于mayavi，你可以使用以下代码来显示你的动画：

```python

mlab.show()

```

你还可以使用适当的循环和更新机制来实现动画效果，例如使用for循环和定时器来更新对象的位置或形状。

希望这个简单的步骤指南对你有所帮助，开始制作自己的三维动画吧！

Eileen喵喵

2025-09-11

向TA提问

一般来说在三维动画公司总监分制作总监，技术总监，艺术总监还有你说的设计总监，叫法不一样，其实有些是相通的，制作总监主要是负责各个部门的协调工作，解决各部门制作上的问题，会少许涉及到制作上的技术问题，但还是侧重各部门制作中遇到的一些问题的监督，解决和沟通。艺术总监和设计总监比较相似，把控成片最终艺术上的视觉综合效果。技术总监当然是负责各部门出现的bug，为了达到某些效果所提供的技术支持，编写脚本，mel,python等插件。其实有些公司自己也分不清他所要招聘的职位所需具备的能力，比较含糊，笼统。越大型的动画公司他的职位分的越细，越小规模越少，当然需要的综合能力越强。即使这样我们来看下通常情况下他们招聘这个设计或者艺术总监所需的要求的描述。A:笼统型描述范例：职位要求： 熟悉动画制作流程，能独立完成动画短片制作，年薪5-10万。 B:比较具体列举型：1．三年以上大中型影视动画、游戏公司动画制作工作经验；一年以上项目管理工作经验；

2．能熟练使用3D Max或Maya，AE, Photoshop等常用动画设计软件；

3．具有优秀的组织管理能力及良好的服务意识和责任感，良好的语言表达能力和理解力；

4．擅长三维动画制作、特效制作、平面设计；

5．有影视、游戏开发公司主管及相关管理经验者优先考虑。等等，更多的要求你去网上找找就知道了，最直接的是你要应聘的公司去看他的要求就可以了，对症下药。不管如何，总监级别的都是要求综合能力比较强，整体控制协调能力，还有沟通应变能力要好，经验丰富的人。

林尧尧

2025-09-11

向TA提问

除了3D max 外 主流三维软件就是DESK公司的MAYA了，一般来说从来没用过这两款软件的话建议先学3DMAX，因为3DMAX就是最基本的。再者3DMAX和MAYA同是DESK公司的产品，他们之间有不同之处3DMAX主要是场景建模，室内设计方面的软件；而MAYA却是3D动画一流的软件。在功能上：MAYA比3DMAX的效果好我不否认，但是不能说MAYA将3DMAX淘汰了！MAYA用于动画方面，它比3DMAX精细的多，3DMAX在大场景方面很好，但动画方面先天不足，加上DAKE几乎放弃3DMAX的后期特效（VIDEO POST几乎停滞无发展）但MAYA如果做场景等复杂的模型那是很要命的！通常情况下3DMAX和欧特克MAYA结合使用时比较满意的效果。但是做室内效果图的话3DMAX合内置MR渲染器就已经很完美了，如再加上外置渲染器VR就非常“嚣张”了，而MAYA费时效果且并不比3DMAX好。如果是搞室内外建筑设计的话3DMAX够了，MAYA不好的而动画方面必须都会，3DMAX是基础，MAYA是提高。希望对你有帮助 总之：不能笼统的判断哪个好学就学哪个，必须结合实际，根据自身的专业选择合适的软件。

我们没有明天

2025-09-11

向TA提问

3D建模软件有下列几种：

一、C4D软件主要还是用于影视特效和影视包装等。

C4D是德国的MAXON公司开发的三维图像制作软件，以其高的运算速度和强大的渲染插件著称。

C4D具备入门轻松，简单上手，渲染迅速，有各种插件。

图图质量极高，应用领域广阔。C4D软件对3D软件兼容性极高。

C4D这个软件渲染的效果很好。

C4D最简单，随便用AI或CDR画个平面，挤压一下就是立体。

现在C4D已成为电商页面设计中不可缺少的一种表现技巧，更多的创意能通过C4D来表现，而且直接地快速地产生商业价值。

如果你需要好的学习环境，好的学习资源，这里欢迎每一位热爱游戏动漫模型的小伙伴，想要学习次世代3D建模，可以加下建模学习交流Q裙：⑤⑤⑨③⑦⑥⑤⑦⑦，提供3Dmax、Zbrush次时代等游戏建模教学，让你有一个明确的学习路线，快速提升自己。二、3DMAX建筑、装修设计用。

3dmax主要用于室内、室外、游戏、动画、影视特效等这几方面。三、C4D 和3DMax之比较

都是三维软件，功能都很强大，但是区别在于各自的主要应用领域不同，C4D一般用于栏目包装，在这个方面有很多模块比另外两个强大很多，也方便很多。

3Dmax更倾向于建筑、装修设计和工业设计。四、UG（Unigraphics NX）是Siemens PLM Software公司出品的一个产品工程解决方案，它为用户的产品设计及加工过程提供了数字化造型和验证手段。

Unigraphics NX针对用户的虚拟产品设计和工艺设计的需求，提供了经过实践验证的解决方案。

UG同时也是用户指南（user guide）和普遍语法（Universal Grammar）的缩写。

UG里面自带的光线追踪渲染出来的。五、KeyShot

意为“The Key to Amazing Shots”，是一个互动性的光线追踪与全域光渲染程序，无需复杂的设定即可产生相片般真实的 3D 渲染影像。

专门的渲染软件Keyshot，操作简单功能强大，支持市面上常用的三维模型，导入既可使用。六、3D One

3D One软件是全国首创的青少年三维创意设计软件，是助力中小学培养创新思维和开展创新教学的重要工具。

3D One已广泛应用于通用技术、信息技术、综合实践等学科领域，与趣味编程、机器人、开源硬件、3D打印机、激光切割机等技术融合协同发展，将创想转化为实物，激发学生自主学习的热情，积极地发挥学生的主观能动性和创造性，推动中小学生从软件应用能力向创新能力素养的转变。七、sketch up。

SketchUp又名“草图大师”， 是一款可供您用于创建、共享和展示 3D 模型的软件。不同于3dsmax，它是平面建模。通过一个使用简单、内容详尽的颜色、线条和文本提示指导系统，让人们不必键入坐标，就能帮助其跟踪位置和完成相关建模操作。

就像人们在实际生活中使用的工具那样，SketchUp 为数不多的工具中每一样都可做多样工作。八、SolidWorks。

简称“SW”。

SolidWorks是达索系统（Dassault Systemes ）下的子公司，专门负责研发与销售机械设计软件的视窗产品，公司总部位于美国马萨诸塞州。九、犀牛

Rhino是由美国Robert McNeel公司于1998年推出的一款基于NURBS为主的三维建模软件。

Rhino软件，Rhino英文全名为Rhinoceros，中文称之为犀牛，于1998年8月正式上市，是美国Robert McNeel & Assoc开发的PC上强大的专业3D造型软件。

大丰

2025-09-11

向TA提问

Plotly Express 是一个新的高级 Python 可视化库：它是 Plotly.py 的高级封装，它为复杂的图表提供了一个简单的语法。 受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，您就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。 它带有数据集、颜色面板和主题，就像 Plotly.py 一样。Plotly Express 完全免费：凭借其宽松的开源 MIT 许可证，您可以随意使用它（是的，甚至在商业产品中！）。 Plotly Express 与 Plotly 生态系统的其他部分完全兼容：在您的 Dash 应用程序中使用它，使用 Orca 将您的数据导出为几乎任何文件格式，或使用JupyterLab 图表编辑器在 GUI 中编辑它们！用 pip install plotly_express 命令可以安装 Plotly Express。一旦导入Plotly Express（通常是 px ），大多数绘图只需要一个函数调用，接受一个整洁的Pandas dataframe，并简单描述你想要制作的图。 如果你想要一个基本的散点图，它只是 px.scatter（data，x =“column_name”，y =“column_name”）。以下是内置的 Gapminder 数据集的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：如果你想通过大陆区分它们，你可以使用 color 参数为你的点着色，由 px 负责设置默认颜色，设置图例等：这里的每一点都是一个国家，所以也许我们想要按国家人口来衡量这些点...... 没问题：这里也有一个参数来设置，它被称为 size：如果你好奇哪个国家对应哪个点？ 可以添加一个 hover_name ，您可以轻松识别任何一点：只需将鼠标放在您感兴趣的点上即可！ 即使没有 hover_name ，整个图表也是互动的：也可以通过 facet_col =”continent“ 来轻松划分各大洲，就像着色点一样容易，并且让我们使用 x轴 对数（log_x）以便在我们在图表中看的更清晰：也许你不仅仅对 2007年 感兴趣，而且你想看看这张图表是如何随着时间的推移而演变的。 可以通过设置 animation_frame=“year” （以及 animation_group =“country” 来标识哪些圆与控制条中的年份匹配）来设置动画。 在这个最终版本中，让我们在这里调整一些显示，因为像“gdpPercap” 这样的文本有点难看，即使它是我们的数据框列的名称。 我们可以提供更漂亮的“标签” （labels），可以在整个图表、图例、标题轴和悬停（hovers）中应用。 我们还可以手动设置边界，以便动画在整个过程中看起来更棒：因为这是地理数据，我们也可以将其表示为动画地图，因此这清楚地表明 Plotly Express 不仅仅可以绘制散点图（不过这个数据集缺少前苏联的数据）。Plotly Express 支持三维散点图、三维线形图、极坐标和地图上三元坐标以及二维坐标。 条形图（Bar）有二维笛卡尔和极坐标风格。进行可视化时，您可以使用单变量设置中的直方图（histograms）和箱形图（box）或小提琴图（violin plots），或双变量分布的密度等高线图（density contours）。 大多数二维笛卡尔图接受连续或分类数据，并自动处理日期/时间数据。 可以查看我们的图库 (ref-3) 来了解每个图表的例子。数据 探索 的主要部分是理解数据集中值的分布，以及这些分布如何相互关联。 Plotly Express 有许多功能来处理这些任务。使用直方图（histograms），箱形图（box）或小提琴图（violin plots）可视化单变量分布：直方图：箱形图：小提琴图： 还可以创建联合分布图（marginal rugs），使用直方图，箱形图（box）或小提琴来显示双变量分布，也可以添加趋势线。 Plotly Express 甚至可以帮助你在悬停框中添加线条公式和R值！ 它使用 statsmodels 进行普通最小二乘（OLS）回归或局部加权散点图平滑（LOWESS）。在上面的一些图中你会注意到一些不错的色标。 在 Plotly Express 中， px.colors 模块包含许多有用的色标和序列：定性的、序列型的、离散的、循环的以及所有您喜欢的开源包：ColorBrewer、cmocean 和 Carto 。 我们还提供了一些功能来制作可浏览的样本供您欣赏（ref-3）：定性的颜色序列：众多内置顺序色标中的一部分：我们特别为我们的交互式多维图表感到自豪，例如散点图矩阵（SPLOMS）、平行坐标和我们称之为并行类别的并行集。 通过这些，您可以在单个图中可视化整个数据集以进行数据 探索 。 在你的Jupyter 笔记本中查看这些单行及其启用的交互：散点图矩阵（SPLOM）允许您可视化多个链接的散点图：数据集中的每个变量与其他变量的关系。 数据集中的每一行都显示为每个图中的一个点。 你可以进行缩放、平移或选择操作，你会发现所有图都链接在一起！平行坐标允许您同时显示3个以上的连续变量。 dataframe 中的每一行都是一行。 您可以拖动尺寸以重新排序它们并选择值范围之间的交叉点。并行类别是并行坐标的分类模拟：使用它们可视化数据集中多组类别之间的关系。Plotly Express 之于 Plotly.py 类似 Seaborn 之于 matplotlib：Plotly Express 是一个高级封装库，允许您快速创建图表，然后使用底层 API 和生态系统的强大功能进行修改。 对于Plotly 生态系统，这意味着一旦您使用 Plotly Express 创建了一个图形，您就可以使用Themes，使用 FigureWidgets 进行命令性编辑，使用 Orca 将其导出为几乎任何文件格式，或者在我们的 GUI JupyterLab 图表编辑器中编辑它 。主题（Themes）允许您控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。 您可以使用模板参数应用任何命名的主题或主题对象：有三个内置的 Plotly 主题可以使用， 分别是 plotly， plotlywhite 和 plotlydark。px 输出继承自 Plotly.py 的 Figure 类 ExpressFigure 的对象，这意味着你可以使用任何 Figure 的访问器和方法来改变 px生成的绘图。 您可以将 .update（） 调用链接到 px 调用以更改图例设置并添加注释。 .update（） 现在返回修改后的数字，所以你仍然可以在一个很长的 Python 语句中执行此操作：在这里，在使用 Plotly Express 生成原始图形之后，我们使用 Plotly.py 的 API 来更改一些图例设置并添加注释。Dash 是 Plotly 的开源框架，用于构建具有 Plotly.py 图表的分析应用程序和仪表板。Plotly Express 产生的对象与 Dash 100％兼容，只需将它们直接传递到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 这是一个非常简单的 50行 Dash 应用程序的示例，它使用 px 生成其中的图表：这个 50 行的 Dash 应用程序使用 Plotly Express 生成用于浏览数据集的 UI 。可视化数据有很多原因：有时您想要提供一些想法或结果，并且您希望对图表的每个方面施加很多控制，有时您希望快速查看两个变量之间的关系。 这是交互与 探索 的范畴。Plotly.py 已经发展成为一个非常强大的可视化交互工具：它可以让你控制图形的几乎每个方面，从图例的位置到刻度的长度。 不幸的是，这种控制的代价是冗长的：有时可能需要多行 Python 代码才能用 Plotly.py 生成图表。我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于 探索 和快速迭代。我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表。 正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表。支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入。 每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让您直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列。 当您键入 px.scatter（data，x =col1，y=col2） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置）。 这种方法的强大之处在于它以相同的方式处理所有可视化变量：您可以将数据框列映射到颜色，然后通过更改参数来改变您的想法并将其映射到大小或进行行分面（facet-row）。接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间，因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧。 如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的。仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：您整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑您的数据！在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名，以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar， scatter_ternary）所以你可以通过自动补全来发现它们。 我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数，特别是它们的坐标系。 也就是说，共享坐标系的函数集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习。 我们还花了很多精力来提出简短而富有表现力的名称，这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中。Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展。所以不要犹豫，立即开始使用 Plotly Express 吧！