京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:俊欣
来源:关于数据分析与可视化
在上一篇教程当中,我们讲了Python在图片处理当中的应用,通过调用当中的opencv的模块,那么今天小编就和大家来分享一下Python同样也可以用来制作视频,也就是调用moviepy的模块。
Moviepy是一个用于视频剪辑的Python模块,可被用来进行一些基本的视频剪辑操作,例如视频的拼接、音频视频的合成、添加一些基本的转场等操作,它可以对大多数格式的视频文件进行读取,包括MP4以及GIF。
那么我们首先通过pip命令来安装该模块,
pip install moviepy
不同版本的moviepy版本在使用上也存在着出入,这里小编使用的是1.0.1版本
在安装好了该模块之后,接下来我们来简单地制作一张视频,步骤也是非常的简单,我们读取若干张照片,将这些照片合成一条视频,并且添加上简单的转场效果。代码如下
import os from moviepy.editor import * from moviepy.video.compositing.transitions import crossfadein
filelist = os.listdir("../images/")
clips_list = [] for item in filelist: if item.endswith('.png') or item.endswith('.jpg'): # 判断图片后缀是否是.png photo_path = "./images/{}".format(item)
clips1 = ImageClip(photo_path).set_duration(0.5).fx(crossfadein, 1)
clips_list.append(clips1)
video_clip = concatenate_videoclips(clips_list, method="compose")
video_clip.write_videofile("test.mp4", fps=24, remove_temp=True)
output
那既然涉及到了转场效果的添加,这里引用的是moviepy.video.compositing.transitions当中的渐入渐出的转场效果(crossfadein/crossfadeout),从整体的代码逻辑上来看,我们在读取了图片之后,分别在后面添加上转场效果,转场的时长为0.5秒,最后我们将这些带有转场效果的图片合成一条视频并且保存到指定的路径。
经过上面的实践之后,我们合成出来的视频是没有背景音乐的,moviepy模块还能够为视频添加BGM,代码如下
videoclip = VideoFileClip("video.mp4")
audioclip = AudioFileClip("audio.mp3")
finalclip = videoclip.set_audio(audioclip)
finalclip.write_videofile("final_result.mp4", fps=60, remove_temp=True, codec="libx264")
output
小编所使用的的版本的moviepy,需要去修改源代码当中的部分代码才可以成功地在视频当中添加音频,具体的位置是在site-packagesmoviepyvideoioffmpeg_writer.py当中的第86行的-an参数去除掉
我们也可以在现有视频的基础上进二创,例如对视频进行缩放、翻转等等。例如对视频进行垂直或者是水平方向上的翻转,代码如下
clip1 = VideoFileClip("video.mp4") clip2 = clip1.fx(vfx.mirror_x) clip3 = clip1.fx(vfx.mirror_y)
当然我们也可以对视频进行缩放,例如缩放60%,代码如下
clip4 = clip1.resize(0.60)
所有的代码如下所示
from moviepy.editor import VideoFileClip, clips_array, vfx
clip1 = VideoFileClip("out.mp4").margin(10) # 添加空隙 clip2 = clip1.fx(vfx.mirror_x)
clip3 = clip1.fx(vfx.mirror_y)
clip4 = clip1.resize(0.60) # 缩小60% final_clip = clips_array([[clip1, clip2],
[clip3, clip4]])
final_clip.resize(width=480).write_videofile("my_stack.mp4")
output
倘若我们想从视频当中截图一部分出来,调用的是subclip()方法,代码如下
clip = VideoFileClip("video.mp4")
clip_2 = clip.subclip(5, 10) # 截取5-10秒的部分出来 clip_2.write_videofile("video_2.mp4")
最后moviepy模块也可以和matplotlib可视化模块相结合来制作动图,通过自定义一个函数来生成一帧一帧的图画,最后生成一个gif动图,代码如下
x = np.linspace(-5, 5, 200) duration = 5 fig, ax = plt.subplots() def build_frame(t): ax.clear() ax.plot(x, np.sin(x**2) + np.sinc(x + 2*np.pi/duration * t), lw=5) ax.set_ylim(-2.5, 2.5) return mplfig_to_npimage(fig) animation = VideoClip(build_frame, duration=duration) animation.write_gif('movie_matplotlib.gif', fps=60)
output
CDA数据分析师分享内容,欢迎转发
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14