百木园前言
天气预报我们每天都会关注，我们可以根据未来的天气增减衣物、安排出行，每天的气温、风速风向、相对湿度、空气质量等成
为关注的焦点。本次使用python中requests和BeautifulSoup库对中国天气网当天和未来14天的数据进行爬取，保存为csv文件，之
后用matplotlib、numpy、pandas对数据进行可视化处理和分析，得到温湿度度变化曲线、空气质量图、风向雷达图等结果，为获
得未来天气信息提供了有效方法。
1、数据获取
请求网站链接
首先查看中国天气网的网址：http://www.weather.com.cn/weather/101280701.shtml这里就访问本地的天气网址，如果想爬取不同
的地区只需修改最后的101280701地区编号即可，前面的weather代表是7天的网页，weather1d代表当天，weather15d代表未来
14天。这里就主要访问7天和14天的中国天气网。采用requests.get()方法，请求网页，如果成功访问，则得到的是网页的所有字
符串文本。这就是请求过程。
Python学习交流Q群：906715085### def getHTMLtext(url): \"\"\"请求获得网页内容\"\"\" try: r = requests.get(url, timeout = 30) r.raise_for_status() r.encoding = r.apparent_encoding print(\"成功访问\") return r.text except: print(\"访问错误\") return\" \"
提取有用信息
这里采用BeautifulSoup库对刚刚获取的字符串进行数据提取，首先对网页进行检查，找到需要获取数据的标签：
可以发现7天的数据信息在div标签中并且id=“7d”，并且日期、天气、温度、风级等信息都在ul和li标签中，所以我们可以使用
BeautifulSoup对获取的网页文本进行查找div标签id=“7d”，找出他包含的所有的ul和li标签，之后提取标签中相应的数据值，保存
到对应列表中。
这里要注意一个细节就是有时日期没有最高气温，对于没有数据的情况要进行判断和处理。另外对于一些数据保存的格式也要提
前进行处理，比如温度后面的摄氏度符号，日期数字的提取，和风级文字的提取，这需要用到字符查找及字符串切片处理。
Python学习交流Q群：906715085### def get_content(html): \"\"\"处理得到有用信息保存数据文件\"\"\" final = [] # 初始化一个列表保存数据 bs = BeautifulSoup(html, \"html.parser\") # 创建BeautifulSoup对象 body = bs.body data = body.find(\'div\', {\'id\': \'7d\'}) # 找到div标签且id = 7d
下面爬取当天的数据
Python学习交流Q群：906715085#### data2 = body.find_all(\'div\',{\'class\':\'left-div\'}) text = data2[2].find(\'script\').string text = text[text.index(\'=\')+1 :-2] # 移除改var data=将其变为json数据 jd = json.loads(text) dayone = jd[\'od\'][\'od2\'] # 找到当天的数据 final_day = [] # 存放当天的数据 count = 0 for i in dayone: temp = [] if count <=23: temp.append(i[\'od21\']) # 添加时间 temp.append(i[\'od22\']) # 添加当前时刻温度 temp.append(i[\'od24\']) # 添加当前时刻风力方向 temp.append(i[\'od25\']) # 添加当前时刻风级 temp.append(i[\'od26\']) # 添加当前时刻降水量 temp.append(i[\'od27\']) # 添加当前时刻相对湿度 temp.append(i[\'od28\']) # 添加当前时刻控制质量 #print(temp) final_day.append(temp) count = count +1
下面爬取7天的数据
ul = data.find(\'ul\') # 找到所有的ul标签 li = ul.find_all(\'li\') # 找到左右的li标签 i = 0 # 控制爬取的天数 for day in li: # 遍历找到的每一个li if i < 7 and i > 0: temp = [] # 临时存放每天的数据 date = day.find(\'h1\').string # 得到日期 date = date[0:date.index(\'日\')] # 取出日期号 temp.append(date) inf = day.find_all(\'p\') # 找出li下面的p标签,提取第一个p标签的值，即天气 temp.append(inf[0].string) tem_low = inf[1].find(\'i\').string # 找到最低气温 if inf[1].find(\'span\') is None: # 天气预报可能没有最高气温 tem_high = None else: tem_high = inf[1].find(\'span\').string # 找到最高气温 temp.append(tem_low[:-1]) if tem_high[-1] == \'℃\': temp.append(tem_high[:-1]) else: temp.append(tem_high) wind = inf[2].find_all(\'span\') # 找到风向 for j in wind: temp.append(j[\'title\']) wind_scale = inf[2].find(\'i\').string # 找到风级 index1 = wind_scale.index(\'级\') temp.append(int(wind_scale[index1-1:index1])) final.append(temp) i = i + 1 return final_day,final
同样对于/weather15d：15天的信息，也做同样的处理，这里经过查看后发现他的15天网页中只有8-14天，前面的1-7天
在/weather中，这里就分别访问两个网页将爬取得到的数据进行合并得到最终14天的数据。- 前面是未来14天的数据爬取过程，
对于当天24小时的天气信息数据，经过查找发现他是一个json数据，可以通过json.loads()
方法获取当天的数据，进而对当天的天气信息进行提取。
保存csv文件
前面将爬取的数据添加到列表中，这里引入csv库，利用f_csv.writerow(header)和f_csv.writerows(data)方法，分别写入表头和每
一行的数据，这里将1天和未来14天的数据分开存储，分别保存为weather1.csv和weather14.csv，下面是他们保存的表格图：
2.可视化分析
当天温度变化曲线图
采用matplotlib中plt.plot()方法绘制出一天24小时的温度变化曲线，并用plt.text()方法点出最高温和最低温，并画出平均温度线，下
图为温度变化曲线图：(代码见附录)
分析可以发现这一天最高温度为33℃，最低温度为28℃，并且平均温度在20.4℃左右，通过对时间分析，发现昼夜温差5℃，低
温分布在凌晨，高温分布在中午到下午的时间段。
当天相对湿度变化曲线图
采用matplotlib中plt.plot()方法绘制出一天24小时的湿度变化曲线，并画出平均相对湿度线，下图为湿度变化曲线图：(代码见附录)
分析可以发现这一天最高相对湿度为86%，最低相对湿度为58℃，并且平均相对湿度在75%左右，通过对时间分析，清晨的湿度
比较大，而下午至黄昏湿度较小。
温湿度相关性分析图
经过前面两个图的分析我们可以感觉到温度和湿度之间是有关系的，为了更加清楚直观地感受这种关系，使用plt.scatter()方法将
温度为横坐标、湿度为纵坐标，每个时刻的点在图中点出来，并且计算相关系数，下图为结果图：
分析可以发现一天的温度和湿度具有强烈的相关性，他们呈负相关，这就说明他们时间是负相关关系，并且进一步分析，当温度
较低时，空气中水分含量较多，湿度自然较高，而温度较高时，水分蒸发，空气就比较干 燥，湿度较低，符合平时气候现象。
空气质量指数柱状图
空气质量指数AQI是定量描述空气质量状况的指数，其数值越大说明空气污染状况越重，对人体健康的危害也就越大。一般将空
气质量指数分为6个等级，等级越高说明污染越严重，下面使用plt.bar方法对一天24小时的空气质量进行了柱状图绘制，并且根据
6个等级的不同，相应的柱状图的颜色也从浅到深，也表明污染逐步加重，更直观的显示污染情况，并且也将最高和最低的空气质
量指数标出，用虚线画出平均的空气质量指数，下图是绘制结果图：
上面这张是南方珠海的控制质量图，可以看出空气质量指数最大也是在健康范围，说明珠海空气非常好，分析可以发现这一天最
高空气质量指数达到了35，最低则只有14，并且平均在25左右，通过时间也可以发现，基本在清晨的时候是空气最好的时候（4-
9点），在下午是空气污染最严重的时候，所以清晨一般可以去外面呼吸新鲜的空气，那时污染最小。
而下面这个空气质量图是选取的北方的一个城市，可以看到这里的环境远远比不上珠海。
风向风级雷达图
统计一天的风力和风向，由于风力风向使用极坐标的方式展现较好，所以这里采用的是极坐标的方式展现一天的风力风向图，将
圆分为8份，每一份代表一个风向，半径代表平均风力，并且随着风级增高，蓝色加深，最后结果如下所示：
分析可以发现这一天西南风最多，平均风级达到了1.75级，东北风也有小部分1.0级，其余空白方向无来风。
未来14天高低温变化曲线图
统计未来14天的高低温度变化，并绘制出他们的变化曲线图，分别用虚线将他们的平均气温线绘制出来，最后结果如下所示：
分析可以发现未来14天高温平均气温为30.5℃，温度还是比较高，但是未来的第8天有降温，需要做好降温准备，低温前面处于平
稳趋势，等到第8天开始下降，伴随着高温也下降，整体温度下降，低温平均在27℃左右。
未来14天风向风级雷达图
统计未来14天的风向和平均风力，并和前面一样采用极坐标形式，将圆周分为8个部分，代表8个方向，颜色越深代表风级越高，
最后结果如下所示：
分析可以发现未来14天东南风、西南风所占主要风向，风级最高达到了5级，最低的西风平均风级也有3级。
未来14天气候分布饼图
统计未来14天的气候，并求每个气候的总天数，最后将各个气候的饼图绘制出来，结果如下所示：
分析可以发现未来14天气候基本是“雨”、“阴转雨”和“阵雨”，下雨的天数较多,结合前面的气温分布图可以看出在第8-9天气温高温
下降，可以推测当天下雨，导致气温下降。
3、结论
1.首先根据爬取的温湿度数据进行的分析，温度从早上低到中午高再到晚上低，湿度和温度的趋势相反，通过相关系数发现温度
和湿度有强烈的负相关关系，经查阅资料发现因为随着温度升高水蒸汽蒸发加剧，空气中水分降低湿度降低。当然，湿度同时受
气压和雨水的影响，下雨湿度会明显增高。
2.经查阅资料空气质量不仅跟工厂、汽车等排放的烟气、废气等有关，更为重要的是与气象因素有关。由于昼夜温差明显变化，
当地面温度高于高空温度时，空气上升，污染物易被带到高空扩散；当地面温度低于一定高度的温度时，天空形成逆温层，它像
一个大盖子一样压在地面上空，使地表空气中各种污染物不易扩散。一般在晚间和清晨影响较大，而当太阳出来后，地面迅速升
温，逆温层就会逐渐消散，于是污染空气也就扩散了。
3.风是由气压在水平方向分布的不均匀导致的。风受大气环流、地形、水域等不同因素的综合影响，表现形式多种多样，如季
风、地方性的海陆风、山谷风等，一天的风向也有不同的变化，根据未来14天的风向雷达图可以发现未来所有风向基本都有涉
及，并且没有特别的某个风向，原因可能是近期没有降水和气文变化不大，导致风向也没有太大的变化规律。
4.天气是指某一个地区距离地表较近的大气层在短时间内的具体状态。跟某瞬时内大气中各种气象要素分布的综合表现。根据未
来14天的天气和温度变化可以大致推断出某个时间的气候，天气和温度之间也是有联系的。
4、代码框架
代码主要分为weather.py：对中国天气网进行爬取天气数据并保存csv文件；data1_analysis.py：对当天的天气信息进行可视化处
理；data14_analysis.py：对未来14天的天气信息进行可视化处理。下面是代码的结构图：
附源代码
weather.py # weather.py import requests from bs4 import BeautifulSoup import csv import json def getHTMLtext(url): \"\"\"请求获得网页内容\"\"\" try: r = requests.get(url, timeout = 30) r.raise_for_status() r.encoding = r.apparent_encoding print(\"成功访问\") return r.text except: print(\"访问错误\") return\" \" def get_content(html): \"\"\"处理得到有用信息保存数据文件\"\"\" final = [] # 初始化一个列表保存数据 bs = BeautifulSoup(html, \"html.parser\") # 创建BeautifulSoup对象 body = bs.body data = body.find(\'div\', {<!-- -->\'id\': \'7d\'}) # 找到div标签且id = 7d # 下面爬取当天的数据 data2 = body.find_all(\'div\',{<!-- -->\'class\':\'left-div\'}) text = data2[2].find(\'script\').string text = text[text.index(\'=\')+1 :-2] # 移除改var data=将其变为json数据 jd = json.loads(text) dayone = jd[\'od\'][\'od2\'] # 找到当天的数据 final_day = [] # 存放当天的数据 count = 0 for i in dayone: temp = [] if count <=23: temp.append(i[\'od21\']) # 添加时间 temp.append(i[\'od22\']) # 添加当前时刻温度 temp.append(i[\'od24\']) # 添加当前时刻风力方向 temp.append(i[\'od25\']) # 添加当前时刻风级 temp.append(i[\'od26\']) # 添加当前时刻降水量 temp.append(i[\'od27\']) # 添加当前时刻相对湿度 temp.append(i[\'od28\']) # 添加当前时刻控制质量 #print(temp) final_day.append(temp) count = count +1 # 下面爬取7天的数据 ul = data.find(\'ul\') # 找到所有的ul标签 li = ul.find_all(\'li\') # 找到左右的li标签 i = 0 # 控制爬取的天数 for day in li: # 遍历找到的每一个li if i < 7 and i > 0: temp = [] # 临时存放每天的数据 date = day.find(\'h1\').string # 得到日期 date = date[0:date.index(\'日\')] # 取出日期号 temp.append(date) inf = day.find_all(\'p\') # 找出li下面的p标签,提取第一个p标签的值，即天气 temp.append(inf[0].string) tem_low = inf[1].find(\'i\').string # 找到最低气温 if inf[1].find(\'span\') is None: # 天气预报可能没有最高气温 tem_high = None else: tem_high = inf[1].find(\'span\').string # 找到最高气温 temp.append(tem_low[:-1]) if tem_high[-1] == \'℃\': temp.append(tem_high[:-1]) else: temp.append(tem_high) wind = inf[2].find_all(\'span\') # 找到风向 for j in wind: temp.append(j[\'title\']) wind_scale = inf[2].find(\'i\').string # 找到风级 index1 = wind_scale.index(\'级\') temp.append(int(wind_scale[index1-1:index1])) final.append(temp) i = i + 1 return final_day,final #print(final) def get_content2(html): \"\"\"处理得到有用信息保存数据文件\"\"\" final = [] # 初始化一个列表保存数据 bs = BeautifulSoup(html, \"html.parser\") # 创建BeautifulSoup对象 body = bs.body data = body.find(\'div\', {<!-- -->\'id\': \'15d\'}) # 找到div标签且id = 15d ul = data.find(\'ul\') # 找到所有的ul标签 li = ul.find_all(\'li\') # 找到左右的li标签 final = [] i = 0 # 控制爬取的天数 for day in li: # 遍历找到的每一个li if i < 8: temp = [] # 临时存放每天的数据 date = day.find(\'span\',{<!-- -->\'class\':\'time\'}).string # 得到日期 date = date[date.index(\'（\')+1:-2] # 取出日期号 temp.append(date) weather = day.find(\'span\',{<!-- -->\'class\':\'wea\'}).string # 找到天气 temp.append(weather) tem = day.find(\'span\',{<!-- -->\'class\':\'tem\'}).text # 找到温度 temp.append(tem[tem.index(\'/\')+1:-1]) # 找到最低气温 temp.append(tem[:tem.index(\'/\')-1]) # 找到最高气温 wind = day.find(\'span\',{<!-- -->\'class\':\'wind\'}).string # 找到风向 if \'转\' in wind: # 如果有风向变化 temp.append(wind[:wind.index(\'转\')]) temp.append(wind[wind.index(\'转\')+1:]) else: # 如果没有风向变化，前后风向一致 temp.append(wind) temp.append(wind) wind_scale = day.find(\'span\',{<!-- -->\'class\':\'wind1\'}).string # 找到风级 index1 = wind_scale.index(\'级\') temp.append(int(wind_scale[index1-1:index1])) final.append(temp) return final def write_to_csv(file_name, data, day=14): \"\"\"保存为csv文件\"\"\" with open(file_name, \'a\', errors=\'ignore\', newline=\'\') as f: if day == 14: header = [\'日期\',\'天气\',\'最低气温\',\'最高气温\',\'风向1\',\'风向2\',\'风级\'] else: header = [\'小时\',\'温度\',\'风力方向\',\'风级\',\'降水量\',\'相对湿度\',\'空气质量\'] f_csv = csv.writer(f) f_csv.writerow(header) f_csv.writerows(data) def main(): \"\"\"主函数\"\"\" print(\"Weather test\") # 珠海 url1 = \'http://www.weather.com.cn/weather/101280701.shtml\' # 7天天气中国天气网 url2 = \'http://www.weather.com.cn/weather15d/101280701.shtml\' # 8-15天天气中国天气网 html1 = getHTMLtext(url1) data1, data1_7 = get_content(html1) # 获得1-7天和当天的数据 html2 = getHTMLtext(url2) data8_14 = get_content2(html2) # 获得8-14天数据 data14 = data1_7 + data8_14 #print(data) write_to_csv(\'weather14.csv\',data14,14) # 保存为csv文件 write_to_csv(\'weather1.csv\',data1,1) if __name__ == \'__main__\': main() data1_analysis.py: # data1_analysis.py import matplotlib.pyplot as plt import numpy as np import pandas as pd import math def tem_curve(data): \"\"\"温度曲线绘制\"\"\" hour = list(data[\'小时\']) tem = list(data[\'温度\']) for i in range(0,24): if math.isnan(tem[i]) == True: tem[i] = tem[i-1] tem_ave = sum(tem)/24 # 求平均温度 tem_max = max(tem) tem_max_hour = hour[tem.index(tem_max)] # 求最高温度 tem_min = min(tem) tem_min_hour = hour[tem.index(tem_min)] # 求最低温度 x = [] y = [] for i in range(0, 24): x.append(i) y.append(tem[hour.index(i)]) plt.figure(1) plt.plot(x,y,color=\'red\',label=\'温度\') # 画出温度曲线 plt.scatter(x,y,color=\'red\') # 点出每个时刻的温度点 plt.plot([0, 24], [tem_ave, tem_ave], c=\'blue\', linestyle=\'--\',label=\'平均温度\') # 画出平均温度虚线 plt.text(tem_max_hour+0.15, tem_max+0.15, str(tem_max), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最高温度 plt.text(tem_min_hour+0.15, tem_min+0.15, str(tem_min), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最低温度 plt.xticks(x) plt.legend() plt.title(\'一天温度变化曲线图\') plt.xlabel(\'时间/h\') plt.ylabel(\'摄氏度/℃\') plt.show() def hum_curve(data): \"\"\"相对湿度曲线绘制\"\"\" hour = list(data[\'小时\']) hum = list(data[\'相对湿度\']) for i in range(0,24): if math.isnan(hum[i]) == True: hum[i] = hum[i-1] hum_ave = sum(hum)/24 # 求平均相对湿度 hum_max = max(hum) hum_max_hour = hour[hum.index(hum_max)] # 求最高相对湿度 hum_min = min(hum) hum_min_hour = hour[hum.index(hum_min)] # 求最低相对湿度 x = [] y = [] for i in range(0, 24): x.append(i) y.append(hum[hour.index(i)]) plt.figure(2) plt.plot(x,y,color=\'blue\',label=\'相对湿度\') # 画出相对湿度曲线 plt.scatter(x,y,color=\'blue\') # 点出每个时刻的相对湿度 plt.plot([0, 24], [hum_ave, hum_ave], c=\'red\', linestyle=\'--\',label=\'平均相对湿度\') # 画出平均相对湿度虚线 plt.text(hum_max_hour+0.15, hum_max+0.15, str(hum_max), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最高相对湿度 plt.text(hum_min_hour+0.15, hum_min+0.15, str(hum_min), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最低相对湿度 plt.xticks(x) plt.legend() plt.title(\'一天相对湿度变化曲线图\') plt.xlabel(\'时间/h\') plt.ylabel(\'百分比/%\') plt.show() def air_curve(data): \"\"\"空气质量曲线绘制\"\"\" hour = list(data[\'小时\']) air = list(data[\'空气质量\']) print(type(air[0])) for i in range(0,24): if math.isnan(air[i]) == True: air[i] = air[i-1] air_ave = sum(air)/24 # 求平均空气质量 air_max = max(air) air_max_hour = hour[air.index(air_max)] # 求最高空气质量 air_min = min(air) air_min_hour = hour[air.index(air_min)] # 求最低空气质量 x = [] y = [] for i in range(0, 24): x.append(i) y.append(air[hour.index(i)]) plt.figure(3) for i in range(0,24): if y[i] <= 50: plt.bar(x[i],y[i],color=\'lightgreen\',width=0.7) # 1等级 elif y[i] <= 100: plt.bar(x[i],y[i],color=\'wheat\',width=0.7) # 2等级 elif y[i] <= 150: plt.bar(x[i],y[i],color=\'orange\',width=0.7) # 3等级 elif y[i] <= 200: plt.bar(x[i],y[i],color=\'orangered\',width=0.7) # 4等级 elif y[i] <= 300: plt.bar(x[i],y[i],color=\'darkviolet\',width=0.7) # 5等级 elif y[i] > 300: plt.bar(x[i],y[i],color=\'maroon\',width=0.7) # 6等级 plt.plot([0, 24], [air_ave, air_ave], c=\'black\', linestyle=\'--\') # 画出平均空气质量虚线 plt.text(air_max_hour+0.15, air_max+0.15, str(air_max), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最高空气质量 plt.text(air_min_hour+0.15, air_min+0.15, str(air_min), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最低空气质量 plt.xticks(x) plt.title(\'一天空气质量变化曲线图\') plt.xlabel(\'时间/h\') plt.ylabel(\'空气质量指数AQI\') plt.show() def wind_radar(data): \"\"\"风向雷达图\"\"\" wind = list(data[\'风力方向\']) wind_speed = list(data[\'风级\']) for i in range(0,24): if wind[i] == \"北风\": wind[i] = 90 elif wind[i] == \"南风\": wind[i] = 270 elif wind[i] == \"西风\": wind[i] = 180 elif wind[i] == \"东风\": wind[i] = 360 elif wind[i] == \"东北风\": wind[i] = 45 elif wind[i] == \"西北风\": wind[i] = 135 elif wind[i] == \"西南风\": wind[i] = 225 elif wind[i] == \"东南风\": wind[i] = 315 degs = np.arange(45,361,45) temp = [] for deg in degs: speed = [] # 获取 wind_deg 在指定范围的风速平均值数据 for i in range(0,24): if wind[i] == deg: speed.append(wind_speed[i]) if len(speed) == 0: temp.append(0) else: temp.append(sum(speed)/len(speed)) print(temp) N = 8 theta = np.arange(0.+np.pi/8,2*np.pi+np.pi/8,2*np.pi/8) # 数据极径 radii = np.array(temp) # 绘制极区图坐标系 plt.axes(polar=True) # 定义每个扇区的RGB值（R,G,B），x越大，对应的颜色越接近蓝色 colors = [(1-x/max(temp), 1-x/max(temp),0.6) for x in radii] plt.bar(theta,radii,width=(2*np.pi/N),bottom=0.0,color=colors) plt.title(\'一天风级图\',x=0.2,fontsize=20) plt.show() def calc_corr(a, b): \"\"\"计算相关系数\"\"\" a_avg = sum(a)/len(a) b_avg = sum(b)/len(b) cov_ab = sum([(x - a_avg)*(y - b_avg) for x,y in zip(a, b)]) sq = math.sqrt(sum([(x - a_avg)**2 for x in a])*sum([(x - b_avg)**2 for x in b])) corr_factor = cov_ab/sq return corr_factor def corr_tem_hum(data): \"\"\"温湿度相关性分析\"\"\" tem = data[\'温度\'] hum = data[\'相对湿度\'] plt.scatter(tem,hum,color=\'blue\') plt.title(\"温湿度相关性分析图\") plt.xlabel(\"温度/℃\") plt.ylabel(\"相对湿度/%\") plt.text(20,40,\"相关系数为：\"+str(calc_corr(tem,hum)),fontdict={<!-- -->\'size\':\'10\',\'color\':\'red\'}) plt.show() print(\"相关系数为：\"+str(calc_corr(tem,hum))) def main(): plt.rcParams[\'font.sans-serif\']=[\'SimHei\'] # 解决中文显示问题 plt.rcParams[\'axes.unicode_minus\'] = False # 解决负号显示问题 data1 = pd.read_csv(\'weather1.csv\',encoding=\'gb2312\') print(data1) tem_curve(data1) hum_curve(data1) air_curve(data1) wind_radar(data1) corr_tem_hum(data1) if __name__ == \'__main__\': main() data14_analysis.py: # data14_analysis.py import matplotlib.pyplot as plt import numpy as np import pandas as pd import math def tem_curve(data): \"\"\"温度曲线绘制\"\"\" date = list(data[\'日期\']) tem_low = list(data[\'最低气温\']) tem_high = list(data[\'最高气温\']) for i in range(0,14): if math.isnan(tem_low[i]) == True: tem_low[i] = tem_low[i-1] if math.isnan(tem_high[i]) == True: tem_high[i] = tem_high[i-1] tem_high_ave = sum(tem_high)/14 # 求平均高温 tem_low_ave = sum(tem_low)/14 # 求平均低温 tem_max = max(tem_high) tem_max_date = tem_high.index(tem_max) # 求最高温度 tem_min = min(tem_low) tem_min_date = tem_low.index(tem_min) # 求最低温度 x = range(1,15) plt.figure(1) plt.plot(x,tem_high,color=\'red\',label=\'高温\') # 画出高温度曲线 plt.scatter(x,tem_high,color=\'red\') # 点出每个时刻的温度点 plt.plot(x,tem_low,color=\'blue\',label=\'低温\') # 画出低温度曲线 plt.scatter(x,tem_low,color=\'blue\') # 点出每个时刻的温度点 plt.plot([1, 15], [tem_high_ave, tem_high_ave], c=\'black\', linestyle=\'--\') # 画出平均温度虚线 plt.plot([1, 15], [tem_low_ave, tem_low_ave], c=\'black\', linestyle=\'--\') # 画出平均温度虚线 plt.legend() plt.text(tem_max_date+0.15, tem_max+0.15, str(tem_max), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最高温度 plt.text(tem_min_date+0.15, tem_min+0.15, str(tem_min), ha=\'center\', va=\'bottom\', fontsize=10.5) # 标出最低温度 plt.xticks(x) plt.title(\'未来14天高温低温变化曲线图\') plt.xlabel(\'未来天数/天\') plt.ylabel(\'摄氏度/℃\') plt.show() def change_wind(wind): \"\"\"改变风向\"\"\" for i in range(0,14): if wind[i] == \"北风\": wind[i] = 90 elif wind[i] == \"南风\": wind[i] = 270 elif wind[i] == \"西风\": wind[i] = 180 elif wind[i] == \"东风\": wind[i] = 360 elif wind[i] == \"东北风\": wind[i] = 45 elif wind[i] == \"西北风\": wind[i] = 135 elif wind[i] == \"西南风\": wind[i] = 225 elif wind[i] == \"东南风\": wind[i] = 315 return wind def wind_radar(data): \"\"\"风向雷达图\"\"\" wind1 = list(data[\'风向1\']) wind2 = list(data[\'风向2\']) wind_speed = list(data[\'风级\']) wind1 = change_wind(wind1) wind2 = change_wind(wind2) degs = np.arange(45,361,45) temp = [] for deg in degs: speed = [] # 获取 wind_deg 在指定范围的风速平均值数据 for i in range(0,14): if wind1[i] == deg: speed.append(wind_speed[i]) if wind2[i] == deg: speed.append(wind_speed[i]) if len(speed) == 0: temp.append(0) else: temp.append(sum(speed)/len(speed)) print(temp) N = 8 theta = np.arange(0.+np.pi/8,2*np.pi+np.pi/8,2*np.pi/8) # 数据极径 radii = np.array(temp) # 绘制极区图坐标系 plt.axes(polar=True) # 定义每个扇区的RGB值（R,G,B），x越大，对应的颜色越接近蓝色 colors = [(1-x/max(temp), 1-x/max(temp),0.6) for x in radii] plt.bar(theta,radii,width=(2*np.pi/N),bottom=0.0,color=colors) plt.title(\'未来14天风级图\',x=0.2,fontsize=20) plt.show() def weather_pie(data): \"\"\"绘制天气饼图\"\"\" weather = list(data[\'天气\']) dic_wea = {<!-- --> } for i in range(0,14): if weather[i] in dic_wea.keys(): dic_wea[weather[i]] += 1 else: dic_wea[weather[i]] = 1 print(dic_wea) explode=[0.01]*len(dic_wea.keys()) color = [\'lightskyblue\',\'silver\',\'yellow\',\'salmon\',\'grey\',\'lime\',\'gold\',\'red\',\'green\',\'pink\'] plt.pie(dic_wea.values(),explode=explode,labels=dic_wea.keys(),autopct=\'%1.1f%%\',colors=color) plt.title(\'未来14天气候分布饼图\') plt.show() def main(): plt.rcParams[\'font.sans-serif\']=[\'SimHei\'] # 解决中文显示问题 plt.rcParams[\'axes.unicode_minus\'] = False # 解决负号显示问题 data14 = pd.read_csv(\'weather14.csv\',encoding=\'gb2312\') print(data14) tem_curve(data14) wind_radar(data14) weather_pie(data14) if __name__ == \'__main__\': main()
用Python爬取天气数据并做可视化分析，听起来就是不错的，就是敲代码有点废手。这密密麻麻的代码必须给我一个大大的赞才
能哄好了。今天的分享到这里就结束了，咱们下一章见啦。
来源：https://www.cnblogs.com/123456feng/p/16145388.html
本站部分图文来源于网络，如有侵权请联系删除。