1、資料取得
請求網站連結
先查看中國天氣網，這裡就造訪本地的天氣網址，如果想爬取不同的地區只要修改最後的101280701地區編號即可，前面的weather代表是7天的網頁，weather1d代表當天，weather15d代表未來14天。這裡就主要訪問7天和14天的中國天氣網。採用requests.get()方法，請求網頁，如果成功訪問，則得到的是網頁的所有字串文字。這就是請求過程。
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" "提取有用資訊
這裡採用BeautifulSoup庫對剛剛取得的字串進行資料擷取，首先對網頁進行檢查，找到需要取得資料的標籤：
可以發現7天的資料資訊在div標籤中且id=“7d”，且日期、天氣、溫度、風級等資訊都在ul和li標籤中，所以我們可以使用BeautifulSoup將取得的網頁文字尋找div標籤id=“7d”，找出他包含的所有的ul和li標籤，之後提取標籤中對應的資料值，儲存到對應清單中。
這裡要注意一個細節就是有時日期沒有最高氣溫，對於沒有資料的情況要進行判斷和處理。另外對於一些資料保存的格式也要提前進行處理，例如溫度後面的攝氏度符號，日期數字的提取，和風級文字的提取，這需要用到字符查找及字符串切片處理。
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下面爬取當天的數據
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天的數據
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('h2').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
同樣對於/weather15d：15天的信息，也做同樣的處理，這裡經過查看後發現他的15天網頁中只有8-14天，前面的1-7天在/weather中，這裡就分別訪問兩個網頁將爬取得到的數據進行合併得到最終14天的數據。 - 前面是未來14天的數據爬取過程，對於當天24小時的天氣資訊數據，經過查找發現他是一個json數據，可以透過json.loads()方法獲取當天的數據，進而對當天的天氣資訊進行提取。
儲存csv檔案
前面將爬取的資料加入到列表中，這裡引入csv函式庫，利用f_csv.writerow(header)和f_csv. writerows(data)方法，分別寫入表頭和每一行的數據，這裡將1天和未來14天的數據分開存儲，分別保存為weather1.csv和weather14.csv，下面是他們保存的表格圖：
2.可視化分析
#當天溫度變化曲線圖
採用matplotlib中plt.plot ()方法繪製出一天24小時的溫度變化曲線，並用plt.text()方法點出最高溫和最低溫，並畫出平均溫度線，下圖為溫度變化曲線圖：(代碼見附錄)
屌啊！接私活必備的 N 個開源專案！趕快收藏吧
分析可以發現這一天最高溫度為33℃，最低溫度為28℃，且平均溫度在20.4℃左右，透過對時間分析，發現晝夜溫差5℃，低溫分佈在凌晨，高溫分佈在中午到下午的時段。
當天相對濕度變化曲線圖
採用matplotlib中plt.plot()方法繪製出一天24小時的濕度變化曲線，並畫出平均相對濕度線，下圖為濕度變化曲線圖：(代碼見附錄)
分析可以發現這一天最高相對濕度為86%，最低相對濕度為58℃，且平均相對濕度在75%左右，透過對時間分析，清晨的濕度比較大，而下午至黃昏濕度較小。
溫濕度相關性分析圖
經過前面兩個圖的分析我們可以感覺到溫度和濕度之間是有關係的，為了更清楚直觀地感受這種關係，使用plt.scatter()方法將溫度為橫座標、濕度為縱座標，每個時刻的點在圖中點出來，並且計算相關係數，下圖為結果圖：
分析可以發現一天的溫度和濕度有強烈的相關性，他們呈現負相關，這表示他們時間是負相關關係，並且進一步分析，當溫度較低時，空氣中水分含量較多，濕度自然較高，而溫度較高時，水分蒸發，空氣就比較乾燥，濕度較低，符合平時氣候現象。
空氣品質指數長條圖
空氣品質指數AQI是定量描述空氣品質狀況的指數，其數值越大說明空氣污染狀況越重，對人體健康的危害就越大。一般將空氣品質指數分為6個等級，等級越高說明污染越嚴重，下面使用plt.bar方法對一天24小時的空氣品質進行了長條圖繪製，並且根據6個等級的不同，相應的柱狀圖的顏色也從淺到深，也顯示污染逐步加重，更直觀的顯示污染情況，並且也將最高和最低的空氣質量指數標出，用虛線畫出平均的空氣質量指數，下圖是繪製結果圖：
上面這張是南方珠海的控製品質圖，可以看出空氣品質指數最大也是在健康範圍，說明珠海空氣非常好，分析可以發現這一天最高空氣品質指數達到了35，最低則只有14，並且平均在25左右，通過時間也可以發現，基本上在清晨的時候是空氣最好的時候（4-9點），在下午是空氣污染最嚴重的時候，所以清晨一般可以去外面呼吸新鮮的空氣，那時污染最小。
而下面這個空氣品質圖是選取的北方的一個城市，可以看到這裡的環境遠遠比不上珠海。
風向風級雷達圖
統計一天的風力和風向，由於風力風向使用極座標的方式展現較好，所以這裡採用的是極座標的方式展現一天的風力風向圖，將圓分為8份，每一份代表一個風向，半徑代表平均風力，並且隨著風級增高，藍色加深，最後結果如下所示：
分析可以發現這一天西南風最多，平均風級達到了1.75級，東北風也有小部分1.0級，其餘空白方向無來風。
未來14天高低溫變化曲線圖
統計未來14天的高低溫變化，並繪製出他們的變化曲線圖，分別用虛線將他們的平均氣溫線繪製出來，最後結果如下所示：
分析可以發現未來14天高溫平均氣溫為30.5℃，溫度還是比較高，但未來的第8天有降溫，需要做好降溫準備，低溫前方處於穩定趨勢，等到第8天開始下降，伴隨著高溫也下降，整體溫度下降，低溫平均在27℃左右。
未來14天風向風級雷達圖
統計未來14天的風向和平均風力，並和前面一樣採用極座標形式，將圓週分為8個部分，代表8個方向，顏色越深代表風級越高，最後結果如下所示：
分析可以發現未來14天東南風、西南風所佔主要風向，風級最高達到了5級，最低的西風平均風級也有3級。
未來14天氣候分佈圓餅圖
統計未來14天的氣候，並求每個氣候的總天數，最後將各氣候的圓餅圖繪製出來，結果如下所示：
分析可以發現未來14天氣候基本上是“雨”、“陰轉雨”和“陣雨”，下雨的天數較多,結合前面的氣溫分佈圖可看出在第8-9天氣高溫下降，可以推測當天下雨，導致氣溫下降。
3、結論
1.首先根據爬取的溫濕度資料進行的分析，溫度從早上低到中午高再到晚上低，濕度和溫度的趨勢相反，透過相關係數發現溫度和濕度有強烈的負相關關係，經查閱資料發現因為隨著溫度升高水蒸汽蒸發加劇，空氣中水分降低濕度降低。當然，濕度同時受氣壓和雨水的影響，下雨濕度會明顯增加。
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('h2').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='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()以上是Python爬取天氣資料及視覺化分析的方法是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！
Python vs. C：了解關鍵差異Apr 21, 2025 am 12:18 AMPython和C 各有優勢，選擇應基於項目需求。 1)Python適合快速開發和數據處理，因其簡潔語法和動態類型。 2)C 適用於高性能和系統編程，因其靜態類型和手動內存管理。
Python vs.C：您的項目選擇哪種語言？Apr 21, 2025 am 12:17 AM選擇Python還是C 取決於項目需求：1)如果需要快速開發、數據處理和原型設計，選擇Python；2)如果需要高性能、低延遲和接近硬件的控制，選擇C 。
達到python目標：每天2小時的力量Apr 20, 2025 am 12:21 AM通過每天投入2小時的Python學習，可以有效提升編程技能。 1.學習新知識：閱讀文檔或觀看教程。 2.實踐：編寫代碼和完成練習。 3.複習：鞏固所學內容。 4.項目實踐：應用所學於實際項目中。這樣的結構化學習計劃能幫助你係統掌握Python並實現職業目標。
最大化2小時：有效的Python學習策略Apr 20, 2025 am 12:20 AM在兩小時內高效學習Python的方法包括：1.回顧基礎知識，確保熟悉Python的安裝和基本語法；2.理解Python的核心概念，如變量、列表、函數等；3.通過使用示例掌握基本和高級用法；4.學習常見錯誤與調試技巧；5.應用性能優化與最佳實踐，如使用列表推導式和遵循PEP8風格指南。
在Python和C之間進行選擇：適合您的語言Apr 20, 2025 am 12:20 AMPython適合初學者和數據科學，C 適用於系統編程和遊戲開發。 1.Python簡潔易用，適用於數據科學和Web開發。 2.C 提供高性能和控制力，適用於遊戲開發和系統編程。選擇應基於項目需求和個人興趣。
Python與C：編程語言的比較分析Apr 20, 2025 am 12:14 AMPython更適合數據科學和快速開發，C 更適合高性能和系統編程。 1.Python語法簡潔，易於學習，適用於數據處理和科學計算。 2.C 語法複雜，但性能優越，常用於遊戲開發和系統編程。
每天2小時：Python學習的潛力Apr 20, 2025 am 12:14 AM每天投入兩小時學習Python是可行的。 1.學習新知識：用一小時學習新概念，如列表和字典。 2.實踐和練習：用一小時進行編程練習，如編寫小程序。通過合理規劃和堅持不懈，你可以在短時間內掌握Python的核心概念。
Python與C：學習曲線和易用性Apr 19, 2025 am 12:20 AMPython更易學且易用，C 則更強大但複雜。 1.Python語法簡潔，適合初學者，動態類型和自動內存管理使其易用，但可能導致運行時錯誤。 2.C 提供低級控制和高級特性，適合高性能應用，但學習門檻高，需手動管理內存和類型安全。
熱AI工具
Undresser.AI Undress
人工智慧驅動的應用程序，用於創建逼真的裸體照片
AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。
Undress AI Tool
免費脫衣圖片
Clothoff.io
AI脫衣器
Video Face Swap
使用我們完全免費的人工智慧換臉工具，輕鬆在任何影片中換臉！
熱門文章
熱工具
SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)
Safe Exam Browser
Safe Exam Browser是一個安全的瀏覽器環境，安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問，並防止學生使用未經授權的資源。
Atom編輯器mac版下載
最受歡迎的的開源編輯器
EditPlus 中文破解版
體積小，語法高亮，不支援程式碼提示功能
SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合，這些清單在安全評估過程中經常使用，而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表，幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上，他就可以存取所需的每種類型的清單。
