Python爬取天氣數(shù)據(jù)及可視化分析的方法是什么

這篇文章主要講解了“Python爬取天氣數(shù)據(jù)及可視化分析的方法是什么”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“Python爬取天氣數(shù)據(jù)及可視化分析的方法是什么”吧！

1、數(shù)據(jù)獲取

請求網(wǎng)站鏈接

首先查看中國天氣網(wǎng)，這里就訪問本地的天氣網(wǎng)址，如果想爬取不同的地區(qū)只需修改最后的101280701地區(qū)編號即可，前面的weather代表是7天的網(wǎng)頁，weather1d代表當(dāng)天，weather15d代表未來14天。這里就主要訪問7天和14天的中國天氣網(wǎng)。采用requests.get()方法，請求網(wǎng)頁，如果成功訪問，則得到的是網(wǎng)頁的所有字符串文本。這就是請求過程。

def getHTMLtext(url):
"""請求獲得網(wǎng)頁內(nèi)容"""
 try:
r = requests.get(url, timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
print("成功訪問")
return r.text
 except:
print("訪問錯誤")
 return" "

提取有用信息

這里采用BeautifulSoup庫對剛剛獲取的字符串進行數(shù)據(jù)提取，首先對網(wǎng)頁進行檢查，找到需要獲取數(shù)據(jù)的標簽：

可以發(fā)現(xiàn)7天的數(shù)據(jù)信息在div標簽中并且id=“7d”，并且日期、天氣、溫度、風(fēng)級等信息都在ul和li標簽中，所以我們可以使用BeautifulSoup對獲取的網(wǎng)頁文本進行查找div標簽id=“7d”，找出他包含的所有的ul和li標簽，之后提取標簽中相應(yīng)的數(shù)據(jù)值，保存到對應(yīng)列表中。

這里要注意一個細節(jié)就是有時日期沒有最高氣溫，對于沒有數(shù)據(jù)的情況要進行判斷和處理。另外對于一些數(shù)據(jù)保存的格式也要提前進行處理，比如溫度后面的攝氏度符號，日期數(shù)字的提取，和風(fēng)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):
"""處理得到有用信息保存數(shù)據(jù)文件"""
final = []# 初始化一個列表保存數(shù)據(jù)
bs = BeautifulSoup(html, "html.parser")# 創(chuàng)建BeautifulSoup對象
body = bs.body
data = body.find('div', {'id': '7d'})# 找到div標簽且id = 7d

下面爬取當(dāng)天的數(shù)據(jù)

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=將其變?yōu)閖son數(shù)據(jù)
jd = json.loads(text)
dayone = jd['od']['od2'] # 找到當(dāng)天的數(shù)據(jù)
final_day = [] # 存放當(dāng)天的數(shù)據(jù)
count = 0
for i in dayone:
temp = []
if count <=23:
temp.append(i['od21']) # 添加時間
temp.append(i['od22']) # 添加當(dāng)前時刻溫度
temp.append(i['od24']) # 添加當(dāng)前時刻風(fēng)力方向
temp.append(i['od25']) # 添加當(dāng)前時刻風(fēng)級
temp.append(i['od26']) # 添加當(dāng)前時刻降水量
temp.append(i['od27']) # 添加當(dāng)前時刻相對濕度
temp.append(i['od28']) # 添加當(dāng)前時刻控制質(zhì)量
#print(temp)
final_day.append(temp)
count = count +1

下面爬取7天的數(shù)據(jù)

ul = data.find('ul')# 找到所有的ul標簽
li = ul.find_all('li')# 找到左右的li標簽
i = 0 # 控制爬取的天數(shù)
for day in li:# 遍歷找到的每一個li
if i < 7 and i > 0:
temp = []# 臨時存放每天的數(shù)據(jù)
date = day.find('h2').string # 得到日期
date = date[0:date.index('日')] # 取出日期號
temp.append(date)
inf = day.find_all('p')# 找出li下面的p標簽,提取第一個p標簽的值，即天氣
temp.append(inf[0].string)
 tem_low = inf[1].find('i').string # 找到最低氣溫
 if inf[1].find('span') is None: # 天氣預(yù)報可能沒有最高氣溫
 tem_high = None
 else:
 tem_high = inf[1].find('span').string# 找到最高氣溫
 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')# 找到風(fēng)向
 for j in wind:
temp.append(j['title'])
 wind_scale = inf[2].find('i').string # 找到風(fēng)級
 index1 = wind_scale.index('級')
 temp.append(int(wind_scale[index1-1:index1]))
 final.append(temp)
i = i + 1
return final_day,final

同樣對于/weather15d：15天的信息，也做同樣的處理，這里經(jīng)過查看后發(fā)現(xiàn)他的15天網(wǎng)頁中只有8-14天，前面的1-7天在/weather中，這里就分別訪問兩個網(wǎng)頁將爬取得到的數(shù)據(jù)進行合并得到最終14天的數(shù)據(jù)。-  前面是未來14天的數(shù)據(jù)爬取過程，對于當(dāng)天24小時的天氣信息數(shù)據(jù)，經(jīng)過查找發(fā)現(xiàn)他是一個json數(shù)據(jù)，可以通過json.loads()方法獲取當(dāng)天的數(shù)據(jù)，進而對當(dāng)天的天氣信息進行提取。

保存csv文件

前面將爬取的數(shù)據(jù)添加到列表中，這里引入csv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(shù)據(jù)，這里將1天和未來14天的數(shù)據(jù)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(dāng)天溫度變化曲線圖

采用matplotlib中plt.plot()方法繪制出一天24小時的溫度變化曲線，并用plt.text()方法點出最高溫和最低溫，并畫出平均溫度線，下圖為溫度變化曲線圖：(代碼見附錄)

牛逼啊！接私活必備的 N 個開源項目！趕快收藏吧

分析可以發(fā)現(xiàn)這一天最高溫度為33℃，最低溫度為28℃，并且平均溫度在20.4℃左右，通過對時間分析，發(fā)現(xiàn)晝夜溫差5℃，低溫分布在凌晨，高溫分布在中午到下午的時間段。

當(dāng)天相對濕度變化曲線圖

采用matplotlib中plt.plot()方法繪制出一天24小時的濕度變化曲線，并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(fā)現(xiàn)這一天最高相對濕度為86%，最低相對濕度為58℃，并且平均相對濕度在75%左右，通過對時間分析，清晨的濕度比較大，而下午至黃昏濕度較小。

溫濕度相關(guān)性分析圖

經(jīng)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(guān)系的，為了更加清楚直觀地感受這種關(guān)系，使用plt.scatter()方法將溫度為橫坐標、濕度為縱坐標，每個時刻的點在圖中點出來，并且計算相關(guān)系數(shù)，下圖為結(jié)果圖：

分析可以發(fā)現(xiàn)一天的溫度和濕度具有強烈的相關(guān)性，他們呈負相關(guān)，這就說明他們時間是負相關(guān)關(guān)系，并且進一步分析，當(dāng)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(fā)，空氣就比較干 燥，濕度較低，符合平時氣候現(xiàn)象。

空氣質(zhì)量指數(shù)柱狀圖

空氣質(zhì)量指數(shù)AQI是定量描述空氣質(zhì)量狀況的指數(shù)，其數(shù)值越大說明空氣污染狀況越重，對人體健康的危害也就越大。一般將空氣質(zhì)量指數(shù)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小時的空氣質(zhì)量進行了柱狀圖繪制，并且根據(jù)6個等級的不同，相應(yīng)的柱狀圖的顏色也從淺到深，也表明污染逐步加重，更直觀的顯示污染情況，并且也將最高和最低的空氣質(zhì)量指數(shù)標出，用虛線畫出平均的空氣質(zhì)量指數(shù)，下圖是繪制結(jié)果圖：

上面這張是南方珠海的控制質(zhì)量圖，可以看出空氣質(zhì)量指數(shù)最大也是在健康范圍，說明珠?？諝夥浅：茫治隹梢园l(fā)現(xiàn)這一天最高空氣質(zhì)量指數(shù)達到了35，最低則只有14，并且平均在25左右，通過時間也可以發(fā)現(xiàn)，基本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。

而下面這個空氣質(zhì)量圖是選取的北方的一個城市，可以看到這里的環(huán)境遠遠比不上珠海。

風(fēng)向風(fēng)級雷達圖

統(tǒng)計一天的風(fēng)力和風(fēng)向，由于風(fēng)力風(fēng)向使用極坐標的方式展現(xiàn)較好，所以這里采用的是極坐標的方式展現(xiàn)一天的風(fēng)力風(fēng)向圖，將圓分為8份，每一份代表一個風(fēng)向，半徑代表平均風(fēng)力，并且隨著風(fēng)級增高，藍色加深，最后結(jié)果如下所示：

分析可以發(fā)現(xiàn)這一天西南風(fēng)最多，平均風(fēng)級達到了1.75級，東北風(fēng)也有小部分1.0級，其余空白方向無來風(fēng)。

未來14天高低溫變化曲線圖

統(tǒng)計未來14天的高低溫度變化，并繪制出他們的變化曲線圖，分別用虛線將他們的平均氣溫線繪制出來，最后結(jié)果如下所示：

分析可以發(fā)現(xiàn)未來14天高溫平均氣溫為30.5℃，溫度還是比較高，但是未來的第8天有降溫，需要做好降溫準備，低溫前面處于平穩(wěn)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(fēng)向風(fēng)級雷達圖

統(tǒng)計未來14天的風(fēng)向和平均風(fēng)力，并和前面一樣采用極坐標形式，將圓周分為8個部分，代表8個方向，顏色越深代表風(fēng)級越高，最后結(jié)果如下所示：

分析可以發(fā)現(xiàn)未來14天東南風(fēng)、西南風(fēng)所占主要風(fēng)向，風(fēng)級最高達到了5級，最低的西風(fēng)平均風(fēng)級也有3級。

未來14天氣候分布餅圖

統(tǒng)計未來14天的氣候，并求每個氣候的總天數(shù)，最后將各個氣候的餅圖繪制出來，結(jié)果如下所示：

分析可以發(fā)現(xiàn)未來14天氣候基本是“雨”、“陰轉(zhuǎn)雨”和“陣雨”，下雨的天數(shù)較多,結(jié)合前面的氣溫分布圖可以看出在第8-9天氣溫高溫下降，可以推測當(dāng)天下雨，導(dǎo)致氣溫下降。

3、結(jié)論

1.首先根據(jù)爬取的溫濕度數(shù)據(jù)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，通過相關(guān)系數(shù)發(fā)現(xiàn)溫度和濕度有強烈的負相關(guān)關(guān)系，經(jīng)查閱資料發(fā)現(xiàn)因為隨著溫度升高水蒸汽蒸發(fā)加劇，空氣中水分降低濕度降低。當(dāng)然，濕度同時受氣壓和雨水的影響，下雨濕度會明顯增高。

2.經(jīng)查閱資料空氣質(zhì)量不僅跟工廠、汽車等排放的煙氣、廢氣等有關(guān)，更為重要的是與氣象因素有關(guān)。由于晝夜溫差明顯變化，當(dāng)?shù)孛鏈囟雀哂诟呖諟囟葧r，空氣上升，污染物易被帶到高空擴散；當(dāng)?shù)孛鏈囟鹊陀谝欢ǜ叨鹊臏囟葧r，天空形成逆溫層，它像一個大蓋子一樣壓在地面上空，使地表空氣中各種污染物不易擴散。一般在晚間和清晨影響較大，而當(dāng)太陽出來后，地面迅速升溫，逆溫層就會逐漸消散，于是污染空氣也就擴散了。

3.風(fēng)是由氣壓在水平方向分布的不均勻?qū)е碌?。風(fēng)受大氣環(huán)流、地形、水域等不同因素的綜合影響，表現(xiàn)形式多種多樣，如季風(fēng)、地方性的海陸風(fēng)、山谷風(fēng)等，一天的風(fēng)向也有不同的變化，根據(jù)未來14天的風(fēng)向雷達圖可以發(fā)現(xiàn)未來所有風(fēng)向基本都有涉及，并且沒有特別的某個風(fēng)向，原因可能是近期沒有降水和氣文變化不大，導(dǎo)致風(fēng)向也沒有太大的變化規(guī)律。

4.天氣是指某一個地區(qū)距離地表較近的大氣層在短時間內(nèi)的具體狀態(tài)。跟某瞬時內(nèi)大氣中各種氣象要素分布的綜合表現(xiàn)。根據(jù)未來14天的天氣和溫度變化可以大致推斷出某個時間的氣候，天氣和溫度之間也是有聯(lián)系的。

4、代碼框架

代碼主要分為weather.py：對中國天氣網(wǎng)進行爬取天氣數(shù)據(jù)并保存csv文件；data1_analysis.py：對當(dāng)天的天氣信息進行可視化處理；data14_analysis.py：對未來14天的天氣信息進行可視化處理。下面是代碼的結(jié)構(gòu)圖：

附源代碼

weather.py

# weather.py
import requests
from bs4 import BeautifulSoup
import csv
import json
def getHTMLtext(url):
"""請求獲得網(wǎng)頁內(nèi)容"""
 try:
r = requests.get(url, timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
print("成功訪問")
return r.text
 except:
print("訪問錯誤")
return" "
def get_content(html):
"""處理得到有用信息保存數(shù)據(jù)文件"""
final = []# 初始化一個列表保存數(shù)據(jù)
bs = BeautifulSoup(html, "html.parser")# 創(chuàng)建BeautifulSoup對象
body = bs.body
data = body.find('div', {'id': '7d'})# 找到div標簽且id = 7d
# 下面爬取當(dāng)天的數(shù)據(jù)
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=將其變?yōu)閖son數(shù)據(jù)
jd = json.loads(text)
dayone = jd['od']['od2'] # 找到當(dāng)天的數(shù)據(jù)
final_day = [] # 存放當(dāng)天的數(shù)據(jù)
count = 0
for i in dayone:
 temp = []
 if count <=23:
temp.append(i['od21']) # 添加時間
temp.append(i['od22']) # 添加當(dāng)前時刻溫度
temp.append(i['od24']) # 添加當(dāng)前時刻風(fēng)力方向
temp.append(i['od25']) # 添加當(dāng)前時刻風(fēng)級
temp.append(i['od26']) # 添加當(dāng)前時刻降水量
temp.append(i['od27']) # 添加當(dāng)前時刻相對濕度
temp.append(i['od28']) # 添加當(dāng)前時刻控制質(zhì)量
#print(temp)
final_day.append(temp)
 count = count +1
 # 下面爬取7天的數(shù)據(jù)
ul = data.find('ul')# 找到所有的ul標簽
li = ul.find_all('li')# 找到左右的li標簽
i = 0 # 控制爬取的天數(shù)
for day in li:# 遍歷找到的每一個li
if i < 7 and i > 0:
temp = []# 臨時存放每天的數(shù)據(jù)
date = day.find('h2').string # 得到日期
date = date[0:date.index('日')] # 取出日期號
temp.append(date)
inf = day.find_all('p')# 找出li下面的p標簽,提取第一個p標簽的值，即天氣
temp.append(inf[0].string)
tem_low = inf[1].find('i').string # 找到最低氣溫
if inf[1].find('span') is None: # 天氣預(yù)報可能沒有最高氣溫
tem_high = None
else:
tem_high = inf[1].find('span').string# 找到最高氣溫
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')# 找到風(fēng)向
for j in wind:
 temp.append(j['title'])
wind_scale = inf[2].find('i').string # 找到風(fēng)級
index1 = wind_scale.index('級')
temp.append(int(wind_scale[index1-1:index1]))
final.append(temp)
i = i + 1
return final_day,final
#print(final)
def get_content2(html):
"""處理得到有用信息保存數(shù)據(jù)文件"""
final = []# 初始化一個列表保存數(shù)據(jù)
bs = BeautifulSoup(html, "html.parser")# 創(chuàng)建BeautifulSoup對象
body = bs.body
data = body.find('div', {'id': '15d'})# 找到div標簽且id = 15d
ul = data.find('ul')# 找到所有的ul標簽
li = ul.find_all('li')# 找到左右的li標簽
final = []
i = 0 # 控制爬取的天數(shù)
for day in li: # 遍歷找到的每一個li
if i < 8:
temp = [] # 臨時存放每天的數(shù)據(jù)
date = day.find('span',{'class':'time'}).string# 得到日期
date = date[date.index('（')+1:-2]# 取出日期號
temp.append(date)
weather = day.find('span',{'class':'wea'}).string# 找到天氣
temp.append(weather)
tem = day.find('span',{'class':'tem'}).text# 找到溫度
temp.append(tem[tem.index('/')+1:-1]) # 找到最低氣溫
temp.append(tem[:tem.index('/')-1])# 找到最高氣溫
wind = day.find('span',{'class':'wind'}).string# 找到風(fēng)向
if '轉(zhuǎn)' in wind: # 如果有風(fēng)向變化
 temp.append(wind[:wind.index('轉(zhuǎn)')])
 temp.append(wind[wind.index('轉(zhuǎn)')+1:])
else: # 如果沒有風(fēng)向變化，前后風(fēng)向一致
 temp.append(wind)
 temp.append(wind)
wind_scale = day.find('span',{'class':'wind1'}).string# 找到風(fēng)級
index1 = wind_scale.index('級')
temp.append(int(wind_scale[index1-1:index1]))
final.append(temp)
return final
def write_to_csv(file_name, data, day=14):
"""保存為csv文件"""
with open(file_name, 'a', errors='ignore', newline='') as f:
 if day == 14:
header = ['日期','天氣','最低氣溫','最高氣溫','風(fēng)向1','風(fēng)向2','風(fēng)級']
 else:
header = ['小時','溫度','風(fēng)力方向','風(fēng)級','降水量','相對濕度','空氣質(zhì)量']
 f_csv = csv.writer(f)
 f_csv.writerow(header)
 f_csv.writerows(data)
def main():
"""主函數(shù)"""
print("Weather test")
# 珠海
url1 = 'http://www.weather.com.cn/weather/101280701.shtml'# 7天天氣中國天氣網(wǎng)
url2 = 'http://www.weather.com.cn/weather15d/101280701.shtml' # 8-15天天氣中國天氣網(wǎng)
html1 = getHTMLtext(url1)
data1, data1_7 = get_content(html1)# 獲得1-7天和當(dāng)天的數(shù)據(jù)
html2 = getHTMLtext(url2)
data8_14 = get_content2(html2) # 獲得8-14天數(shù)據(jù)
data14 = data1_7 + data8_14
#print(data)
write_to_csv('weather14.csv',data14,14) # 保存為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):
"""溫度曲線繪制"""
hour = list(data['小時'])
tem = list(data['溫度'])
for i in range(0,24):
 if math.isnan(tem[i]) == True:
tem[i] = tem[i-1]
 tem_ave = sum(tem)/24 # 求平均溫度
tem_max = max(tem)
tem_max_hour = hour[tem.index(tem_max)] # 求最高溫度
tem_min = min(tem)
tem_min_hour = hour[tem.index(tem_min)] # 求最低溫度
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='溫度') # 畫出溫度曲線
plt.scatter(x,y,color='red') # 點出每個時刻的溫度點
plt.plot([0, 24], [tem_ave, tem_ave], c='blue', linestyle='--',label='平均溫度')# 畫出平均溫度虛線
plt.text(tem_max_hour+0.15, tem_max+0.15, str(tem_max), ha='center', va='bottom', fontsize=10.5)# 標出最高溫度
plt.text(tem_min_hour+0.15, tem_min+0.15, str(tem_min), ha='center', va='bottom', fontsize=10.5)# 標出最低溫度
plt.xticks(x)
plt.legend()
plt.title('一天溫度變化曲線圖')
plt.xlabel('時間/h')
plt.ylabel('攝氏度/℃')
plt.show()
def hum_curve(data):
"""相對濕度曲線繪制"""
hour = list(data['小時'])
hum = list(data['相對濕度'])
for i in range(0,24):
 if math.isnan(hum[i]) == True:
hum[i] = hum[i-1]
 hum_ave = sum(hum)/24 # 求平均相對濕度
hum_max = max(hum)
hum_max_hour = hour[hum.index(hum_max)] # 求最高相對濕度
hum_min = min(hum)
hum_min_hour = hour[hum.index(hum_min)] # 求最低相對濕度
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='相對濕度') # 畫出相對濕度曲線
plt.scatter(x,y,color='blue') # 點出每個時刻的相對濕度
plt.plot([0, 24], [hum_ave, hum_ave], c='red', linestyle='--',label='平均相對濕度')# 畫出平均相對濕度虛線
plt.text(hum_max_hour+0.15, hum_max+0.15, str(hum_max), ha='center', va='bottom', fontsize=10.5)# 標出最高相對濕度
plt.text(hum_min_hour+0.15, hum_min+0.15, str(hum_min), ha='center', va='bottom', fontsize=10.5)# 標出最低相對濕度
plt.xticks(x)
plt.legend()
plt.title('一天相對濕度變化曲線圖')
plt.xlabel('時間/h')
plt.ylabel('百分比/%')
plt.show()
def air_curve(data):
"""空氣質(zhì)量曲線繪制"""
hour = list(data['小時'])
air = list(data['空氣質(zhì)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 # 求平均空氣質(zhì)量
air_max = max(air)
air_max_hour = hour[air.index(air_max)] # 求最高空氣質(zhì)量
air_min = min(air)
air_min_hour = hour[air.index(air_min)] # 求最低空氣質(zhì)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等級
 elif y[i] <= 100:
plt.bar(x[i],y[i],color='wheat',width=0.7) # 2等級
 elif y[i] <= 150:
plt.bar(x[i],y[i],color='orange',width=0.7) # 3等級
 elif y[i] <= 200:
plt.bar(x[i],y[i],color='orangered',width=0.7)# 4等級
 elif y[i]  300:
plt.bar(x[i],y[i],color='maroon',width=0.7) # 6等級
plt.plot([0, 24], [air_ave, air_ave], c='black', linestyle='--')# 畫出平均空氣質(zhì)量虛線
plt.text(air_max_hour+0.15, air_max+0.15, str(air_max), ha='center', va='bottom', fontsize=10.5)# 標出最高空氣質(zhì)量
plt.text(air_min_hour+0.15, air_min+0.15, str(air_min), ha='center', va='bottom', fontsize=10.5)# 標出最低空氣質(zhì)量
plt.xticks(x)
plt.title('一天空氣質(zhì)量變化曲線圖')
plt.xlabel('時間/h')
plt.ylabel('空氣質(zhì)量指數(shù)AQI')
plt.show()
def wind_radar(data):
"""風(fēng)向雷達圖"""
wind = list(data['風(fēng)力方向'])
wind_speed = list(data['風(fēng)級'])
for i in range(0,24):
 if wind[i] == "北風(fēng)":
wind[i] = 90
 elif wind[i] == "南風(fēng)":
wind[i] = 270
 elif wind[i] == "西風(fēng)":
wind[i] = 180
 elif wind[i] == "東風(fēng)":
wind[i] = 360
 elif wind[i] == "東北風(fēng)":
wind[i] = 45
 elif wind[i] == "西北風(fēng)":
wind[i] = 135
 elif wind[i] == "西南風(fēng)":
wind[i] = 225
 elif wind[i] == "東南風(fēng)":
wind[i] = 315
degs = np.arange(45,361,45)
temp = []
for deg in degs:
 speed = []
 # 獲取 wind_deg 在指定范圍的風(fēng)速平均值數(shù)據(jù)
 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)
# 數(shù)據(jù)極徑
radii = np.array(temp)
# 繪制極區(qū)圖坐標系
plt.axes(polar=True)
# 定義每個扇區(qū)的RGB值（R,G,B），x越大，對應(yīng)的顏色越接近藍色
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('一天風(fēng)級圖',x=0.2,fontsize=20)
plt.show()
def calc_corr(a, b):
"""計算相關(guān)系數(shù)"""
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):
"""溫濕度相關(guān)性分析"""
tem = data['溫度']
hum = data['相對濕度']
plt.scatter(tem,hum,color='blue')
plt.title("溫濕度相關(guān)性分析圖")
plt.xlabel("溫度/℃")
plt.ylabel("相對濕度/%")
plt.text(20,40,"相關(guān)系數(shù)為："+str(calc_corr(tem,hum)),fontdict={'size':'10','color':'red'})
plt.show()
print("相關(guān)系數(shù)為："+str(calc_corr(tem,hum)))
def main():
plt.rcParams['font.sans-serif']=['SimHei'] # 解決中文顯示問題
plt.rcParams['axes.unicode_minus'] = False# 解決負號顯示問題
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):
"""溫度曲線繪制"""
date = list(data['日期'])
tem_low = list(data['最低氣溫'])
tem_high = list(data['最高氣溫'])
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 # 求平均高溫
 tem_low_ave = sum(tem_low)/14 # 求平均低溫

tem_max = max(tem_high)
tem_max_date = tem_high.index(tem_max) # 求最高溫度
tem_min = min(tem_low)
tem_min_date = tem_low.index(tem_min) # 求最低溫度
x = range(1,15)
plt.figure(1)
plt.plot(x,tem_high,color='red',label='高溫')# 畫出高溫度曲線
plt.scatter(x,tem_high,color='red') # 點出每個時刻的溫度點
plt.plot(x,tem_low,color='blue',label='低溫')# 畫出低溫度曲線
plt.scatter(x,tem_low,color='blue') # 點出每個時刻的溫度點

plt.plot([1, 15], [tem_high_ave, tem_high_ave], c='black', linestyle='--')# 畫出平均溫度虛線
plt.plot([1, 15], [tem_low_ave, tem_low_ave], c='black', linestyle='--')# 畫出平均溫度虛線
plt.legend()
plt.text(tem_max_date+0.15, tem_max+0.15, str(tem_max), ha='center', va='bottom', fontsize=10.5)# 標出最高溫度
plt.text(tem_min_date+0.15, tem_min+0.15, str(tem_min), ha='center', va='bottom', fontsize=10.5)# 標出最低溫度
plt.xticks(x)
plt.title('未來14天高溫低溫變化曲線圖')
plt.xlabel('未來天數(shù)/天')
plt.ylabel('攝氏度/℃')
plt.show()
def change_wind(wind):
"""改變風(fēng)向"""
for i in range(0,14):
 if wind[i] == "北風(fēng)":
wind[i] = 90
 elif wind[i] == "南風(fēng)":
wind[i] = 270
 elif wind[i] == "西風(fēng)":
wind[i] = 180
 elif wind[i] == "東風(fēng)":
wind[i] = 360
 elif wind[i] == "東北風(fēng)":
wind[i] = 45
 elif wind[i] == "西北風(fēng)":
wind[i] = 135
 elif wind[i] == "西南風(fēng)":
wind[i] = 225
 elif wind[i] == "東南風(fēng)":
wind[i] = 315
return wind
def wind_radar(data):
"""風(fēng)向雷達圖"""
wind1 = list(data['風(fēng)向1'])
wind2 = list(data['風(fēng)向2'])
wind_speed = list(data['風(fēng)級'])
wind1 = change_wind(wind1)
wind2 = change_wind(wind2)

degs = np.arange(45,361,45)
temp = []
for deg in degs:
 speed = []
 # 獲取 wind_deg 在指定范圍的風(fēng)速平均值數(shù)據(jù)
 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)
# 數(shù)據(jù)極徑
radii = np.array(temp)
# 繪制極區(qū)圖坐標系
plt.axes(polar=True)
# 定義每個扇區(qū)的RGB值（R,G,B），x越大，對應(yīng)的顏色越接近藍色
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('未來14天風(fēng)級圖',x=0.2,fontsize=20)
plt.show()
def weather_pie(data):
"""繪制天氣餅圖"""
weather = list(data['天氣'])
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('未來14天氣候分布餅圖')
plt.show()
def main():
plt.rcParams['font.sans-serif']=['SimHei'] # 解決中文顯示問題
plt.rcParams['axes.unicode_minus'] = False# 解決負號顯示問題
data14 = pd.read_csv('weather14.csv',encoding='gb2312')
print(data14)
tem_curve(data14)
wind_radar(data14)
weather_pie(data14)
if __name__ == '__main__':
main()

感謝各位的閱讀，以上就是“Python爬取天氣數(shù)據(jù)及可視化分析的方法是什么”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對Python爬取天氣數(shù)據(jù)及可視化分析的方法是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！