import matplotlib.dates as mdates

from dateutil import parser

# 把日期数据转换成 datetime 的格式

# 把日期从 string 类型转化为标准的 datetime 类型

day_milano = [parser.parse(x) for x in x1] #x是string

# 设定时间的格式

hours = mdates.DateFormatter('%H:%M')

# 设定X轴显示的格式

ax.xaxis.set_major_formatter(hours)

一个画图过程：

# 读取米兰的城市气象数据

df_milano = pd.read_csv('milano_270615.csv')

# 取出我们要分析的温度和日期数据

y1 = df_milano['temp']

x1 = df_milano['day']

# 把日期数据转换成 datetime 的格式

day_milano = [parser.parse(x) for x in x1]

# 调用 subplot 函数, fig 是图像对象，ax 是坐标轴对象

fig, ax = plt.subplots()

# 调整x轴坐标刻度，使其旋转70度，方便查看

plt.xticks(rotation=70)

# 设定时间的格式

hours = mdates.DateFormatter('%H:%M')

# 设定X轴显示的格式

ax.xaxis.set_major_formatter(hours)

# 画出图像，day_milano是X轴数据，y1是Y轴数据，‘r’代表的是'red' 红色

ax.plot(day_milano ,y1, 'r')

# 显示图像

fig

from sklearn.svm import SVR

# 我们调用SVR函数，在参数中规定了使用线性的拟合函数

# 并且把 C 设为1000来尽量拟合数据(因为不需要精确预测不用担心过拟合)

svr_lin1 = SVR(kernel='linear', C=1e3)

svr_lin2 = SVR(kernel='linear', C=1e3)

# 加入数据，进行拟合(这一步可能会跑很久，大概10多分钟，休息一下:) )

svr_lin1.fit(dist1, temp_max1)

svr_lin2.fit(dist2, temp_max2)

xp1 = np.arange(10,100,10).reshape((9,1))

xp2 = np.arange(50,400,50).reshape((7,1))

yp1 = svr_lin1.predict(xp1)

yp2 = svr_lin2.predict(xp2)

# 限制了 x 轴的取值范围

ax.set_xlim(0,400)

# 画出图像

ax.plot(xp1, yp1, c='b', label='Strong sea effect')

ax.plot(xp2, yp2, c='g', label='Light sea effect')

fig

print svr_lin1.coef_ #斜率

print svr_lin1.intercept_ # 截距

print svr_lin2.coef_

print svr_lin2.intercept_

这里 np.arange(10,100,10) 会返回 [10, 20, 30,..., 90]，如果把列表看成是一个矩阵，那么这个矩阵是 1x9 的。这里 reshape((9,1)) 函数就会把该列表变为 9x1 的， [[10], [20], ..., [90]]。这么做的原因是因为 predict() 函数的只能接受一个 Nx1 的列表，返回一个 1xN 的列表。

再学习一下numpy和pandas的数据结构。

from scipy.optimize import fsolve #求解方程

# 定义了第一条拟合直线

def line1(x):

a1 = svr_lin1.coef_[0][0]

b1 = svr_lin1.intercept_[0]

return a1*x + b1

# 定义了第二条拟合直线

def line2(x):

a2 = svr_lin2.coef_[0][0]

b2 = svr_lin2.intercept_[0]

return a2*x + b2

# 定义了找到两条直线的交点的 x 坐标的函数

def findIntersection(fun1,fun2,x0):

return fsolve(lambda x : fun1(x) - fun2(x),x0)

result = findIntersection(line1,line2,0.0)

print "[x,y] = [ %d , %d ]" % (result,line1(result))

# x = [0,10,20, ..., 300]

x = np.linspace(0,300,31)

plt.plot(x,line1(x),x,line2(x),result,line1(result),'ro')

风向频率玫瑰图

def showRoseWind(values,city_name,max_value):

N = 8

# theta = [pi*1/4, pi*2/4, pi*3/4, ..., pi*2]

theta = np.arange(0.,2 * np.pi, 2 * np.pi / N)

radii = np.array(values)

# 绘制极区图的坐标系

plt.axes([0.025, 0.025, 0.95, 0.95], polar=True)

# 列表中包含的是每一个扇区的 rgb 值，x越大，对应的color越接近蓝色

colors = [(1-x/max_value, 1-x/max_value, 0.75) for x in radii]

# 画出每个扇区

plt.bar(theta, radii, width=(2*np.pi/N), bottom=0.0, color=colors)

# 设置极区图的标题

plt.title(city_name, x=0.2, fontsize=20)

#调用

hist, bin = np.histogram(df_ferrara['wind_deg'],8,[0,360])

print hist

showRoseWind(hist,'Ferrara', max(hist))

计算风速均值的分布情况

def RoseWind_Speed(df_city):

# degs = [45, 90, ..., 360]

degs = np.arange(45,361,45)

tmp = []

for deg in degs:

# 获取 wind_deg 在指定范围的风速平均值数据

tmp.append(df_city[(df_city['wind_deg']>(deg-46)) & (df_city['wind_deg']

['wind_speed'].mean())

return np.array(tmp)

#调用

showRoseWind(RoseWind_Speed(df_ravenna),'Ravenna',max(hist))