对天气数据进行简单的数据分析

用到的数据是在某地级市政府网站获取的公开数据，现以天气数据为例进行简单的数据分析

初始数据以xlsx格式储存：

初始的数据格式对于后续分析来说不太友好，我希望数据能够具有原子性，所以接下来利用excel自带的功能对数据进行整理，利用分列和替换等功能使数据具有原子性：

最终数据形式：

其中tH代表当日最高气温，tL代表当日最低气温，wd1代表风向1，wd2代表风向2，wf11代表风向1的最小风力，后续类推

但是在这个csv文件中仍然有没有处理的数据：w1和w2，先不管它们

将csv文件导入到Rstudio当中：

weather<-read.csv('weather.csv',header=T,stringsAsFactors = T)

这个数据框包含2011年到2018年某地级市的气象数据，首先将每一年的数据单独提取出来（以2011年为例）

weather2011<-weather[weather$year==2011,]

可以利用table()函数求名义型变量的频数，以w1为例：

table(weather2011$w1)

从结果中可以得出一个初步结论：该城市多云天气较多，雨天较多，晴天只占全年时间的五分之一，很典型的南方气候。而实际上该城市也位于我国南方。

利用直方图更直观地观测一下天气状况

w1t<-table(weather2011$w1)
w1b<-barplot(w1t,ylim=c(0,140))
text(w1b,w1t+5,labels=w1t)

在简单的柱状图上方添加了频数数据

这个简单的方法可以用在名义型变量上来查看和比较频数数据

接下来针对2011年的气象数据中的气温部分进行分析：

plot(weather2011$tH,type='l',col='red',ylim=c(-5,35),main='Daily Temperature Info of Year2011',xlab='days',ylab='Temperature')
lines(weather2011$tL,type='l',col='blue')
lines(weather2011$tH-weather2011$tL,type='l',col='black')
lines((weather2011$tH+weather2011$tL)/2,type='l',col='green')
legend(300,35,c('High','Low','Diff','Aver'),col=c('red','blue','black','green'),lty=1,cex=0.5)

这幅折线图同时展示了四项数据：最高气温、最低气温、气温差值和平均气温，分别用红蓝黑绿四种颜色的线条代表。

在这幅图中可以大致看出该城市的气温走势规律：几乎全年的平均气温都在0度以上，最高气温达到了35度，最低气温在零下4度左右，从全年的角度来看，气温差值的波动并不大，但是在年初几个月（冬春）的气温差要高于年中（夏秋）的气温差；这一点同样体现在平均气温的波动上，200天附近的平均气温波动程度要明显低于100天附近的波动程度，这说明夏天虽然热，但是温度还是相对稳定的，与春天相比，很显然是春天更容易伤风感冒。

下面以月份为单位，求2011年每月的平均温度：

avertH2011<-aggregate(tH~month,weather2011,mean)
avertL2011<-aggregate(tL~month,weather2011,mean)

得到了两个数据框，然后用merge()函数将其整合：

avert2011<-merge(avertH2011,avertL2011)

使用apply()函数添加一列平均值：

avert2011$tM<-apply(avert2011[,2:3],1,mean)

再使用apply()函数添加一列差值，首先要定义一个函数求差值：

Dif<-function(data){tH-tL
}

avert2011$tD<-apply(avert2011,1,Dif)

在avert2011的df里添加了一列名为tD的变量，代表气温差值（tH-tL）

保留一位小数

avert2011[,2:5]<-round(avert2011[,2:5],digits=1)

接下来可以利用整理出的2011年的气温数据进行可视化处理：绘制折线图

attach(avert2011)

平均差值

plot(month,tD,xaxt='n',yaxt='n',ylim=c(6,11),type='b',main='Monthly Average Temperature Difference \n of Year2011')
axis(1,at=seq(1,12,1))
axis(2,at=seq(6,11,0.5))

在折线图中添加数值标注

text(month,tD+0.2,labels=tD)

从图中可以看到温差最大的月份是四月（10.6℃），而且整个春季的月平均温差要高于其他三季。

平均气温

plot(month,tM,xaxt='n',yaxt='n',ylim=c(0,30),type='b',main='Monthly Average Temperature \n of Year2011')
axis(1,at=seq(1,12,1))
axis(2,at=seq(0,30,2))

text(month+1,tM,labels=tM)
text(11.2,5,labels=5.2)#补上十二月的数据

对月平均气温数据的分析结论与之前对全年气温的分析结果相符

对天气数据进行简单的数据分析相关推荐

用python进行简单的数据分析和数据可视化
用python进行简单的数据分析和数据可视化本篇文章主要是初步探索数据分析,简单了解数据分析大致流程数据来源:来自于Kaggle平台上的一个项目:Explore San Francisco cit ...
python数据分析可视化大作业——对地铁数据的简单数据分析
一.选题意义随着我国经济的快速发展,我们国家的地铁事业正在快速发展,很多城市都拥有了地铁.自1969年北京开通第一条地铁线路建成通车,到2021年全国总线路总长达7253.73公里,我们只用了40年 ...
scrapy爬取天气存MySQL_Scrapy实战篇（五）之爬取历史天气数据
本篇文章我们以抓取历史天气数据为例,简单说明数据抓取的两种方式: 1.一般简单或者较小量的数据需求,我们以requests(selenum)+beautiful的方式抓取数据 2.当我们需要的数据量较 ...
抓取中国天气网当前时段所有城市的天气数据(python+xpath)
先给大家看一看效果图(我一共获取到了462个城市的天气): 前不久,2019年开放数据中心峰会在北京国际会议中心成功召开,ODCC指出:"对数据进行汇聚,在体系化融合中产生新的价值已成为未来 ...
玩转人工智能（3）常用的大数据框架简单介绍
时光不老,我们不散. 讲大数据框架前,简单的介绍下大数据的文化.信息时代人类社会的进步得益于分享和开源.大数据时代属于信息时代的第三代发展阶段(2001年到2011年可以认为是CT行业的黄金期,200 ...
一文解锁华为云新技能-AIOT开发全流程【设备接入-ESP端侧数据收集[MQTT]-实时数据分析】（步步截图较详细）
一文解锁华为云新技能-AIOT开发全流程[设备接入-ESP端侧数据收集[MQTT]-实时数据分析](步步截图较详细) 在这篇你将会接触到:从物联网工程师从硬件层-通信层到应用层全流程:开发华为云最基本 ...
Python爬取天气数据，并且进行天气预报（已实现）
分析任意一个城市的天气状况先分析网页爬取数据获取城市ID 获得城市的昨天与今天的气温城市多音字问题爬取城市的历史数据(用到正则匹配)并进行数据清洗天气数据分析绘图用机器学习进行气温预测 ...
JSONP跨域jQuery处理整理（附天气数据实例）
写在前面跨域的解决方案有多种,其中最常见的是使用同一服务器下的代理来获取远端数据,再通过ajax进行读取,而在这期间经过了两次请求过程,使得获取数据的效率大大降低,这篇文章蓝飞就为大家介绍一下解决跨 ...
3星|《数据思维：从数据分析到商业价值》：有趣的数据分析案例
3星|<数据思维:从数据分析到商业价值>:有趣的数据分析案例 Posted on 2017-11-24 19:59 左其盛阅读(118) 评论(0) 编辑收藏数据思维(从数据分析到商 ...

对天气数据进行简单的数据分析

对天气数据进行简单的数据分析相关推荐

最新文章

热门文章