Python 可轻松获取天气数据、可视化分析

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天的数据进行获取，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。喜欢本文记得收藏、关注、点赞。

资料、数据、完整代码文末获取

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，如果想获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。

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。

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

下面获取当天的数据

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

下面获取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     # 控制获取的天数
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 = Noneelse: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 + 1return 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获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天的数据获取过程，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

前面将获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.首先根据获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：对中国天气网进行获取取天气数据并保存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.bodydata = body.find('div', {<!-- -->'id': '7d'})    # 找到div标签且id = 7d# 下面获取当天的数据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 = 0for i in dayone:temp = []if count &lt;=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# 下面获取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     # 控制获取的天数for day in li:          # 遍历找到的每一个liif i &lt; 7 and i &gt; 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 = Noneelse: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 + 1return 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.bodydata = body.find('div', {<!-- -->'id': '15d'})          # 找到div标签且id = 15dul = 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                 # 控制获取的天数for day in li:               # 遍历找到的每一个liif i &lt; 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 finaldef 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] &lt;= 50:plt.bar(x[i],y[i],color='lightgreen',width=0.7)  # 1等级elif y[i] &lt;= 100:plt.bar(x[i],y[i],color='wheat',width=0.7)   # 2等级elif y[i] &lt;= 150:plt.bar(x[i],y[i],color='orange',width=0.7)   # 3等级elif y[i] &lt;= 200:plt.bar(x[i],y[i],color='orangered',width=0.7)  # 4等级elif y[i] &lt;= 300:plt.bar(x[i],y[i],color='darkviolet',width=0.7)  # 5等级elif y[i] &gt; 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] = 90elif wind[i] == "南风":wind[i] = 270elif wind[i] == "西风":wind[i] = 180elif wind[i] == "东风":wind[i] = 360elif wind[i] == "东北风":wind[i] = 45elif wind[i] == "西北风":wind[i] = 135elif wind[i] == "西南风":wind[i] = 225elif wind[i] == "东南风":wind[i] = 315degs = 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 = 8theta = 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/sqreturn corr_factordef 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 mathdef 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] = 90elif wind[i] == "南风":wind[i] = 270elif wind[i] == "西风":wind[i] = 180elif wind[i] == "东风":wind[i] = 360elif wind[i] == "东北风":wind[i] = 45elif wind[i] == "西北风":wind[i] = 135elif wind[i] == "西南风":wind[i] = 225elif wind[i] == "东南风":wind[i] = 315return winddef 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 = 8theta = 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]] += 1else:dic_wea[weather[i]] = 1print(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()

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、发送如下图片至微信，长按识别，后台回复：加群；
方式②、添加微信号：dkl88191，备注：来自CSDN
方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

Python 可轻松获取天气数据、可视化分析相关推荐

基于Python的淘宝行为数据可视化分析
项目背景&总结: 项目背景完成如下商业分析任务,通过数据分析和可视化展示,充分挖掘数据的价值,让数据更好地为业务服务: 流量分析:PV/UV是多少,通过分析PV/UV能发现什么规律? 漏斗分 ...
python天气数据可视化分析
引言网:tianqihoubao 对深圳近几月的天气进行分析可视化需要用的库 pandas:用于数据挖掘,数据分析requests:用来get网页数据建立连接bs4:用来分析html数据进行格式化 ...
基于Python语言的PUBG游戏数据可视化分析系统
[success]写于2019年大作业[/success] 博客链接:https://www.iamzlt.com/?p=299 代码链接请到博客链接内查看. 摘要随着网络技术的兴起和普及,网络游戏 ...
python 豆瓣评论数据分析_Python数据可视化分析--豆瓣电影Top250
Python数据分析–豆瓣电影Top250 利用Python爬取豆瓣电影TOP250并进行数据分析,对于众多爬虫爱好者,应该并不陌生.很多人都会以此作为第一个练手的小项目.当然这也多亏了豆瓣的包容,没 ...
基于Python的网络爬虫爬取天气数据可视化分析
目录摘要 1 一. 设计目的 2 二. 设计任务内容 3 三. 常用爬虫框架比较 3 四.网络爬虫程序总体设计 3 四. 网络爬虫程序详细设计 4 4.1设计环境和目标分析 4 4.2爬虫运行流程 ...
基于python爬虫天气象大数据可视化分析系统
https://b23.tv/sxy54Qn flask web框架,数据使用requests模块爬取数据,使用bs4模块解析数据,并且存入数据库.数据库使用sqlite数据库.使用flask_sql ...
采用python爬虫爬取数据然后采用echarts数据可视化分析
前言:采用python爬虫爬取天气数据然后采用echarts数据可视化画图分析未来天气变化趋势从获取数据到可视化的流程 (熟悉爬虫爬取数据然后数据可视化这个过程) 一.python爬取未来8-15天 ...
Python爬虫以及数据可视化分析！
简单几步,通过Python对B站番剧排行数据进行爬取,并进行可视化分析源码文件可以参考Github上传的项目:https://github.com/Lemon-Sheep/Py/tree/maste ...
Python基于WordCloud词云图的数据可视化分析词云图的基本使用政府工作报告分析
Python基于WordCloud词云图的数据可视化分析词云图的基本使用政府工作报告分析文章目录 1.词云图简介 2.wordcloud库的安装 3.WordCloud的主要参数说明 4.绘制词 ...
python爬虫可视化excel_Python爬虫以及数据可视化分析！
简单几步,通过Python对B站番剧排行数据进行爬取,并进行可视化分析下面,我们开始吧! PS: 作为Python爬虫初学者,如有不正确的地方,望各路大神不吝赐教[抱拳] 本项目将会对B站番剧排行的 ...

Python 可轻松获取天气数据、可视化分析

推荐文章

技术交流

Python 可轻松获取天气数据、可视化分析相关推荐

最新文章

热门文章