Überprüfen Sie zunächst das China Weather Network, besuchen Sie hier ggf. die lokale Wetter-Website Wenn Sie verschiedene Regionen crawlen möchten, müssen Sie nur die letzte Regionsnummer 101280701 ändern. Das Wetter vorne repräsentiert die 7-Tage-Webseite, Weather1d repräsentiert den aktuellen Tag und Weather15d repräsentiert die nächsten 14 Tage. Hier besuchen wir hauptsächlich das 7- und 14-tägige China Weather Network. Verwenden Sie die Methode „requests.get()“, um die Webseite anzufordern. Wenn der Zugriff erfolgreich ist, erhalten Sie den gesamten Zeichenfolgentext der Webseite. Dies ist der Anfrageprozess.
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" "Die BeautifulSoup-Bibliothek wird verwendet, um Daten aus der gerade erhaltenen Zeichenfolge zu extrahieren. Überprüfen Sie zunächst die Webseite und suchen Sie das Tag, das die Daten abrufen muss : #🎜🎜 #
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 = 7ddata2 = 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 +1ul = 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
2 #
#🎜🎜 #
Analysen können ergeben, dass eine starke Korrelation zwischen der Temperatur und der Luftfeuchtigkeit eines Tages besteht. Das bedeutet, dass sie negativ mit der Zeit korrelieren. Darüber hinaus zeigt eine weitere Analyse, dass es bei niedrigerer Temperatur mehr Feuchtigkeit gibt in der Luft, und die Luftfeuchtigkeit ist natürlich höher. Wenn die Temperatur hoch ist, verdunstet das Wasser, die Luft ist trockener und die Luftfeuchtigkeit ist niedriger, was mit normalen Klimaphänomenen vereinbar ist.
Der Luftqualitätsindex AQI ist ein Index, der die Luftqualitätsbedingungen quantitativ beschreibt. Je größer der Wert, desto stärker ist die Luftverschmutzung und desto größer ist der Schaden für die menschliche Gesundheit. Der Luftqualitätsindex wird im Allgemeinen in 6 Stufen unterteilt. Je höher die Stufe, desto schwerwiegender ist die Verschmutzung. Im Folgenden wird ein Histogramm der Luftqualität für 24 Stunden am Tag und entsprechend den sechs Stufen erstellt , das entsprechende Histogramm Die Farbe wechselt ebenfalls von hell nach dunkel, was ebenfalls darauf hinweist, dass die Verschmutzung allmählich zunimmt, wodurch die Verschmutzungssituation intuitiver dargestellt wird. Der höchste und der niedrigste Luftqualitätsindex werden ebenfalls markiert und der durchschnittliche Luftqualitätsindex wird mit gezeichnet Eine gepunktete Linie. Die folgende Abbildung ist das Ergebnis der Zeichnung:
Das obige ist die Kontrollqualitätskarte von Zhuhai im Süden. Es ist ersichtlich, dass der höchste Luftqualitätsindex ebenfalls im gesunden Bereich liegt. Die Analyse zeigt, dass der höchste Luftqualitätsindex an diesem Tag 35 erreichte, der niedrigste jedoch nur 14 und der Durchschnitt bei etwa 25 liegt. Sie können die Luftqualität auch anhand der Zeit ermitteln Am besten ist es im Grunde am frühen Morgen (4-9 Uhr), und die stärkste Luftverschmutzung ist am Nachmittag, sodass Sie im Allgemeinen am frühen Morgen nach draußen gehen können, um frische Luft zu atmen, wenn die Verschmutzung minimal ist.
Die Luftqualitätskarte unten stammt aus einer Stadt im Norden. Sie können sehen, dass die Umwelt hier weitaus schlechter ist als in Zhuhai.
Statistik der Windstärke und Windrichtung für einen Tag Da die Windstärke und die Windrichtung besser mit Polarkoordinaten dargestellt werden können, wird die Polarkoordinatenmethode zur Anzeige der Windstärke verwendet und Windrichtungsdiagramm für den Tag, der den Kreis in 8 Teile unterteilt, wobei jeder Teil eine Windrichtung darstellt und der Radius die durchschnittliche Windstärke darstellt. Das Endergebnis ist wie folgt:
Die Analyse kann ergeben, dass der Südwestwind an diesem Tag am windigsten ist und die durchschnittliche Windstärke die Stärke 1,75 erreichte, wobei ein kleiner Teil der Nordostwinde die Stärke 1,0 erreichte und von anderen kein Wind wehte leere Anweisungen.
Zeigt die Änderungen der hohen und niedrigen Temperaturen für die nächsten 14 Tage an und zeichnet ihre Änderungskurven, wobei gepunktete Linien verwendet werden, um ihre Durchschnittstemperaturlinien zu zeichnen. Die Endergebnisse sind wie folgt folgt:
Die Analyse ergab, dass die durchschnittliche Höchsttemperatur in den nächsten 14 Tagen 30,5℃ beträgt, was jedoch immer noch relativ hoch ist. Am 8. Tag wird es jedoch zu einer Abkühlung kommen Die Tiefsttemperatur weist einen stabilen Trend auf und beginnt am 8. Tag zu sinken. Die Höchsttemperatur sank ebenfalls, die Gesamttemperatur sank und die Tiefsttemperatur lag im Durchschnitt bei etwa 27 °C.
Gibt die Windrichtung und die durchschnittliche Windstärke für die nächsten 14 Tage an und verwendet wie zuvor Polarkoordinaten, wobei der Kreis in 8 Teile unterteilt wird, die 8 Richtungen darstellen Je höher die Windstärke, desto höher ist das Endergebnis:
Die Analyse kann ergeben, dass die Hauptwindrichtungen Südost- und Südwestwinde in den nächsten 14 Tagen die höchste Windstärke erreichen. und die niedrigste durchschnittliche Westwindstärke ist Stufe 3.
Zeichnet das Klima für die nächsten 14 Tage an und ermittelt die Gesamtzahl der Tage für jedes Klima. Zeichnen Sie abschließend das Kreisdiagramm für jedes Klima. Die Ergebnisse sind wie folgt:
Die Analyse kann gefunden werden. Das Klima wird in den nächsten 14 Tagen grundsätzlich „Regen“, „bewölkt bis regnerisch“ und „Schauer“ sein. In Kombination mit der vorherigen Temperaturverteilungstabelle können wir Sehen Sie, dass die Temperatur am 8. und 9. Tag sinken wird. Daraus lässt sich schließen, dass es an diesem Tag regnen wird.
1. Basierend auf der Analyse der erfassten Temperatur- und Luftfeuchtigkeitsdaten schwankt die Temperatur von niedrig am Morgen über hoch mittags bis hin zu niedrig in der Nacht. Die Trends bei Luftfeuchtigkeit und Temperatur sind entgegengesetzt. Durch den Korrelationskoeffizienten wird festgestellt, dass Temperatur und Luftfeuchtigkeit einen negativen Zusammenhang haben. Nach Durchsicht der Daten wurde festgestellt, dass die Verdunstung von Wasserdampf zunimmt und die Luftfeuchtigkeit zunimmt nimmt ab und die Luftfeuchtigkeit nimmt ab. Natürlich wird die Luftfeuchtigkeit sowohl vom Luftdruck als auch vom Regen beeinflusst, und bei Regen steigt die Luftfeuchtigkeit deutlich an.
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。
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：
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()Das obige ist der detaillierte Inhalt vonWas ist die Methode zum Crawlen von Wetterdaten und zur visuellen Analyse in Python?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
