python大作业：天气数据分析
有偿分享源码和.docx格式文档
- 一、设计要求
- 1.1 csv文件的存储
- 1.2 日平均气温趋势分析
- 1.3 城市天气种类统计分析
- 1.4 月平均气温趋势分析
- 1.5 气温风力天气统计
- 1.6 城市旅游季分析
- 二、设计方案
- 2.1 整体思路
- 2.2 库的使用
- 2.3 工作分解结构
- 2.4 自定义标准详解
- 三、设计代码
- 四、实现效果
- 4.1 csv文件的处理
- 4.2 日平均气温趋势分析
- 4.3 城市天气种类统计分析
- 4.4 月平均气温趋势分析
- 4.5 气温风力天气统计
- 4.6 城市旅游季分析
- 五、设计总结
- 5.1 matplotlib可视化
- 5.1.1 绘图方法
- 5.1.2 结构关系
- 5.1.3 绘图流程
- 5.2 pandas数据清洗
- 5.2.1 处理数据中的空值
- 5.2.2 删除空格
- 5.2.3 大小写转换
- 5.2.4 更改数据格式
- 5.2.5 更改列名称
- 5.2.6 删除重复值
- 5.2.7 修改及替换数据
- 5.3 参考文献
一、设计要求
1.1 csv文件的存储
首先，根据GitHub开源数据集进行数据清洗，获得题目要求csv数据；其次，将获取的数据信息利用电脑自带Excel功能存储到csv格式的文件中；然后，将文件命名为”城市名称.csv”；最后，其中每行数据格式要求为“日期(date)，最高温(T_max)，最低温(T_min)，天气(weather)，风向(wind)”；
（将获取的数据信息存储到csv格式的文件中，文件命名为”城市名称.csv”,其中每行数据格式为“日期，最高温，最低温，天气，风向”）
1.2 日平均气温趋势分析
首先，在csv文件中增加“平均温度(T_Average)”一列，平均温度=（最高温+最低温）/2，此处可以利用numpy库的np.mean()方法求解找到平均值后追加一列数据；然后通过matplotlib库的plt.plot()的方法在同一张图中绘制两个城市（南京、成都）一年的平均气温走势折线图；
（在数据中增加“平均温度”一列，其中：平均温度=（最高温+最低温）/2，在同一张图中绘制两个城市一年平均气温走势折线图）
1.3 城市天气种类统计分析
首先根据csv文件的天气(weather)一列统计两个城市各类天气的天数，将天气按照.split(“/”)分割成列表，利用set()方法去重统计出天气的种类；然后，根据天气的质量进行人工排序增加图表的可视化，再对每座城市的天数进行统计；最后绘制matplotlib条形图对比两座城市的天气情况；
（统计两个城市各类天气的天数，并绘制条形图进行对比）
1.4 月平均气温趋势分析
首先统计这两个城市每个月天数，由于在程序的开头已经实现了年份的统计，此处可以通过判断平闰年来统计每月天数，或者通过csv文件的天数进行统计；然后统计每个月的平均气温，将平均气温放在图表对象中；最后根据图表对象绘制月平均气温折线图；
（统计这两个城市每个月的平均气温，绘制折线图）
1.5 气温风力天气统计
首先，将风向进行分割split分割，分别判断白天夜间的风力是否小于5级别；同时判断平均气温(T_Average)是否大于10并且小于5；最后根据结果在控制台打印天数即可
（统计出这两个城市一年中，平均气温在10~25度，风力小于5级的天数）
1.6 城市旅游季分析
基于天气自然应用结合题目要求数据集，本此实验共自定义四大标准：
（1）风力大小，风力越小代表当地的天气情况相对较好
（2）温差，昼夜温差越小则代表当地天气状况良好
（3）平均温度，平均温度越靠近20℃，人体感到舒适程度越高
（4）适宜天气数，天气为晴天或者多云的天数，代表适合出游的天气数量
为四大标准进行权重分配，对每一标准的权重比例进行赋值，标准的值进行降序排序，权重从高到低依次为4 3 2 1。注意，如果标准值相同则赋值相同，以前一权重为准。
（自定义标准，分析这两个城市适合旅游的季节）
二、设计方案
2.1 整体思路
通过选取中国东西部两座代表性城市南京、成都分析两地天气状况，通过可视化技术呈现出两地气候的差异，为人们的旅游出现提供建议。
2.2 库的使用
针对关键问题，本次设计共利用到如下表1所示库以及库的解决的问题
2.3 工作分解结构
2.4 自定义标准详解
按照设计要求，共有四大标准，实现方法如下：
（1）列表字典citySeason存储城市的季节
为了方便后期数据的处理，标准的使用了列表字典的数据结构进行存储
(2)for循环设置citySeason值
通过一次遍历csv文件可以找到全部的标准，实现代码见三设计代码
(3)sorted方法设置权重
将列表字典按照标准用sorted方法排序，赋以权重即可实现权重的设置
(4)寻找权重最大
利用numpy的np.max()方法寻找权重的最大值
(5)函数的封装
将代码重构实现函数封装，传入参数为城市的csv数据，返回值为空，功能：寻找并打印适宜季节
三、设计代码
有偿分享源码和.docx格式文档(可编辑)
四、实现效果
4.1 csv文件的处理
两个csv文件分别为NanJing.csv和ChengDu.csv，每一列分别是
①日期date,
②最高温T_max
③最低温T_min
④天气weather
⑤风向wind_direction
处理结果如下图2所示
4.2 日平均气温趋势分析
在日平均气温趋势分析中，用到了折线图来反映温度趋势，在同一图中呈现两地趋势进行对比。如下图3所示，横纵代表日期，纵轴代表温度，区间为-5~30℃；蓝色折线代表南京，橙色折线代表成都；据图可分析出在冬季成都的气温比南京要高，夏季成都比南京的气温低，即所谓的成都冬暖夏凉的来由。
4.3 城市天气种类统计分析
在城市天气种类统计分析中，共有12类天气，质量从好到坏依次为 ‘晴’, ‘多云’, ‘阴’, ‘小雨’, ‘小到中雨’, ‘中雨’, ‘中到大雨’, ‘大雨’, ‘阵雨’, ‘雷阵雨’, ‘大暴雨’, ‘雨夹雪’，利用双柱状图实现两地天气种类的对比。如下图4所示，横轴代表天气种类，纵轴代表天数数量，区间为0~175days，蓝色折线代表南京，橙色折线代表成都；据图可分析出，南京的高质量天气数量与成都持平，成都的阴天或者小于远高于南京，若分析降雨量应该还要加入降雨量的统计
4.4 月平均气温趋势分析
早月平均气温趋势分析中，将每月的平均气温通过折线图呈现，在同一图中呈现两地平均气温对比。如图5所示，横纵代表日期，纵轴代表温度，区间为-5~30℃；蓝色折线代表南京，橙色折线代表成都；据图可分析出成都2 3 4 12月的气温要高于南京，4到11月要低于南京，再次验证了成都是冬暖夏凉的城市。
4.5 气温风力天气统计
根据题目要求设计方案编码统计出平均气温在10~25度，风力小于5级南京为134天，成都为203天，运行结果如下图6所示
4.6 城市旅游季分析
根据自定义四大标准统计出南京的四季情况如下，分别为序号，季节，风力，温差，平均气温。适合天气数量，天数，权重。按照权重分配得出秋季的权重最高，故南京的适合旅游的季节为秋季。
五、设计总结
5.1 matplotlib可视化
5.1.1 绘图方法
通过这次绘图过程，对matplotlib图表绘制所使用的函数和方法印象加深。
plot()函数包含了很多基础的绘图功能，用它来绘制线图；
scatter()函数用以绘制散点图；
xlim() / ylim()用于设置坐标轴的数值显示范围；
xlabel() / ylabel()用于设置坐标轴的标签；
grid()函数用于设置图形中的网格线；
axhline() / axvline()：用于设置水平参考线和垂直参考线。
axhspan() / axvspan()用于设置平行于x轴/y轴的参考区域；
annotate():添加指向性注释文本，灵活调整注释的位置以及指示箭头的样式，
text():图形中的注释，但它跟annotate()的区别是它用于添加不带指向性箭头的文本注释； title():形的标题；
5.1.2 结构关系
理解了figure与asex之间的关系，先建画板再建子图，再赋值给对象
fig=plt.figure(figsize=(6,6),dpi=100,facecolor=’#dfd7d7’)
#用add_subplot划分子图ax
ax=fig.add_subplot(1,1,1)
学习了子图之间并列关系，若无先赋值给对象，那么就要按代码顺序plt.绘图。赋值给对象后，对象没有包含的方法就需要用set_函数调用。
5.1.3 绘图流程
5.2 pandas数据清洗
本次实验用到了pandas数据清洗部分方法，在此进行简单的技术总结（表格代码在jupyter notebook中实现）
5.2.1 处理数据中的空值
我们在处理真实的数据时，往往会有很多缺少的的特征数据，就是所谓的空值，必须要进行处理才能进行下一步分析
空值的处理方式有很多种，一般是删除或者填充
（1）使用dropna函数删除空值
import pandas as pd data=pd.read_csv('成绩表.csv',encoding='gbk') data.dropna(how='any')（2）用fillna函数实现空值的填充
①使用数字0填充数据表中的空值
data.fillna(value=0)
②使用平均值填充数据表中的空值
data['语文'].fillna(data['语文'].mean())
5.2.2 删除空格
pandas删除空格也很方便，主要使用map函数
data['姓名']=data['姓名'].map(str.strip) data
5.2.3 大小写转换
pandas中转换函数也为upper()和lower()
data['拼音']=data['拼音'].str.upper() data data['拼音']=data['拼音'].str.lower() data
5.2.4 更改数据格式
pandas使用astype来修改数据格式，以将“语文”列改成整数为例
data['语文'].dropna(how='any').astype('int')5.2.5 更改列名称
pandas使用rename函数更改列名称，代码如下：
data.rename(columns={'语文':'语文成绩'})5.2.6 删除重复值
pandas使用drop_duplicates函数删除重复值
data['数学'].drop_duplicates() #默认删除后面的重复值
5.2.7 修改及替换数据
pandas中使用replace函数实现数据替换
data['姓名'].replace('成 功','失 败')5.3 参考文献
[1]韦依洋,吴一凡,李永远.Python技术在数据可视化中的应用研究[J].福建电脑,2022,38(01):27-31.DOI:10.16707/j.cnki.fjpc.2022.01.007.
[2]李成渊,俞越,彭伟明.大数据环境下北京冬奥、杭州亚运历史同期气候可视化设计——以数据抓取部分为例[J].江苏科技信息,2019,36(31):75-77.
