这是一个气象数据分析程序，主要用于分析和可视化气象数据。以下是该文件的主要功能：

1. 数据加载

• 在线数据：尝试从 GitHub 加载气象数据。

• 示例数据：如果无法加载在线数据，程序会自动生成示例数据。

2. 数据分析

• 年度趋势分析：计算并绘制温度、湿度、降水量和风速的年度趋势图。

• 季节性模式分析：分析并绘制温度、湿度、降水量和风速的季节性变化图。

• 相关性分析：计算并绘制气象要素之间的相关性热图。

3. 数据可视化

• 趋势图：使用 Matplotlib 绘制年度趋势图。

• 柱状图：使用 Seaborn 绘制季节性模式柱状图。

• 热图：使用 Seaborn 绘制相关性热图。

4. 报告生成

• 基本统计信息：计算并显示温度、湿度、降水量和风速的基本统计信息。

• 极端天气事件统计：计算并显示高温天数和暴雨天数。

5. 技术细节

• 数据生成：使用 NumPy 生成随机气象数据，包括温度、湿度、降水量和风速。

• 数据处理：使用 Pandas 进行数据分组和聚合计算。

• 可视化：使用 Matplotlib 和 Seaborn 进行数据可视化。

6. 运行流程

1. 程序启动，尝试加载在线数据，如果失败则生成示例数据。

2. 分析年度趋势，绘制趋势图。

3. 分析季节性模式，绘制柱状图。

• 分析气象要素之间的相关性，绘制热图。

5. 生成并显示分析报告。

7. 依赖库

• Pandas：用于数据处理和分析。

• NumPy：用于数值计算和随机数据生成。

• Matplotlib：用于数据可视化。

• Seaborn：用于高级数据可视化。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False     # 用来正常显示负号class WeatherAnalyzer:def __init__(self):"""初始化天气分析器"""# 设置基本的图表样式sns.set_theme()  # 使用 seaborn 默认主题sns.set_style("whitegrid", {'font.sans-serif': ['SimHei', 'DejaVu Sans']})self.df = Noneself.load_data()def load_data(self):"""加载气象数据"""try:# 尝试从在线源加载数据url = "https://raw.githubusercontent.com/datasets/weather-data/master/weather.csv"self.df = pd.read_csv(url)print("在线数据加载成功！")except:print("无法从在线源加载数据，尝试加载示例数据...")# 创建示例数据self.create_sample_data()def create_sample_data(self):"""创建示例气象数据"""# 创建过去10年的日期范围dates = pd.date_range(start='2013-01-01', end='2023-12-31', freq='D')# 生成随机气象数据np.random.seed(42)  # 设置随机种子以保证可重复性self.df = pd.DataFrame({'date': dates,'temperature': np.random.normal(20, 8, len(dates)),  # 温度，均值20，标准差8'humidity': np.random.normal(60, 15, len(dates)),    # 湿度，均值60，标准差15'precipitation': np.random.exponential(2, len(dates)), # 降水量，指数分布'wind_speed': np.random.normal(10, 3, len(dates))    # 风速，均值10，标准差3})# 添加季节信息self.df['season'] = pd.to_datetime(self.df['date']).dt.month.map({12: '冬季', 1: '冬季', 2: '冬季',3: '春季', 4: '春季', 5: '春季',6: '夏季', 7: '夏季', 8: '夏季',9: '秋季', 10: '秋季', 11: '秋季'})print("示例数据创建成功！")def analyze_trends(self):"""分析气象趋势"""# 计算年度平均值yearly_avg = self.df.groupby(pd.to_datetime(self.df['date']).dt.year).agg({'temperature': 'mean','humidity': 'mean','precipitation': 'sum','wind_speed': 'mean'})# 绘制年度趋势图plt.figure(figsize=(15, 10))# 温度趋势plt.subplot(2, 2, 1)plt.plot(yearly_avg.index, yearly_avg['temperature'], marker='o')plt.title('年平均温度趋势')plt.xlabel('年份')plt.ylabel('温度 (°C)')# 湿度趋势plt.subplot(2, 2, 2)plt.plot(yearly_avg.index, yearly_avg['humidity'], marker='o', color='green')plt.title('年平均湿度趋势')plt.xlabel('年份')plt.ylabel('湿度 (%)')# 降水量趋势plt.subplot(2, 2, 3)plt.plot(yearly_avg.index, yearly_avg['precipitation'], marker='o', color='blue')plt.title('年总降水量趋势')plt.xlabel('年份')plt.ylabel('降水量 (mm)')# 风速趋势plt.subplot(2, 2, 4)plt.plot(yearly_avg.index, yearly_avg['wind_speed'], marker='o', color='purple')plt.title('年平均风速趋势')plt.xlabel('年份')plt.ylabel('风速 (m/s)')plt.tight_layout()plt.show()def analyze_seasonal_patterns(self):"""分析季节性模式"""# 计算季节平均值seasonal_avg = self.df.groupby('season').agg({'temperature': 'mean','humidity': 'mean','precipitation': 'mean','wind_speed': 'mean'})# 设置季节顺序season_order = ['春季', '夏季', '秋季', '冬季']seasonal_avg = seasonal_avg.reindex(season_order)# 绘制季节性模式图plt.figure(figsize=(15, 10))# 温度的季节性变化plt.subplot(2, 2, 1)sns.barplot(x=seasonal_avg.index, y=seasonal_avg['temperature'])plt.title('季节平均温度')plt.ylabel('温度 (°C)')# 湿度的季节性变化plt.subplot(2, 2, 2)sns.barplot(x=seasonal_avg.index, y=seasonal_avg['humidity'], color='green')plt.title('季节平均湿度')plt.ylabel('湿度 (%)')# 降水量的季节性变化plt.subplot(2, 2, 3)sns.barplot(x=seasonal_avg.index, y=seasonal_avg['precipitation'], color='blue')plt.title('季节平均降水量')plt.ylabel('降水量 (mm)')# 风速的季节性变化plt.subplot(2, 2, 4)sns.barplot(x=seasonal_avg.index, y=seasonal_avg['wind_speed'], color='purple')plt.title('季节平均风速')plt.ylabel('风速 (m/s)')plt.tight_layout()plt.show()def analyze_correlations(self):"""分析气象要素之间的相关性"""# 计算相关系数矩阵corr_matrix = self.df[['temperature', 'humidity', 'precipitation', 'wind_speed']].corr()# 绘制相关性热图plt.figure(figsize=(10, 8))sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)plt.title('气象要素相关性分析')plt.show()def generate_report(self):"""生成分析报告"""# 计算基本统计量stats = self.df.describe()print("\n=== 气象数据分析报告 ===")print("\n基本统计信息：")print(stats)# 计算极端天气事件print("\n极端天气事件统计：")extreme_temp = len(self.df[self.df['temperature'] > stats['temperature']['75%'] + 1.5 * (stats['temperature']['75%'] - stats['temperature']['25%'])])extreme_precip = len(self.df[self.df['precipitation'] > stats['precipitation']['75%'] + 1.5 * (stats['precipitation']['75%'] - stats['precipitation']['25%'])])print(f"高温天数: {extreme_temp}")print(f"暴雨天数: {extreme_precip}")def main():print("开始气象数据分析...")try:# 创建分析器实例analyzer = WeatherAnalyzer()# 分析趋势print("\n分析年度趋势...")analyzer.analyze_trends()# 分析季节性模式print("\n分析季节性模式...")analyzer.analyze_seasonal_patterns()# 分析相关性print("\n分析气象要素相关性...")analyzer.analyze_correlations()# 生成报告analyzer.generate_report()except Exception as e:print(f"分析过程中出现错误: {str(e)}")if __name__ == "__main__":main()