Python+Pyecharts天气预报可视化!

最新推荐文章于 2023-12-21 15:25:03 发布

原创最新推荐文章于 2023-12-21 15:25:03 发布 · 4k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#pYTHON

Python 专栏收录该内容

565 篇文章

订阅专栏

本文使用Python爬虫获取中华万年历API的天气数据，结合Pyecharts进行数据可视化，展示全国主要城市及西北五省的气温分布，帮助读者了解实时天气情况。

今天是9月4日了，离一年一度的中秋节只剩下一周的时间了，提前祝大家中秋佳节快乐，另外可怕的是好像自己的觉都没有睡醒，而2019年就悄悄的只剩下三分之一了，即将进入的Q4季度，相比刚刚过去的炎炎夏日，秋天还是非常值得期待的，不仅庄稼收获满满，气温也是非常凉爽的，对于小编所在的宁夏地区来说，秋天的早晚温差还是很大，今天利用Python爬虫技术+Pyecharts可视化工具为大家呈现西北主要城市最近五天内的天气预报，只有了解了天气，再也不用担心妈妈喊你穿秋裤啦~~~

Python资源共享群：626017123

—

天气预报数据靠不靠谱儿？

数据来源：中华万年历API。

抓包中华万年历得到的接口（JSON）：

① 通过城市名字获得天气数据，得到一个json数据：

http://wthrcdn.etouch.cn/weather_mini?city=北京

② 通过城市ID获得天气数据，得到一个json数据：

http://wthrcdn.etouch.cn/weather_mini?citykey=101010100

上述两种方式都是可以的。

小编特地对比了一下，从中华万年历获取到的天气数据和中国天气网（www.weather.com.cn）获得的天气数据是一致的。

数据样例如下：

该json数据中包含了城市昨天的天气数据、当天的天气数据以及未来四天的天气数据，数据详情包括：日期、最高气温、最低气温、风向、风力以及天气，那么按照城市解析这个json数据串就可以得到我们想要的数据了。

—

想偷懒？数据整理+清洗少不了

因全国城市太多，所以小编只整理了主要城市（省会+主要地级市）的信息，定向提取这些城市近六天的天气数据，从数据样例中看出：源数据是以json格式存储的，并且温度数据是字符串形式，例如：“高温 37℃”，实际上在可视化中，温度还是以数字为主，所以还是需要将抓取到数据中所有有关温度的字符串改为数字，这样有利于数据可视化。

下面我们分步进行：

第一步：抓取并解析json数据；

# 先导入数据解析所需要的数据包
# -*- coding: utf-8 -*-
import urllib.request
import json
import gzip
import numpy as np
import pandas as pd

此次源数据格式为json格式，相对比较简单，所以只需要导入python基础包就可以了。

# 数据源url，包括当天天气和未来四天的预报天气
    url = 'http://wthrcdn.etouch.cn/weather_mini?city=' + urllib.parse.quote(data.city_name[i])
    # 解析其中的天气气温数据    
    weather_data = urllib.request.urlopen(url).read()
    weather_data = gzip.decompress(weather_data).decode('utf-8')
    # 转化为json字符串
    weather_dict = json.loads(weather_data)
    
    if weather_dict.get('desc') == 'invilad-citykey':
        print('查询不到该城市天气信息'+data.city_name[i])
    elif weather_dict.get('desc') == 'OK':
        
        # 获取昨天的天气数据
        yesterday=weather_dict.get('data').get('yesterday')
        infod={'yesday':[yesterday.get('date')],
               'yeshigh':[yesterday.get('high')],
               'yeslow':[yesterday.get('low')],
               'yestype':[yesterday.get('type')]}
        infos=pd.DataFrame(infod)
        city_yesterdaydata=city_yesterdaydata.append(infos)
        # 获取城市名称
        infod={'city_name':[weather_dict.get('data').get('city')]}
        infos=pd.DataFrame(infod)
        city_name=city_name.append(infos)
        # 获取预测日期的天气数据
        forecast=weather_dict.get('data').get('forecast')
        infod={'curday':[forecast[0].get('date')],
               'curhigh':[forecast[0].get('high')],
               'curlow':[forecast[0].get('low')],
               'curtype':[forecast[0].get('type')],
               'oneday':[forecast[1].get('date')],
               'onehigh':[forecast[1].get('high')],
               'onelow':[forecast[1].get('low')],
               'onetype':[forecast[1].get('type')],
               'twoday':[forecast[2].get('date')],
               'twohigh':[forecast[2].get('high')],
               'twolow':[forecast[2].get('low')],
               'twotype':[forecast[2].get('type')],
               'theday':[forecast[3].get('date')],
               'thehigh':[forecast[3].get('high')],
               'thelow':[forecast[3].get('low')],
               'thetype':[forecast[3].get('type')],
               'forday':[forecast[4].get('date')],
               'forhigh':[forecast[4].get('high')],
               'forlow':[forecast[4].get('low')],
               'fortype':[forecast[4].get('type')]}
        infos=pd.DataFrame(infod)
        city_forecaet=city_forecaet.append(infos)
        
        # 合并上面提取好的数据
        city_info=pd.concat([city_name,city_yesterdaydata,city_forecaet],axis=1)
        city_infos=city_infos.append(city_info)

上面的部分代码是解析json源数据的，通过遍历即可获得所有想要城市近六天的天气信息。注意：提取城市为一般主要城市，例如省会或者是常听到的地级市，如果所在城市为自治州或者自治县等，有可能会提取失败。

提取的数据展示如下：

可以看到解析出来的数据中所有有关温度数据都包含“高温”、“低温”、“℃”这样的字符，实际上这样的字符是不需要的，那么可以通过下面的方式全部剔除掉：

# 清洗数据（替换高温，低温等其他无效字符）
city_infos.yeshigh=city_infos.yeshigh.apply(lambda x:x.replace('高温','')).apply(lambda x:x.replace('℃',''))
city_infos.yeslow=city_infos.yeslow.apply(lambda x:x.replace('低温','')).apply(lambda x:x.replace('℃',''))

这样数据就比较干净了，如下：

接下来就要对上述数据进行可视化展示了。

—

强大的Pyecharts可视化工具

由于在初次安装Python时是默认不安装Pyecharts包的，所以在利用Pyecharts数据可视化之前，先确保自己电脑上的Python环境安装了pyecharts工具包，如果没有安装，可以问度娘，相关的文章特别的多，安装过程其实也非常简单，这里就不再赘述了。

安装好之后，在python环境中导入相关的包：

from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.globals import ChartType, SymbolType
from pyecharts.render import make_snapshot
from snapshot_phantomjs import snapshot

那么接下来将获取到的数据用图的形式展示出来：

①全国主要城市今日最高气温分布

这张图其实是动态的，因小编尝试了好多次将动图保存为gif都失败了，所以这里贴上了静态图，以上是全国52个主要城市今日最高气温分布图，可以看到两个温度最高的城市分别是：重庆34°，桂林34°，华中华东以及整个华北地区的温度都在24-32°区间内，图中的那几个黄色点比较惹眼，可以看着那是我们的西北地区，青海、西藏和甘肃部分城市全天最高气温都还不到20°，这标识着全国城市中西北首先迈入凉爽的秋天。

②西北五省各城市明日最高最低气温分布图(面积图)

作为西北人，首先还是关注自己家乡的气温变化，这样就不用担心妈妈催着穿秋裤了，自觉还是很重要的。

这里我筛选了西北25个城市，可视化展示明日全天最高最低气温图，如上：可以看到西北火炉城市：吐鲁番，都已经是金秋送爽，丹桂飘香的季节了，全天气温最高还在37°，最低气温28°几乎很全部城市的最高气温持平，真的是名副其实的火焰山城市啊，另外还有其不相上下的哈密地区；西北城市中最凉爽TOP3：固原、平凉以及林芝，省会城市中西宁是真的凉爽，全天最高气温才21°，最近去青海湖游玩怕是要带厚秋裤了，还请大家自行准备，哈哈哈~

这里小编用面积图展示了西北五省主要城市最高最低温差，换一种方式再来展示一下子。

③西北五省各城市明日最高最低气温分布图(气泡图)

图中气泡大小表示温度的高低，气温越高气泡就越大，小编觉得相比面积图，气泡图相对更加直观一些。

—

动手才是实践的真理

深深的感触就是动手才是实践的真理，看了很多书但是不动手实践就是白搭，只有动手操作实现出来才能知道其中的坑在哪里，这样才能学以致用。今天带领大家简单的获取了主要城市未来六天的天气预报数据和利用Pyecharts可视化展示， Pyecharts中有很多很好玩的可视化展示方法，各位如若感兴趣的话可以尝试一波。