28、气象数据与人口数据可视化分析

原创 于 2025-07-18 12:30:05 发布 · 47 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#气象数据 # 人口数据 # 数据可视化

气象数据与人口数据可视化分析

1. 气象数据可视化

在气象数据的分析中，我们收集了十个城市的气象数据，包括湿度和风力相关信息。分析湿度与城市离海距离的关系时，通过观察图表发现，离海近的城市，最小和最大湿度都相对较大。不过，由于收集的十个数据点太少，难以确定湿度和离海距离之间存在线性或其他可绘制曲线的关系。

风力数据方面，每个城市收集的数据包含风向（风力角度）和风速。风速与风向和一天中的时间相关。若使用经典散点图来展示风力数据，如执行以下代码： 

plt.plot(df_ravenna['wind_deg'],df_ravenna['wind_speed'],'ro')

得到的图表信息价值不大。为了更好地展示 360 度范围内的风力分布，我们选择使用极坐标图。具体操作步骤如下：
1. 创建直方图，将 360 度区间划分为八个 45 度的区间： 

hist, bins = np.histogram(df_ravenna['wind_deg'],8,[0,360])
print(hist)
print(bins)

运行结果示例： 

Out [ ]:
[ 0 5 11 1 0 1 0 0]
Out [ ]:
[ 0. 45. 90. 135. 180. 225. 270. 315. 360.]
  1. 定义 showRoseWind 函数来绘制极坐标图： 
def showRoseWind(values,city_name,max_value):
    N = 8
    theta = np.arange(0.,2 * np.pi, 2 * np.pi / N)
    radii = np.array(values)
    plt.axes([0.025, 0.025, 0.95, 0.95], polar=True)
    colors = [(1-x/max_value, 1-x/max_value, 0.75) for x in radii]
    plt.bar(theta +np.pi/8, radii, width=(2*np.pi/N), bottom=0.0, color=colors)
    plt.title(city_name,x=0.2, fontsize=20)
  1. 使用该函数绘制极坐标图： 
showRoseWind(hist,'Ravenna',max(hist))

通过这个极坐标图，我们可以直观地看到风向的径向分布。例如，在这个例子中，大部分时间风主要吹向西南/西方向。

我们还可以计算风速的平均分布。定义 RoseWind_Speed 函数来计算 360 度划分为八个区间的平均风速： 

def RoseWind_Speed(df_city):
    degs = np.arange(45,361,45)
    tmp = []
    for deg in degs:
        tmp.append(df_city[(df_city['wind_deg']>(deg-46)) & (df_city['wind_deg']<deg)]['wind_speed'].mean())
    return np.nan_to_num(tmp)

再定义 showRoseWind_Speed 函数来绘制风速分布的极坐标图： 

def showRoseWind_Speed(speeds,city_name):
    N = 8
    theta = np.arange(0,2 * np.pi, 2 * np.pi / N)
    radii = np.array(speeds)
    plt.axes([0.025, 0.025, 0.95, 0.95], polar=True)
    colors = [(1-x/10.0, 1-x/10.0, 0.75) for x in radii]
    bars = plt.bar(theta+np.pi/8, radii, width=(2*np.pi/N), bottom=0.0, color=colors)
    plt.title(city_name,x=0.2, fontsize=20)

使用示例： 

showRoseWind_Speed(RoseWind_Speed(df_ravenna),'Ravenna')

最后，我们可以使用 pandas 库的 to_csv 函数将处理后的数据保存为 CSV 文件，例如： 

df_ferrara.to_csv('ferrara.csv')
df_milano.to_csv('milano.csv')
# 其他城市数据保存类似
2. 人口数据可视化

在人口数据的分析中，我们使用美国人口普查局网站（www.census.gov）提供的人口数据进行分析。具体操作步骤如下：
1. 下载数据：访问网站上的数据集链接（www2.census.gov/programs - surveys/popest/datasets/），下载最新的 CSV 文件，这里使用的是 co - est2022 - alldata.csv 。
2. 导入必要的库： 

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
  1. 读取数据： 
pop2022 = pd.read_csv('co - est2022 - alldata.csv', encoding='latin - 1', dtype={'STATE': 'str', 'COUNTY': 'str'})
  1. 查看数据结构： 
pop2022

数据结构中， SUMLEV 列表示数据的地理级别，如 40 表示州，50 表示单个县。其他列包含了地区的分层细分信息以及人口估计数据。

为了便于分析，我们提取所需的数据：
1. 提取州级数据： 

pop2022_by_state = pop2022[pop2022.SUMLEV == 40]
  1. 提取关键信息： 
states = pop2022_by_state[['STNAME', 'POPESTIMATE2020', 'POPESTIMATE2021', 'POPESTIMATE2022']]

我们可以找出人口最多的五个州： 

states.sort_values(['POPESTIMATE2022'], ascending=False)[:5]

接下来，我们使用 JavaScript 的 D3 库来进行数据可视化。D3 是一个强大的 JavaScript 库，用于数据可视化。在 Jupyter Notebook 中使用 D3 库的步骤如下：
1. 导入 D3 库： 

%%javascript
require.config({
    paths: {
        d3: '//cdnjs.cloudflare.com/ajax/libs/d3/3.5.5/d3.min'
    }
});
  1. 定义 CSS 样式： 
from IPython.display import display, Javascript, HTML
display(HTML("""
<style>
.bar {
    fill: steelblue;
}
.bar:hover{
    fill: brown;
}
.axis {
    font: 10px sans-serif;
}
.axis path,
.axis line {
    fill: none;
    stroke: #000;
}
.x.axis path {
    display: none;
}
</style>
<div id="chart_d3" />
"""))
  1. 安装并使用 Jinja2 库定义动态 JavaScript 代码模板： 
import jinja2
myTemplate = jinja2.Template("""
require(["d3"], function(d3){
    var data = []
    {% for row in data %}
    data.push({ 'state': '{{ row[1] }}', 'population': '{{ row[4] }}' });
    {% endfor %}
    d3.select("#chart_d3 svg").remove()
    var margin = {top: 20, right: 20, bottom: 30, left: 40},
        width = 800 - margin.left - margin.right,
        height = 400 - margin.top - margin.bottom;
    var x = d3.scale.ordinal()
       .rangeRoundBands([0, width], .25);
    var y = d3.scale.linear()
       .range([height, 0]);
    var xAxis = d3.svg.axis()
       .scale(x)
       .orient("bottom");
    var yAxis = d3.svg.axis()
       .scale(y)
       .orient("left")
       .ticks(10)
       .tickFormat(d3.format('.1s'));
    var svg = d3.select("#chart_d3").append("svg")
       .attr("width", width + margin.left + margin.right)
       .attr("height", height + margin.top + margin.bottom)
       .append("g")
       .attr("transform", "translate(" + margin.left + "," + margin.top + ")");
    x.domain(data.map(function(d) { return d.state; }));
    y.domain([0, d3.max(data, function(d) { return d.population; })]);
    svg.append("g")
       .attr("class", "x axis")
       .attr("transform", "translate(0," + height + ")")
       .call(xAxis);
    svg.append("g")
       .attr("class", "y axis")
       .call(yAxis)
       .append("text")
       .attr("transform", "rotate(-90)")
       .attr("y", 6)
       .attr("dy", ".71em")
       .style("text - anchor", "end")
       .text("Population");
    svg.selectAll(".bar")
       .data(data)
       .enter().append("rect")
       .attr("class", "bar")
       .attr("x", function(d) { return x(d.state); })
       .attr("width", x.rangeBand())
       .attr("y", function(d) { return y(d.population); })
       .attr("height", function(d) { return height - y(d.population); });
});
""")
  1. 渲染模板并显示图表： 
display(Javascript(myTemplate.render(data = states.sort_values(['POPESTIMATE2022'], ascending=False)[:10].itertuples())))

为了展示各州人口随时间的变化趋势，我们可以使用聚类条形图。修改 CSS 样式和模板代码，具体如下：
1. 修改 CSS 样式： 

display(HTML("""
<style>
.bar2020 {
    fill: steelblue;
}
.bar2021 {
    fill: red;
}
.bar2022 {
    fill: yellow;
}
.axis {
    font: 10px sans-serif;
}
.axis path,
.axis line {
    fill: none;
    stroke: #000;
}
.x.axis path {
    display: none;
}
</style>
<div id="chart_d3" />
"""))
  1. 修改模板代码： 
import jinja2
myTemplate = jinja2.Template("""
require(["d3"], function(d3){
    var data = []
    var data2 = []
    var data3 = []
    {% for row in data %}
    data.push ({ 'state': '{{ row[1] }}', 'population': '{{ row[2] }}' });
    data2.push({ 'state': '{{ row[1] }}', 'population': '{{ row[3] }}' });
    data3.push({ 'state': '{{ row[1] }}', 'population': '{{ row[4] }}' });
    {% endfor %}
    d3.select("#chart_d3 svg").remove()
    var margin = {top: 20, right: 20, bottom: 30, left: 40},
        width = 800 - margin.left - margin.right,
        height = 400 - margin.top - margin.bottom;
    var x = d3.scale.ordinal()
       .rangeRoundBands([0, width], .25);
    var y = d3.scale.linear()
       .range([height, 0]);
    var xAxis = d3.svg.axis()
       .scale(x)
       .orient("bottom");
    var yAxis = d3.svg.axis()
       .scale(y)
       .orient("left")
       .ticks(10)
       .tickFormat(d3.format('.1s'));
    var svg = d3.select("#chart_d3").append("svg")
       .attr("width", width + margin.left + margin.right)
       .attr("height", height + margin.top + margin.bottom)
       .append("g")
       .attr("transform", "translate(" + margin.left + "," + margin.top + ")");
    x.domain(data.map(function(d) { return d.state; }));
    y.domain([0, d3.max(data, function(d) { return d.population; })]);
    svg.append("g")
       .attr("class", "x axis")
       .attr("transform", "translate(0," + height + ")")
       .call(xAxis);
    svg.append("g")
       .attr("class", "y axis")
       .call(yAxis)
       .append("text")
       .attr("transform", "rotate(-90)")
       .attr("y", 6)
       .attr("dy", ".71em")
       .style("text - anchor", "end")
       .text("Population");
    svg.selectAll(".bar2020")
       .data(data)
       .enter().append("rect")
       .attr("class", "bar2020")
       .attr("x", function(d) { return x(d.state); })
       .attr("width", x.rangeBand()/4)
       .attr("y", function(d) { return y(d.population); })
       .attr("height", function(d) { return height - y(d.population); });
    svg.selectAll(".bar2021")
       .data(data2)
       .enter().append("rect")
       .attr("class", "bar2021")
       .attr("x", function(d) { return (x(d.state)+x.rangeBand()/3); })
       .attr("width", x.rangeBand()/3)
       .attr("y", function(d) { return y(d.population); })
       .attr("height", function(d) { return height - y(d.population); });
    svg.selectAll(".bar2022")
       .data(data3)
       .enter().append("rect")
       .attr("class", "bar2022")
       .attr("x", function(d) { return (x(d.state)+2*x.rangeBand()/3); })
       .attr("width", x.rangeBand()/3)
       .attr("y", function(d) { return y(d.population); })
       .attr("height", function(d) { return height - y(d.population); });
});
""")
  1. 重新渲染模板并显示图表： 
# 重新渲染代码，根据修改后的数据和模板

这种聚类条形图能更清晰地展示各州在不同年份的人口变化趋势。

总结

通过以上对气象数据和人口数据的分析与可视化，我们可以看到数据可视化在数据分析中的重要性。不同类型的数据需要选择合适的可视化方法，才能更直观地呈现数据背后的信息。在气象数据中，极坐标图能很好地展示风力的分布；在人口数据中，使用 D3 库可以创建出更复杂和强大的可视化图表，帮助我们更好地理解数据。

流程图 

graph LR
    A[气象数据处理] --> B[湿度与离海距离分析]
    A --> C[风力数据处理]
    C --> D[散点图展示]
    C --> E[极坐标图展示]
    E --> F[风向分布分析]
    E --> G[风速分布分析]
    G --> H[数据保存为 CSV]
    I[人口数据处理] --> J[数据下载]
    J --> K[数据读取]
    K --> L[数据筛选]
    L --> M[找出人口最多州]
    M --> N[D3 库可视化]
    N --> O[条形图展示]
    N --> P[聚类条形图展示]

表格

数据类型 可视化方法 代码关键步骤
气象数据（风力） 极坐标图 1. 创建直方图
2. 定义 showRoseWind 函数
3. 调用函数绘制图表
人口数据 条形图、聚类条形图 1. 导入 D3 库
2. 定义 CSS 样式
3. 使用 Jinja2 定义模板
4. 渲染模板显示图表

气象数据与人口数据可视化分析

3. 气象数据与人口数据可视化总结

气象数据和人口数据的可视化分析为我们提供了不同领域的洞察。以下是对两种数据可视化过程的总结：

气象数据可视化总结
  • 数据收集 ：收集了十个城市的气象数据，涵盖湿度、风向和风速等信息。
  • 湿度分析 ：观察到离海近的城市湿度较大，但因数据点少难以确定与离海距离的关系。
  • 风力可视化 ：散点图不适合展示风力数据，极坐标图能更好地呈现风向和风速的分布。
    • 风向极坐标图 ：通过 showRoseWind 函数绘制，直观展示风向的径向分布。
    • 风速极坐标图 ：使用 RoseWind_Speed 和 showRoseWind_Speed 函数计算并绘制风速分布。
  • 数据保存 ：使用 pandas 的 to_csv 函数将处理后的数据保存为 CSV 文件。
人口数据可视化总结
  • 数据获取 ：从美国人口普查局网站下载 CSV 数据。
  • 数据处理 ：提取州级数据和关键信息，找出人口最多的五个州。
  • D3 库可视化 ：在 Jupyter Notebook 中使用 D3 库创建条形图和聚类条形图。
    • 条形图 ：展示人口最多的州的人口数量。
    • 聚类条形图 ：展示各州在不同年份的人口变化趋势。
4. 可视化效果对比

为了更清晰地比较不同可视化方法的效果，我们可以将气象数据和人口数据的可视化结果进行对比。

数据类型 可视化方法 优点 缺点
气象数据（风力） 散点图 简单直观展示数据点 难以展示 360 度分布
气象数据（风力） 极坐标图 清晰展示风向和风速分布 相对复杂，需特定函数绘制
人口数据 条形图 直观展示人口数量对比 难以展示多年份数据变化
人口数据 聚类条形图 清晰展示各州多年份人口变化趋势 图表较复杂，需调整样式
5. 实际应用与拓展

可视化分析在实际应用中有广泛的用途，以下是一些可能的应用场景和拓展方向：

气象数据应用
  • 城市规划 ：根据风向和风速分布，合理规划城市的工业布局和居民区，减少空气污染对居民的影响。
  • 农业生产 ：了解不同地区的湿度和风力情况，为农业灌溉和作物种植提供参考。
  • 能源开发 ：分析风力资源的分布，确定风力发电场的最佳选址。
人口数据应用
  • 政策制定 ：根据各州人口变化趋势，制定相应的教育、医疗和就业政策。
  • 市场调研 ：了解不同地区的人口规模和增长趋势，为企业的市场拓展提供依据。
  • 资源分配 ：根据人口分布情况，合理分配公共资源，提高资源利用效率。
拓展方向
  • 多数据融合 ：将气象数据和人口数据结合起来，分析气象因素对人口分布和迁移的影响。
  • 实时数据可视化 ：使用实时气象和人口数据，实现动态可视化，及时反映数据变化。
  • 交互式可视化 ：增加用户交互功能，让用户可以自由选择数据和可视化方式，深入探索数据。
6. 代码优化与注意事项

在进行数据可视化时，我们还需要注意一些代码优化和使用的注意事项。

气象数据代码优化
  • 函数复用 ：将一些通用的函数封装起来，提高代码的复用性。例如，可以将创建极坐标图的代码封装成一个通用函数，方便在不同城市的数据上使用。 
def create_polar_chart(values, city_name, max_value, title):
    N = 8
    theta = np.arange(0., 2 * np.pi, 2 * np.pi / N)
    radii = np.array(values)
    plt.axes([0.025, 0.025, 0.95, 0.95], polar=True)
    colors = [(1 - x / max_value, 1 - x / max_value, 0.75) for x in radii]
    plt.bar(theta + np.pi / 8, radii, width=(2 * np.pi / N), bottom=0.0, color=colors)
    plt.title(title, x=0.2, fontsize=20)
  • 数据处理优化 ：在处理大量气象数据时，可以使用更高效的数据结构和算法，减少计算时间。
人口数据代码优化
  • 模板管理 ：将 D3 库的模板代码单独保存为文件，方便管理和修改。
  • 数据加载优化 ：使用异步加载数据的方式，提高页面的响应速度。
注意事项
  • 数据质量 ：确保数据的准确性和完整性，避免因数据错误导致的可视化结果偏差。
  • 库版本 ：注意使用的 Python 库和 JavaScript 库的版本兼容性，避免出现代码运行错误。
  • 性能优化 ：在处理大规模数据时，注意代码的性能优化，避免出现卡顿现象。

流程图 

graph LR
    A[气象数据应用拓展] --> B[城市规划]
    A --> C[农业生产]
    A --> D[能源开发]
    E[人口数据应用拓展] --> F[政策制定]
    E --> G[市场调研]
    E --> H[资源分配]
    I[数据可视化拓展] --> J[多数据融合]
    I --> K[实时数据可视化]
    I --> L[交互式可视化]

表格

优化方向 气象数据 人口数据
函数复用 创建通用极坐标图函数 无
数据处理优化 使用高效数据结构和算法 无
模板管理 无 模板代码单独保存
数据加载优化 无 异步加载数据

通过以上的分析和总结，我们可以看到数据可视化在气象和人口领域的重要性和应用价值。合理选择可视化方法和优化代码，可以帮助我们更好地理解数据，做出更明智的决策。

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值