import matplotlib.dates as mdates

from dateutil import parser

# 把日期數(shù)據(jù)轉(zhuǎn)換成 datetime 的格式

# 把日期從 string 類型轉(zhuǎn)化為標準的 datetime 類型

day_milano = [parser.parse(x) for x in x1] #x是string

# 設定時間的格式

hours = mdates.DateFormatter('%H:%M')

# 設定X軸顯示的格式

ax.xaxis.set_major_formatter(hours)

一個畫圖過程：

# 讀取米蘭的城市氣象數(shù)據(jù)

df_milano = pd.read_csv('milano_270615.csv')

# 取出我們要分析的溫度和日期數(shù)據(jù)

y1 = df_milano['temp']

x1 = df_milano['day']

# 把日期數(shù)據(jù)轉(zhuǎn)換成 datetime 的格式

day_milano = [parser.parse(x) for x in x1]

# 調(diào)用 subplot 函數(shù), fig 是圖像對象，ax 是坐標軸對象

fig, ax = plt.subplots()

# 調(diào)整x軸坐標刻度，使其旋轉(zhuǎn)70度，方便查看

plt.xticks(rotation=70)

# 設定時間的格式

hours = mdates.DateFormatter('%H:%M')

# 設定X軸顯示的格式

ax.xaxis.set_major_formatter(hours)

# 畫出圖像，day_milano是X軸數(shù)據(jù)，y1是Y軸數(shù)據(jù)，‘r’代表的是'red' 紅色

ax.plot(day_milano ,y1, 'r')

# 顯示圖像

fig

from sklearn.svm import SVR

# 我們調(diào)用SVR函數(shù)，在參數(shù)中規(guī)定了使用線性的擬合函數(shù)

# 并且把 C 設為1000來盡量擬合數(shù)據(jù)(因為不需要精確預測不用擔心過擬合)

svr_lin1 = SVR(kernel='linear', C=1e3)

svr_lin2 = SVR(kernel='linear', C=1e3)

# 加入數(shù)據(jù)，進行擬合(這一步可能會跑很久，大概10多分鐘，休息一下:) )

svr_lin1.fit(dist1, temp_max1)

svr_lin2.fit(dist2, temp_max2)

xp1 = np.arange(10,100,10).reshape((9,1))

xp2 = np.arange(50,400,50).reshape((7,1))

yp1 = svr_lin1.predict(xp1)

yp2 = svr_lin2.predict(xp2)

# 限制了 x 軸的取值范圍

ax.set_xlim(0,400)

# 畫出圖像

ax.plot(xp1, yp1, c='b', label='Strong sea effect')

ax.plot(xp2, yp2, c='g', label='Light sea effect')

fig

print svr_lin1.coef_ #斜率

print svr_lin1.intercept_ # 截距

print svr_lin2.coef_

print svr_lin2.intercept_

這里 np.arange(10,100,10) 會返回 [10, 20, 30,..., 90]，如果把列表看成是一個矩陣，那么這個矩陣是 1x9 的。這里 reshape((9,1)) 函數(shù)就會把該列表變?yōu)?9x1 的， [[10], [20], ..., [90]]。這么做的原因是因為 predict() 函數(shù)的只能接受一個 Nx1 的列表，返回一個 1xN 的列表。

再學習一下numpy和pandas的數(shù)據(jù)結(jié)構(gòu)。

from scipy.optimize import fsolve #求解方程

# 定義了第一條擬合直線

def line1(x):

a1 = svr_lin1.coef_[0][0]

b1 = svr_lin1.intercept_[0]

return a1*x + b1

# 定義了第二條擬合直線

def line2(x):

a2 = svr_lin2.coef_[0][0]

b2 = svr_lin2.intercept_[0]

return a2*x + b2

# 定義了找到兩條直線的交點的 x 坐標的函數(shù)

def findIntersection(fun1,fun2,x0):

return fsolve(lambda x : fun1(x) - fun2(x),x0)

result = findIntersection(line1,line2,0.0)

print "[x,y] = [ %d , %d ]" % (result,line1(result))

# x = [0,10,20, ..., 300]

x = np.linspace(0,300,31)

plt.plot(x,line1(x),x,line2(x),result,line1(result),'ro')

風向頻率玫瑰圖

def showRoseWind(values,city_name,max_value):

N = 8

# theta = [pi*1/4, pi*2/4, pi*3/4, ..., pi*2]

theta = np.arange(0.,2 * np.pi, 2 * np.pi / N)

radii = np.array(values)

# 繪制極區(qū)圖的坐標系

plt.axes([0.025, 0.025, 0.95, 0.95], polar=True)

# 列表中包含的是每一個扇區(qū)的 rgb 值，x越大，對應的color越接近藍色

colors = [(1-x/max_value, 1-x/max_value, 0.75) for x in radii]

# 畫出每個扇區(qū)

plt.bar(theta, radii, width=(2*np.pi/N), bottom=0.0, color=colors)

# 設置極區(qū)圖的標題

plt.title(city_name, x=0.2, fontsize=20)

#調(diào)用

hist, bin = np.histogram(df_ferrara['wind_deg'],8,[0,360])

print hist

showRoseWind(hist,'Ferrara', max(hist))

計算風速均值的分布情況

def RoseWind_Speed(df_city):

# degs = [45, 90, ..., 360]

degs = np.arange(45,361,45)

tmp = []

for deg in degs:

# 獲取 wind_deg 在指定范圍的風速平均值數(shù)據(jù)

tmp.append(df_city[(df_city['wind_deg']>(deg-46)) & (df_city['wind_deg']

['wind_speed'].mean())

return np.array(tmp)

#調(diào)用

showRoseWind(RoseWind_Speed(df_ravenna),'Ravenna',max(hist))

總結(jié)

以上是生活随笔為你收集整理的python实现气象数据分析实验报告_Python 气象数据分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。