### 使用 Python 创建可视化天气预报 #### 导入库并准备环境 为了创建一个有效的可视化天气预报项目，需要安装一些必要的库。这些库包括 `metpy`、`matplotlib`、`pandas` 和 `cartopy` 等。 ```bash pip install metpy matplotlib pandas cartopy scipy bokeh requests csv ``` #### 获取天气数据 获取实时或历史天气数据可以通过网络爬虫或者API接口完成。对于本示例，假设已经通过 API 或者其他方式获得了所需的城市天气数据，并将其保存为 CSV 文件[^4]。 #### 处理CSV文件中的天气数据 读取之前下载好的 weather1.csv (当天) 和 weather14.csv (未来十四天)，并将它们转换成易于操作的数据结构： ```python import pandas as pd # 加载一天内的天气数据 df_today = pd.read_csv('weather1.csv') # 加载接下来两周的天气预测数据 df_forecast = pd.read_csv('weather14.csv') ``` #### 绘制简单的气温变化折线图 使用 Matplotlib 来展示一段时间内最高温和最低温的变化趋势: ```python import matplotlib.pyplot as plt plt.figure(figsize=(10, 6)) plt.plot(df_forecast['date'], df_forecast['max_temp'], label='Max Temp', color="red") plt.plot(df_forecast['date'], df_forecast['min_temp'], label='Min Temp', color="blue") plt.title('Temperature Forecast Over Next Two Weeks') plt.xlabel('Date') plt.ylabel('Temperature (°C)') plt.legend() plt.grid(True) plt.show() ``` #### 利用 Cartopy 进行地理空间绘图 如果想要显示特定区域的地图视图，则可以借助于Cartopy库来进行地理位置映射和标注重要地点的信息。 ```python import cartopy.crs as ccrs from cartopy.feature import NaturalEarthFeature fig = plt.figure(figsize=[12, 8]) ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree()) countries = NaturalEarthFeature( category='cultural', name='admin_0_countries', scale='50m' ) ax.add_feature(countries, facecolor='lightgray') for index, row in df_today.iterrows(): ax.scatter(row['longitude'], row['latitude'], transform=ccrs.Geodetic(), s=70, alpha=.9, zorder=3, marker='o', edgecolors='black', linewidth='.5', c=row['temperature']) plt.title("Today's Temperature Distribution Across Major Cities", fontsize=16) plt.show() ``` #### 构建交互式的 Bokeh 图表 为了让用户能够更好地探索数据，还可以采用Bokeh构建动态可交互的图表界面[^2]. ```python from bokeh.io import output_notebook, show from bokeh.models import ColumnDataSource, HoverTool from bokeh.plotting import figure output_notebook() source = ColumnDataSource(dict( dates=df_forecast['date'].tolist(), max_temps=df_forecast['max_temp'].tolist(), min_temps=df_forecast['min_temp'].tolist())) hover_tool = HoverTool(tooltips=[ ("日期", "@dates"), ("最高温度", "@max_temps°C"), ("最低温度", "@min_temps°C")]) plot = figure(title="Interactive Weather Forecast", x_axis_label='Dates', y_axis_label='Temperatures °C', tools=[hover_tool], plot_width=800, plot_height=400) plot.line(x='dates', y='max_temps', source=source, line_color="firebrick", legend_label="Max Temps") plot.circle(x='dates', y='max_temps', fill_color="white", size=8, source=source) plot.line(x='dates', y='min_temps', source=source, line_color="navy", legend_label="Min Temps") plot.circle(x='dates', y='min_temps', fill_color="white", size=8, source=source) show(plot) ``` 上述代码片段展示了如何利用Python及其丰富的生态系统来开发功能强大且美观的可视化天气预报工具。从基本的数据导入到高级图形渲染，每一步都体现了灵活性和技术实力。