使用 Python 创建空气质量检测图是一个非常直观且有效的方式来展示空气质量管理情况。我们可以借助多种可视化库，比如 Matplotlib、Seaborn 或者 Plotly 等工具来生成不同类型的图表。以下是具体的操作指南： ### 准备环境 首先需要安装必要的包和库。可以使用 pip 工具轻松完成这一过程： ```bash pip install matplotlib seaborn pandas requests ``` 如果想要更高级别的交互式绘图体验，则推荐加上 `plotly` 和 `folium` 来制作动态地图。 ```bash pip install plotly folium geopandas ``` ### 获取数据 为了绘制有意义的图形，我们需要获取最新的或历史性的空气质量指数 (AQI) 数据。可以通过 API 接口从公开平台下载这些数据，也可以直接读取已有的 CSV 文件。 这里给出一个简单的例子，假设有一个本地文件 "aqi_data.csv" 包含了日期时间列 'datetime', 地点列 'location' 及各污染物浓度等数值列如 PM25, SO2 等。 ```python import pandas as pd # 加载数据集 df = pd.read_csv('aqi_data.csv') print(df.head()) # 查看前几条记录 ``` ### 绘制基础折线图 接下来我们将以某地一段时间内 PM2.5 浓度为例创建一条随时间变化的趋势曲线。 ```python import matplotlib.pyplot as plt import seaborn as sns sns.set(style="darkgrid") plt.figure(figsize=(14,6)) sns.lineplot(data=df[['datetime','PM25']], x='datetime', y='PM25') plt.title("PM2.5 Concentration Over Time") plt.xlabel("Date & Time") plt.ylabel("PM2.5 Value(µg/m³)") plt.show() ``` ### 使用热力图表示空间分布 如果你的数据集中还包括地理坐标信息（经度 Longitude 和纬度 Latitude），那么就可以利用 Folium 库在一个电子地图上标记各个站点并显示出它们各自的 AQI 数值。 ```python import folium from folium.plugins import HeatMap m = folium.Map(location=[center_latitude, center_longitude], zoom_start=9) heat_data = [[row['latitude'], row['longitude']] for index, row in df.iterrows()] HeatMap(heat_data).add_to(m) m.save('heatmap.html') # 打开 heatmap.html 即可在浏览器查看效果 ``` 上述代码片段展示了如何基于经纬度坐标构建一张热度图，用于反映特定区域内各监测站的位置及相应的污染程度。用户点击链接打开 HTML 文件即可浏览最终的地图结果。 除了基本的时间序列分析外，还可以根据需求进一步探索其他视觉表达形式，例如柱状对比图、箱形图等等；甚至结合机器学习模型进行趋势预测并将未来预期添加到现有图像之中。总之，Python 提供了丰富的资源支持开发者们创造美观实用的空气质量检测图。