### 构建基于Python的天气信息可视化分析系统的实现 #### 数据获取 通过`requests`库发送HTTP请求并利用`BeautifulSoup`解析网页内容，可以提取目标网站上的天气数据。例如，可以从中国天气网或其他公开气象站点抓取当前及未来一段时间内的天气情况[^1]。 ```python import requests from bs4 import BeautifulSoup url = 'https://example.weather.com' headers = {'User-Agent': 'Mozilla/5.0'} response = requests.get(url, headers=headers) soup = BeautifulSoup(response.content, 'html.parser') data_elements = soup.find_all('div', class_='weather-data') raw_data = [] for element in data_elements: date = element.find('span', class_='date').text.strip() temp_high = element.find('span', class_='high-temp').text.strip() temp_low = element.find('span', class_='low-temp').text.strip() humidity = element.find('span', class_='humidity').text.strip() raw_data.append([date, temp_high, temp_low, humidity]) print(raw_data) ``` 此部分代码展示了如何从指定URL中提取日期、最高温度、最低温度以及湿度等基本信息[^3]。 --- #### 数据存储 将收集到的数据整理成结构化形式，并保存至CSV文件以便后续处理。这里采用`pandas`来简化操作流程： ```python import pandas as pd df = pd.DataFrame(raw_data, columns=['Date', 'High Temp (°C)', 'Low Temp (°C)', 'Humidity (%)']) output_path = './weather_data.csv' df.to_csv(output_path, index=False) loaded_df = pd.read_csv(output_path) print(loaded_df.head()) ``` 上述脚本实现了从内存中的列表转换为DataFrame对象再导出为本地磁盘文件的功能。 --- #### 可视化展示 借助于`matplotlib`和`seaborn`工具包完成图形绘制工作，比如折线图用于表示时间序列下的气温波动趋势；散点图则适合探索变量间可能存在的关联模式[^4]。 ##### 温度变化曲线 ```python import matplotlib.pyplot as plt plt.figure(figsize=(12, 6)) plt.plot(loaded_df['Date'], loaded_df['High Temp (°C)'].astype(float), label='High Temperature', marker='o') plt.plot(loaded_df['Date'], loaded_df['Low Temp (°C)'].astype(float), label='Low Temperature', marker='s') plt.title('Temperature Variation Over Time') plt.xlabel('Date') plt.ylabel('Temperature (°C)') plt.legend() plt.grid(True) plt.xticks(rotation=45) plt.tight_layout() plt.show() ``` ##### 湿度与温度的关系 ```python import numpy as np temperature_values = loaded_df['High Temp (°C)'].astype(float).values humidity_values = loaded_df['Humidity (%)'].str.replace('%','').astype(float).values correlation_coefficient = np.corrcoef(temperature_values, humidity_values)[0][1] plt.scatter(temperature_values, humidity_values, alpha=0.7) plt.title(f'Relationship Between Temperature and Humidity\nCorrelation Coefficient={correlation_coefficient:.2f}') plt.xlabel('Temperature (°C)') plt.ylabel('Humidity (%)') plt.axhline(y=np.mean(humidity_values), color='r', linestyle='--', linewidth=1, label=f'Mean Humidity ({np.mean(humidity_values):.1f}%)') plt.legend() plt.show() ``` 以上两段分别演示了如何制作关于每日高低温和对应湿水平均值之间的对比图表。 --- #### 综合分析 对于多个城市而言，还可以进一步扩展模型评估各地区气候条件适不适合户外活动等问题[^2]。这通常涉及定义一套评分标准并将各项指标量化后加权求和得出最终得分排名表单供决策参考之用。 ---