### Python城市天气数据统计与预测示例 以下是实现城市天气数据统计与预测的一个完整示例代码。该代码分为以下几个部分： 1. **数据采集**：使用 `requests` 和 OpenWeatherMap API 获取实时天气数据。 2. **数据存储**：将获取到的数据保存至 Pandas DataFrame 中以便后续处理。 3. **数据分析**：利用 NumPy 进行基本的统计数据计算，例如平均温度、湿度范围等。 4. **数据可视化**：借助 Matplotlib 展现历史天气趋势。 5. **简单预测模型**：基于线性回归方法对未来几天的温度进行初步预测。 #### 示例代码 ```python import requests import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt def fetch_weather_data(api_key, city, days=7): """ 使用OpenWeatherMap API获取指定城市的未来N天天气预报数据。 :param api_key: OpenWeatherMap API密钥 :param city: 查询的城市名称 :param days: 需要查询的天数，默认为7天 :return: 返回DataFrame格式的历史和预测天气数据 """ base_url = "http://api.openweathermap.org/data/2.5/forecast" params = { 'q': city, 'appid': api_key, 'units': 'metric' } response = requests.get(base_url, params=params).json() if response['cod'] != '200': raise ValueError(f"无法获取{city}的天气数据") # 解析API返回的结果 records = [] for item in response['list']: date_time = item['dt_txt'] temperature = item['main']['temp'] humidity = item['main']['humidity'] weather_desc = item['weather'][0]['description'] record = {'Date-Time': date_time, 'Temperature (°C)': temperature, 'Humidity (%)': humidity, 'Description': weather_desc} records.append(record) df = pd.DataFrame(records) df['Date-Time'] = pd.to_datetime(df['Date-Time']) return df[df['Date-Time'].dt.day % int(days / 7) == 0].reset_index(drop=True) def analyze_and_predict(dataframe): """ 对天气数据进行分析并尝试简单的线性回归预测。 :param dataframe: 输入的天气数据框 :return: 输出预测结果以及绘图 """ # 转换日期列便于建模 dataframe['Day Index'] = range(len(dataframe)) X = dataframe[['Day Index']].values.reshape(-1, 1) y_temp = dataframe['Temperature (°C)'].values model = LinearRegression().fit(X, y_temp) predicted_temps = model.predict(X) # 可视化实际值 vs 预测值 plt.figure(figsize=(10, 6)) plt.plot(dataframe['Date-Time'], y_temp, label="Actual Temperature", marker='o') plt.plot(dataframe['Date-Time'], predicted_temps, label="Predicted Temperature", linestyle="--") plt.title('Temperature Analysis and Prediction', fontsize=16) plt.xlabel('Date', fontsize=12) plt.ylabel('Temperature (°C)', fontsize=12) plt.legend(fontsize=12) plt.grid(True) plt.show() return {"R-squared": model.score(X, y_temp), "Coefficients": model.coef_} if __name__ == "__main__": YOUR_API_KEY = "YOUR_OPENWEATHERMAP_API_KEY" CITY_NAME = "Shanghai" try: weather_df = fetch_weather_data(YOUR_API_KEY, CITY_NAME) analysis_result = analyze_and_predict(weather_df) print("Linear Regression Model Performance:") print(f"R-squared Value: {analysis_result['R-squared']: .2f}") print(f"Coefficient of Day Index on Temp: {analysis_result['Coefficients'][0]: .2f}") except Exception as e: print(e) ``` 此代码实现了从数据收集到预测的一整套流程[^2]。其中，`fetch_weather_data` 函数负责调用外部API抓取天气信息；而 `analyze_and_predict` 则完成对已有数据的趋势分析及未来的简单预测工作。 #### 关键技术点说明 - 数据请求模块采用了第三方服务接口来获得目标区域内的气象记录[^1]。 - 在构建机器学习模型之前，先完成了必要的预处理操作，比如时间戳转换成数值型特征用于训练算法输入[^3]。 - 结果展示方面不仅提供了图形化的对比效果，还给出了量化评估指标如决定系数 $ R^2 $ 来衡量拟合优度。