近10年气象分析（深度学习）

这是一个气象数据分析程序，主要用于分析和可视化气象数据。以下是该文件的主要功能：

1. 数据加载

• 在线数据：尝试从 GitHub 加载气象数据。

• 示例数据：如果无法加载在线数据，程序会自动生成示例数据。

2. 数据分析

• 年度趋势分析：计算并绘制温度、湿度、降水量和风速的年度趋势图。

• 季节性模式分析：分析并绘制温度、湿度、降水量和风速的季节性变化图。

• 相关性分析：计算并绘制气象要素之间的相关性热图。

3. 数据可视化

• 趋势图：使用 Matplotlib 绘制年度趋势图。

• 柱状图：使用 Seaborn 绘制季节性模式柱状图。

• 热图：使用 Seaborn 绘制相关性热图。

4. 报告生成

• 基本统计信息：计算并显示温度、湿度、降水量和风速的基本统计信息。

• 极端天气事件统计：计算并显示高温天数和暴雨天数。

5. 技术细节

• 数据生成：使用 NumPy 生成随机气象数据，包括温度、湿度、降水量和风速。

• 数据处理：使用 Pandas 进行数据分组和聚合计算。

• 可视化：使用 Matplotlib 和 Seaborn 进行数据可视化。

6. 运行流程

1. 程序启动，尝试加载在线数据，如果失败则生成示例数据。

2. 分析年度趋势，绘制趋势图。

3. 分析季节性模式，绘制柱状图。

• 分析气象要素之间的相关性，绘制热图。

5. 生成并显示分析报告。

7. 依赖库

• Pandas：用于数据处理和分析。

• NumPy：用于数值计算和随机数据生成。

• Matplotlib：用于数据可视化。

• Seaborn：用于高级数据可视化。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False     # 用来正常显示负号

class WeatherAnalyzer:
    def __init__(self):
        """初始化天气分析器"""
        # 设置基本的图表样式
        sns.set_theme()  # 使用 seaborn 默认主题
        sns.set_style("whitegrid", {'font.sans-serif': ['SimHei', 'DejaVu Sans']})
        
        self.df = None
        self.load_data()
        
    def load_data(self):
        """加载气象数据"""
        try:
            # 尝试从在线源加载数据
            url = "https://raw.githubusercontent.com/datasets/weather-data/master/weather.csv"
            self.df = pd.read_csv(url)
            print("在线数据加载成功！")
        except:
            print("无法从在线源加载数据，尝试加载示例数据...")
            # 创建示例数据
            self.create_sample_data()
            
    def create_sample_data(self):
        """创建示例气象数据"""
        # 创建过去10年的日期范围
        dates = pd.date_range(start='2013-01-01', end='2023-12-31', freq='D')
        
        # 生成随机气象数据
        np.random.seed(42)  # 设置随机种子以保证可重复性
        self.df = pd.DataFrame({
            'date': dates,
            'temperature': np.random.normal(20, 8, len(dates)),  # 温度，均值20，标准差8
            'humidity': np.random.normal(60, 15, len(dates)),    # 湿度，均值60，标准差15
            'precipitation': np.random.exponential(2, len(dates)), # 降水量，指数分布
            'wind_speed': np.random.normal(10, 3, len(dates))    # 风速，均值10，标准差3
        })
        
        # 添加季节信息
        self.df['season'] = pd.to_datetime(self.df['date']).dt.month.map({
            12: '冬季', 1: '冬季', 2: '冬季',
            3: '春季', 4: '春季', 5: '春季',
            6: '夏季', 7: '夏季', 8: '夏季',
            9: '秋季', 10: '秋季', 11: '秋季'
        })
        
        print("示例数据创建成功！")
        
    def analyze_trends(self):
        """分析气象趋势"""
        # 计算年度平均值
        yearly_avg = self.df.groupby(pd.to_datetime(self.df['date']).dt.year).agg({
            'temperature': 'mean',
            'humidity': 'mean',
            'precipitation': 'sum',
            'wind_speed': 'mean'
        })
        
        # 绘制年度趋势图
        plt.figure(figsize=(15, 10))
        
        # 温度趋势
        plt.subplot(2, 2, 1)
        plt.plot(yearly_avg.index, yearly_avg['temperature'], marker='o')
        plt.title('年平均温度趋势')
        plt.xlabel('年份')
        plt.ylabel('温度 (°C)')
        
        # 湿度趋势
        plt.subplot(2, 2, 2)
        plt.plot(yearly_avg.index, yearly_avg['humidity'], marker='o', color='green')
        plt.title('年平均湿度趋势')
        plt.xlabel('年份')
        plt.ylabel('湿度 (%)')
        
        # 降水量趋势
        plt.subplot(2, 2, 3)
        plt.plot(yearly_avg.index, yearly_avg['precipitation'], marker='o', color='blue')
        plt.title('年总降水量趋势')
        plt.xlabel('年份')
        plt.ylabel('降水量 (mm)')
        
        # 风速趋势
        plt.subplot(2, 2, 4)
        plt.plot(yearly_avg.index, yearly_avg['wind_speed'], marker='o', color='purple')
        plt.title('年平均风速趋势')
        plt.xlabel('年份')
        plt.ylabel('风速 (m/s)')
        
        plt.tight_layout()
        plt.show()
        
    def analyze_seasonal_patterns(self):
        """分析季节性模式"""
        # 计算季节平均值
        seasonal_avg = self.df.groupby('season').agg({
            'temperature': 'mean',
            'humidity': 'mean',
            'precipitation': 'mean',
            'wind_speed': 'mean'
        })
        
        # 设置季节顺序
        season_order = ['春季', '夏季', '秋季', '冬季']
        seasonal_avg = seasonal_avg.reindex(season_order)
        
        # 绘制季节性模式图
        plt.figure(figsize=(15, 10))
        
        # 温度的季节性变化
        plt.subplot(2, 2, 1)
        sns.barplot(x=seasonal_avg.index, y=seasonal_avg['temperature'])
        plt.title('季节平均温度')
        plt.ylabel('温度 (°C)')
        
        # 湿度的季节性变化
        plt.subplot(2, 2, 2)
        sns.barplot(x=seasonal_avg.index, y=seasonal_avg['humidity'], color='green')
        plt.title('季节平均湿度')
        plt.ylabel('湿度 (%)')
        
        # 降水量的季节性变化
        plt.subplot(2, 2, 3)
        sns.barplot(x=seasonal_avg.index, y=seasonal_avg['precipitation'], color='blue')
        plt.title('季节平均降水量')
        plt.ylabel('降水量 (mm)')
        
        # 风速的季节性变化
        plt.subplot(2, 2, 4)
        sns.barplot(x=seasonal_avg.index, y=seasonal_avg['wind_speed'], color='purple')
        plt.title('季节平均风速')
        plt.ylabel('风速 (m/s)')
        
        plt.tight_layout()
        plt.show()
        
    def analyze_correlations(self):
        """分析气象要素之间的相关性"""
        # 计算相关系数矩阵
        corr_matrix = self.df[['temperature', 'humidity', 'precipitation', 'wind_speed']].corr()
        
        # 绘制相关性热图
        plt.figure(figsize=(10, 8))
        sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)
        plt.title('气象要素相关性分析')
        plt.show()
        
    def generate_report(self):
        """生成分析报告"""
        # 计算基本统计量
        stats = self.df.describe()
        
        print("\n=== 气象数据分析报告 ===")
        print("\n基本统计信息：")
        print(stats)
        
        # 计算极端天气事件
        print("\n极端天气事件统计：")
        extreme_temp = len(self.df[self.df['temperature'] > stats['temperature']['75%'] + 1.5 * 
                                 (stats['temperature']['75%'] - stats['temperature']['25%'])])
        extreme_precip = len(self.df[self.df['precipitation'] > stats['precipitation']['75%'] + 1.5 * 
                                   (stats['precipitation']['75%'] - stats['precipitation']['25%'])])
        
        print(f"高温天数: {extreme_temp}")
        print(f"暴雨天数: {extreme_precip}")

def main():
    print("开始气象数据分析...")
    
    try:
        # 创建分析器实例
        analyzer = WeatherAnalyzer()
        
        # 分析趋势
        print("\n分析年度趋势...")
        analyzer.analyze_trends()
        
        # 分析季节性模式
        print("\n分析季节性模式...")
        analyzer.analyze_seasonal_patterns()
        
        # 分析相关性
        print("\n分析气象要素相关性...")
        analyzer.analyze_correlations()
        
        # 生成报告
        analyzer.generate_report()
        
    except Exception as e:
        print(f"分析过程中出现错误: {str(e)}")
        
if __name__ == "__main__":
    main()