2019年第9期信息通信2019
(总第201期)INFORMATION&COMMUNICATIONS(Sum.No201)基于Python的气温数据分析设计与实现
卞玉露，蒋慧敏三阶魔方简易口诀
(宿迁学院信息工程学院，江苏宿迁223800)
摘要:Python扩展包提供了数据分析的强大功能，基于Python的气温数据分析利用了Python的数据分析扩展包，完成了气温数据的分析。实验结果表明：气象数据运行结果符合实际，能够预测城市气温变化；通过图像结果的分析可以预测未来气溫走向。
关键词:Python；数据分析汽象数据汽温；扩展包
中图分类号:P413文献标识码:A文章编号：1673-1131(2019)09-0027-02
Abstract:Python Extension Pack provides powerful functions far data analysis.Based on Python's temperature data analysis, Python Extension Pack is used to complete the analysis of t emperature data.The experimental results show that the operational results of m eteorological data are in line with the actual situation and can predict the change of u rban temperature,and t he future trend of t empmiure can be predicted by the analysis of image results.
Keywords:Pythondata-aaalysis;meteorological-data;temperature expansion-package
0引言
数据分析作为一种前沿技术，被广泛运用于物联网、云计算等新兴产业当中。近年来，Python的受欢迎程度正逐年稳步攀升，使用率大幅度提高。Python语言简单精炼，并且具有丰富和强大的库，为数据分析提供大量雷数叭现有的气温数据分析大多是利用R语言、SPSS语言进行分析。基于Python的气温数据分析设计与实现，是将Python运用到气象行业领域中，使用了Matplotlib子库Pyplot中的plot函数绘制气温折线图，使数据变化更加清晰、直观，从而方便进行数据分析。通过分析气温数据因走向和城市最高气温对比折线圏，来预测江苏省2018年11月份的气温变化趋势及2019年10月份的整体气温走向。1设计思路
Python作为胶水语言，更能轻易地以多种方式与其他语言的模块“粘接”在一起叫基于Python的气温数据分析设计与实现主要利用折线图来分析数据，能更直观的看出每日的具体气温数据及昼夜温差的大小。具体模块图如下：
气象python零基础入门教程
图1基于Pylhon的气象数振分析的整体模块图
图1中，获取数据阶段，从多个气象网站搜集2018年10月份江苏省内多个城市温度的具体数据，并以E
xcel形式来存放这些气象数据。数据处理阶段，通过xlnl模块包将表格导入从而读取数据，对数据进行清洗。数据可视化阶段，利用Ma・tplotiib141子库Pyplot中的plot函数绘制气温折线图。数据分析阶段，逋过对各城市的气温变化折线图和6个城市的气温数据的对比图进行分析，从而预测各城市气温的未来走向。
2气温数据的处理和分析
2.1数据处理
从“中国气象网”、“天气后报网”、“中国天气网”等气象网站上查了江苏省各城市在2018年10月份的气温数据。将各城市的气温数据转换成Excel表格内的数据，通过标准的xlrd模块包导入数据，调用open_workbook函数读取气温数据文件。检测在导入的数据中是看存在“脏”数据，即对不符合
vue常见面试题及答案
要求、不能直接处理的数据进行数据清洗，进而对异常值、不合实际的数值进行过滤、筛选。
goto的用法2.2分析数据图
MatplotUb库在Python中主要用来绘制图表，它提供了NumPy和pyplot函数，方便进行绘图和计算。气象数据可视化运用了MatplotHb库中的plot函数绘制气温折线图，其中使用xlabel添加横轴标签“10月份的日期”，使用ylabel添加纵轴名称“气温”，使用title添加图形的标题“2018年某城市的最高最低气温折
线图”，最后调用save五g显示图像，得出某市的气温折线图。
以2018年10月份淮安市和南京市的气温折线图为例。在下图2、图3中，横坐标表示日期，纵塑标表示气温。红折线表示最高气温，蓝折线表示最低气温，以便于删了解粉析。图4表示江苏省2018年10月份各城市的最高气温对比折线图。
[5]Fisher Yu and Vladlen Koltun.Multi-scale context aggrega­
tion by dilated convolutions.International Conference on Learning Representations[C],2016.
[6]基于深度学习的人密度估计及稠密人计数的研究
[D].郑州大学,2017.
[7]郑国书，朱秋煜，王辉.基于深度学习SSD模型的视频室
内人数统计[〕]•工业控制计算机,2017,30(11):48-50.[8]王军，夏利民.基于深度学习特征的异常行为检测[J].湖乱世佳人在线免费
南大学学报(自然科学版),2017,44(10):130-13&
编程学习班
[9]叶张帆，黄立勤.基于深度学习和特征点数量的人数统计
方法[J].厦门理工学院学报,2018,26(1):48-54.
作者简介：魏金金(1986J，女，河南新乡人，助教，硕士，研究方向：复变函数分析、数学建模与优化算法。
27

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。