学习笔记-大数据基础实训（python语言+可视化）

实训指导书

一、实训目的

利用python从指定接口爬取广东省各个地市的气象数据，存储并进行数据分析和可视化

二、****实训任务列表

给定以下3个接口：

1.http://www.nmc.cn/f/rest/province ，用于获取全国各省份数据

2.http://www.nmc.cn/f/rest/province/省份编码，用于获取某个省份的城市数据

3.http://www.nmc.cn/f/rest/passed/城市编号，用于获取某城市最近24小时天气数据

示例：省份编码需从接口1，例如广东省编码为ABC，城市编码利用省份编码从接口2获取，如广州市编号为123456，气象数据利用城市编码从接口3获取

1. 利用python编程从以上3个接口爬取数据，在本地存储为csv文件，csv文件包括：省份数据（provice.csv）、地市数据（city.csv）、广东省各地市气象数据（weather.csv），同时将3个csv文件数据存入mysql数据库中

2. 从数据库读取数据，求各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）、最大值、最小值、平均值、众数

3. 计算广州，深圳，佛山三个城市下午13：00温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的平均值

4. 分别求各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的top10，用matplotlib进行画图，使用展示的图类型为4种

5. 利用线性回归模型作图，显示温度和湿度二者之间的关联

6. 加分项：利用地图进行展示

一.利用python编程从以上3个接口爬取数据

接口：http://www.nmc.cn/f/rest/province

数据格式如下：

爬取（provice.py）省份数据生成（provice.csv）

# -*- coding: utf-8 -*-
import csv
import json
import requests
#全国各省的数据
url = "http://www.nmc.cn/f/rest/province"
strhtml = requests.get(url)  #获取响应结果,构造一个向服务器请求资源的Request对象
province = json.loads(strhtml.text)  #json.loads 用于解码 JSON 数据,返回 Python 字段的数据类型
#mode='w'打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件。
fo = open('province.csv', 'w', newline='', encoding='utf-8-sig')
header = ['code', 'name', 'url']
writer = csv.DictWriter(fo, header)
writer.writeheader()#写入表头
writer.writerows(province)
fo.close()

province.csv表的数据如下：

      ![](https://img-blog.csdnimg.cn/54c89ecdc4e14d37a3599139d1137486.png)

我所在地是广东，所以我选择 广东省的城市数据（AGD）

接口：http://www.nmc.cn/f/rest/province/AGD

数据格式如下：

爬取（city.py）城市数据生成（city.csv）

# -*- coding: utf-8 -*-
import csv
import json
import requests
#广东省的城市数据（AGD）
url = 'http://www.nmc.cn/f/rest/province/AGD'
strhtml = requests.get(url)
city = json.loads(strhtml.text)
fo = open('city.csv', 'w', newline='', encoding='utf-8-sig')
header = ['code', 'province', 'city','url']
writer = csv.DictWriter(fo, header)
writer.writeheader()
writer.writerows(city)
fo.close()

city表的数据格式如下：

爬取（weather.py）广东省各地市气象数据生成（weather.csv）

import urllib.request
import csv
import pandas as pd
#广东省的城市数据（AGD）
url = 'http://www.nmc.cn/f/rest/province/AGD'
strhtml = urllib.request.urlopen(url) #获取响应结果
GDweather = strhtml.read().decode('utf-8') #进行转码并设置为变量“str”的值
GDweather = eval(GDweather) #将字符串转换为代码执行
for i in range(len(GDweather)):
    weather = GDweather[i]
    page = weather["code"]  # 获取城市编号
    city = weather["city"]  # 获取城市名
    province = weather["province"]  # 获取省份
    url = "http://www.nmc.cn/f/rest/passed/" + page  # 拿到省内具体城市气候数据
    strhtml = urllib.request.urlopen(url)
    cityweather = strhtml.read().decode('utf-8')
    cityweather = eval(cityweather)
    weather = []
    for i in range(len(cityweather)):
        GD = cityweather[i]
        new_code = {"code":page}
        new_city = {"city":city}
        new_provice = {"province": province}
        GD.update(new_code) #字典覆盖
        GD.update(new_city)
        GD.update(new_provice)
        weather.append(GD) #往weather = [] 这个空数组中添加从GD中取得的元素
    # mode='a+'表示在已有数据基础上添加新数据，并不覆盖已有数据
    with open("weather.csv", "a", encoding='utf-8-sig', newline="") as fo:
        header = ["code", "province", "city", "rain1h", "rain24h", "rain12h", "rain6h",
                  "temperature", "tempDiff", "humidity", "pressure",
                  "windDirection", "windSpeed", "time"]
        writer = csv.DictWriter(fo, header)
        writer.writeheader()
        writer.writerows(weather)
        fo.close()
# 数据处理，将weather.csv表，去除重复表头
frame=pd.read_csv('F:\大数据基础实训\weather.csv',engine='python')
data = frame.drop_duplicates(subset=['code','province','city','rain1h','rain24h',
                                     'rain12h','rain6h','temperature','tempDiff',
                                     'humidity','pressure','windDirection',
                                     'windSpeed','time'], keep = False, inplace=False)
data.to_csv('F:\大数据基础实训\weather.csv', encoding='utf8')

weather表的数据格式如下：

将生成的3个csv文件中的数据分别存入到mysql中

需要先在Navicat中建数据库，我给这个数据库起名为bigdata，然后先在数据库中建3个表，每个表都要有一个和csv文件对应的表头，格式如下：

​​​​​​

注意：

在weather.csv中的第一列是序号，所以在sql中建weather表的时候也要给第一列起个名，我给它起名为 序号

代码如下：

import csv
import pymysql
def read_csv(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        reader = csv.reader(f)
        content = list(reader)[1:]
    return content
def insert_data(table_name, data):
    # 与数据库建立连接
    conn = pymysql.connect(host='localhost', user='root', password='123456', database='bigdata', charset='utf8')
    cursor = conn.cursor()  # 创建游标对象
    # 组装插入数据的SQL语句
    sql = "insert into {} values".format(table_name) + str(tuple(data))
    cursor.execute(sql)  # 执行插入数据的SQL语句
    conn.commit()  # 提交数据
    cursor.close()  # 关闭游标
    conn.close()  # 关闭数据库连接
# 读取并插入Province表数据
province_data = read_csv('F:\大数据基础实训\province.csv')
for data in province_data:
    insert_data('province', data)
# 读取并插入City表数据
city_data = read_csv('city.csv')
for data in city_data:
    insert_data('city', data)
# 读取并插入Weather表数据
weather_data = read_csv('weather.csv')
for data in weather_data:
    insert_data('weather', data)

** 存入数据库成功！！ **

如下：

二.从数据库读取数据，求各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）、最大值、最小值、平均值、众数

从数据库读取数据各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的最大值、最小值、平均值 。

import pymysql
import csv
#打开数据库连接
db = pymysql.connect(host='localhost',user='root',password='123456',database='bigdata',charset='utf8')
# print("从数据库读取数据，求各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）、最大值、最小值、平均值")
cursor = db.cursor()    #使用cursor()方法创建一个游标对象cursor
cursor.execute("SELECT "
               "city,"
               "AVG(temperature) as 温度平均值,"
               "MAX(temperature) as 温度最大值,"
               "MIN(temperature) as 温度最小值,"
               "AVG(humidity) as 湿度平均值,"
               "MAX(humidity) as 湿度最大值,"
               "MIN(humidity) as 湿度最小值,"
               "AVG(pressure) as 气压平均值,"
               "MAX(pressure) as 气压最大值,"
               "MIN(pressure) as 气压最小值,"
               "AVG(windSpeed) as 风速平均值,"
               "MAX(windSpeed) as 风速最大值,"
               "MIN(windSpeed) as 风速最小值 FROM weather GROUP BY city") #使用 execute()方法执行SQL查询
data = cursor.fetchall()    #使用fetchall()方法获取所有的数据，以元组形式返回
#关闭数据库连接
db.close()
with open("max-min-avg.csv", "w+", newline="", encoding='utf-8-sig') as file:
    header = ('城市', '温度平均值', '温度最大值', '温度最小值', '湿度平均值',
              '湿度最大值', ' 湿度最小值', '气压平均值', '气压最大值',
              '气压最小值', '风速平均值', '风速最大值', '风速最小值')
    pen = csv.writer(file)
    pen.writerow(header)
    # 遍历data中的每一行，并且转换为列表格式 （默认 tuple）
    for i in data:
        a = list(i)
        pen.writerow(a)

max-min-avg.csv表数据如下：

从数据库读取数据，广东省各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的众数。

代码如下：

import pymysql
conn = pymysql.connect(host='localhost', user='root', passwd='123456', db='bigdata', port=3306, charset='utf8')
cursor = conn.cursor()
sql = "SELECT city, temperature, humidity, pressure, windSpeed FROM weather WHERE time >= DATE_SUB(NOW(), INTERVAL 1 DAY)"
cursor.execute(sql)
rows = cursor.fetchall()
from statistics import mode
cities = {}
for row in rows:
    city, temperature, humidity, pressure, windSpeed = row
    if city not in cities:
        cities[city] = {}
    cities[city]['temperature'] = cities[city].get('temperature', []) + [temperature]
    cities[city]['humidity'] = cities[city].get('humidity', []) + [humidity]
    cities[city]['pressure'] = cities[city].get('pressure', []) + [pressure]
    cities[city]['windSpeed'] = cities[city].get('windSpeed', []) + [windSpeed]
result = []
for city in cities:
    temperature_mode = mode(cities[city]['temperature'])
    humidity_mode = mode(cities[city]['humidity'])
    pressure_mode = mode(cities[city]['pressure'])
    windSpeed_mode = mode(cities[city]['windSpeed'])
    result.append([city, temperature_mode, humidity_mode, pressure_mode, windSpeed_mode])
import csv
with open('zhongshu.csv', 'w', newline='') as f:
    writer = csv.writer(f)
    writer.writerow(['城市', '温度众数', '湿度众数', '气压众数', '风速众数'])
    writer.writerows(result)

zhongshu.csv的数据如下：

三. 计算广州，深圳，佛山三个城市下午13：00温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的平均值

代码如下：

import pymysql
import csv
#打开数据库连接
db = pymysql.connect(host='localhost',user='root',password='123456',database='bigdata',charset='utf8')
# 计算广州，深圳，佛山三个城市下午14：00温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的平均值
sor = db.cursor()
sor.execute("SELECT "
            "AVG(temperature) as 平均温度,"
            "AVG(humidity) as 平均湿度,"
            "AVG(pressure) as 平均气压,"
            "AVG(windSpeed) as 平均风速 "
            "FROM weather  where city in('广州','深圳','佛山') and time = '2023-6-25 13:00'")
data = sor.fetchall()
print(data)
# 关闭数据库连接
db.close()

运行结果如下：

四. 分别求各个城市过去24小时的温度（temperature）、湿度（humidity）、气压（pressure）、风速（windSpeed）的top10，用matplotlib进行画图，使用展示的图类型为4种

1.先求不同指标的top10，存为csv文件。代码如下：

import pymysql
import csv
db = pymysql.connect(host='localhost', user='root', password='123456', database='bigdata', charset='utf8')
data = {
    '温度': 'temperature',
    '湿度': 'humidity',
    '气压': 'pressure',
    '风速': 'windSpeed'
}
for key, value in data.items():
    cursor = db.cursor()
    cursor.execute(f"SELECT city, {value} FROM weather GROUP BY city ORDER BY {value}+0 DESC LIMIT 10;")
    result = cursor.fetchall()
    with open(f"top10-{value}.csv", "a+", newline="", encoding='utf-8-sig') as file:
        header = ('city', value)
        pen = csv.writer(file)
        pen.writerow(header)
        for i in result:
            a = list(i)
            pen.writerow(a)
db.close()

csv文件，分别为（如下图）：

2.用matplotlib进行画图，使用展示的图类型为4种。（这里我用折线图、柱状图，饼图，散点图）。

• ** 用各个城市过去24小时的温度的top10，作柱状图，代码如下：**

import pandas as pd
import matplotlib.pyplot as plt
#如遇中文显示问题可加入以下代码
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体['SimHei']
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
#最方便的写法
frame = pd.read_csv('F:/大数据基础实训/top10-temperature.csv', engine='python')
fig, ax = plt.subplots(figsize=(7,4), dpi=100)
x = frame['city']
y = frame['temperature'] #直接拿
# 柱状图 0.5是柱子的大小，edgecolor是柱子周边的颜色
bar = plt.bar(x, y, 0.5,color='skyblue', edgecolor='gray')
# 设置标题，y=1.05表示标题距离图上边框的距离
ax.set_title('各个城市过去24小时温度（temperature）的top10',fontsize=14,y=1.05)
# 设置Y坐标轴标题，字体颜色的深浅值越大颜色越深alpha = 0.4，rotation=300可以调整Y坐标的角度
ax.set_ylabel("温度",fontsize = 10,alpha = 0.4,rotation=360)
ax.yaxis.set_label_coords(-0.02,1.05) #温度的位置
# 设置Y轴区间
ax.set_ylim(25,40)
# 设置X坐标轴标题
ax.set_xlabel("城市",fontsize = 9,color = 'black',alpha = 0.4,rotation=360)
ax.set_xlim(-1,10)
# 显示数据标签
plt.bar_label(bar, label_type='edge')
# 边框隐藏
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
# ax.spines['bottom'].set_visible(False)
# ax.spines['left'].set_visible(False)
plt.show()

运行结果如下：

• 用各个城市过去24小时的湿度的top10，作折线图，代码如下：

import matplotlib.pyplot as plt
import pandas as pd
#如遇中文显示问题可加入以下代码
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
frame = pd.read_csv('F:/大数据基础实训/top10-humidity.csv', engine='python')
#准备绘制数据
fig, ax = plt.subplots(figsize=(8,4), dpi=100)
x = frame['city']
y = frame['humidity'] #直接拿
# "g" 表示红色，marksize用来设置'D'菱形的大小
plt.plot(x, y, "g", marker='D', markersize=3, label="湿度")
#绘制坐标轴标签
plt.xlabel("城市")
plt.ylabel("humidity")
plt.title("各个城市过去24小时湿度（humidity）的top10",y=1.02)
# plt.xlim((-1,10))#坐标轴设定
#显示图例
plt.legend(loc="upper right")
#调用 text()在图像上绘制注释文本
#x1、y1表示文本所处坐标位置，ha参数控制水平对齐方式, va控制垂直对齐方式，str(y1)表示要绘制的文本
for x1, y1 in zip(x, y):
    plt.text(x1, y1, str(y1), ha='center', va='bottom', fontsize=7)
plt.show()

运行结果如下：

• 用各个城市过去24小时的气压的top10，作散点图，代码如下：

# coding=utf-8
import pandas as pd
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体，解决中文乱码
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
frame = pd.read_csv('F:/大数据基础实训/top10-pressure.csv', engine='python')
fig, ax = plt.subplots(figsize=(9,4), dpi=100)
city = frame['city']
pressure = frame['pressure']
plt.xlabel("城市",fontsize = 12,color = 'black',alpha = 0.4,rotation=360)
plt.ylabel("pressure",fontsize = 12,color = 'black',alpha = 0.5,rotation=360)
ax.yaxis.set_label_coords(-0.02,1.05)
ax.set_ylim(980,1050)
# 设置标题，y=1.05表示标题距离图上边框的距离
ax.set_title('各个城市过去24小时气压（pressure）的top10',fontsize=14,y=1.05)
plt.scatter(city,pressure)
plt.show()

运行结果如下：

• 用各个城市过去24小时的风速的top10，作饼图，代码如下：

import pandas as pd
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
frame = pd.read_csv('F:/大数据基础实训/top10-windSpeed.csv', engine='python')
y = frame['city']
x = frame['windSpeed']
explode = (0.1, 0, 0, 0,0,0,0,0,0,0) #它指定偏移每个楔形的半径的分数
colors = ['r', 'g', 'skyblue', 'c', 'pink', 'yellow', 'aquamarine',"#377eb8","#4daf4a","#984ea3"]
fig,ax1 = plt.subplots() #返回一个包含figure和axes对象的元组，将元组分解为fig和ax两个变量。
#绘制饼状图，labels数据对应标签，autopct用于指定每个扇形块标注文本的样式，比如：定义百分数精度,shadow阴影，startangle起始角度
ax1.pie(x, explode=explode,colors = colors,
        labels=y, autopct='% 1.5f %%',
        shadow=True, startangle=90)
ax1.axis('equal')#让圆更像圆
ax1.set_title('各个城市过去24小时风速（windSpeed）的top10') #标题
plt.show()

运行结果如下：

五. 利用线性回归模型作图，显示温度和湿度二者之间的关联

我先查看了温度和湿度的相关性，然后再进行的线性回归模型的绘画，代码如下：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from pylab import mpl
from sklearn.preprocessing import MinMaxScaler
from sklearn.linear_model import LinearRegression as LR
from sklearn.model_selection import train_test_split
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']
mpl.rcParams['axes.unicode_minus'] = False
GDweather = pd.read_csv("F:\大数据基础实训\weather.csv")
# 数据集中不同变量之间的相关性
print(GDweather.corr(numeric_only=True))
# 检查相关性
data_set = GDweather.iloc[:,[8,10]]
print(data_set.corr())
fig, ax = plt.subplots(figsize=(14,4), dpi=100)
ax.set_title('温度和湿度关系图',fontsize=14,y=1.05)
# 绘制温度和湿度的关系图
sns.regplot(x=data_set["temperature"], y=data_set["humidity"],data=data_set)
plt.show()
# 数据预处理
data = GDweather[['temperature', 'humidity']]
# 数据缩放
scaler = MinMaxScaler()
data = scaler.fit_transform(data)
print(data)
#数据集划分为训练集和测试集
x = data[:, 0].reshape(-1, 1)
y = data[:, 1].reshape(-1, 1)
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)
#模型初始化
lr=LR()
#模型训练
lr.fit(x_train,y_train)
# 模型预测
y_train_pred = lr.predict(x_train)
y_test_pred = lr.predict(x_test)
#分别计算误差，确定是否过拟合；评估模型的泛化能力
from sklearn import metrics as ms
train_err = ms.mean_squared_error(y_train,y_train_pred)
test_err = ms.mean_absolute_error(y_test,y_test_pred)
print("训练集均方误差:",train_err)
print("测试集平均绝对误差:",test_err)
# 性能评估 决定系数
predict_score = lr.score(x_test,y_test)
print('得分：:{:.2f}'.format(predict_score))
# 绘制关系图
import matplotlib.pyplot as plt
plt.scatter(x_test, y_test)
plt.plot(x_test, y_test_pred, color='red', linewidth=2)
plt.xlabel('temperature')
plt.ylabel('humidity')
plt.title('温度和湿度回归图',fontsize=14,y=1.05)
plt.show()

运行出来的图如下：

​​

6. 加分项：利用地图进行展示

我这里是选择了爬取中国各省市的气候情况，对数据进行预处理后，将其提取各省气温的平均值进行可视化。

全国各省市天气的爬取代码如下：

import urllib.request
import csv
url = "http://www.nmc.cn/f/rest/province" #全国各省的数据
strhtml = urllib.request.urlopen(url)#获取响应结果
data = strhtml.read().decode('utf-8')
data = eval(data)
for i in range(len(data)):#循环爬取全国数据
    try: #抛出异常
        pro = data[i]
        print(pro)
        page = pro["code"]  # 获取省份编号
        # 全国各个省份
        url = "http://www.nmc.cn/f/rest/province/" + page  # 按照省份编号code循环获取地市数据
        strhtml = urllib.request.urlopen(url)
        allc = strhtml.read().decode('utf-8')
        allc = eval(allc)  # 得到全国各省市
        city = []
        for i in range(len(allc)):  # len(allc)表示一个省内市的个数
            citys = allc[i]  # c 里面是各省市的数据
            pages = citys["code"]  # 获取城市编号
            province = citys["province"]  # 获取省份
            city = citys["city"]  # 获取城市名
            url = "http://www.nmc.cn/f/rest/passed/" + pages  # 拿到省内具体城市气候数据
            strhtml = urllib.request.urlopen(url)
            weathers = strhtml.read().decode('utf-8')
            weathers = eval(weathers)  # 得到全国各省市天气数据
            weather = []  # 空数组
            for i in range(len(weathers)):  # 循环爬取
                weath = weathers[i]
                code = {"code":pages}
                provi = {"province": province}
                city1 = {"city": city}
                weath.update(code)
                weath.update(provi)
                weath.update(city1)
                weather.append(weath)
            # mode='a+'表示在已有数据基础上添加新数据，并不覆盖已有数据
            with open("China-Weather.csv", "a+", encoding='utf-8-sig', newline="") as fo:
                header = ["code","province", "city", "rain1h", "rain24h", "rain12h", "rain6h",
                          "temperature", "tempDiff", "humidity", "pressure",
                          "windDirection", "windSpeed", "time"]
                writer = csv.DictWriter(fo, header)
                writer.writeheader()
                writer.writerows(weather)
                fo.close()
                print(weather)
    except Exception as emmm:
        pass
    continue

代码中有一个抛出异常值处理，有一些地方爬取数据是会报错，直接跳过。爬取到的数据格式如下：

通过上图，将 数据进行预处理，去除重复的表头，删除不要的列（保留省份，城市，温度），代码如下：

# 处理China-Weather.csv表，去除重复表头
import pandas as pd
frame = pd.read_csv('F:\大数据基础实训\China-Weather.csv', engine='python')
df = frame.drop_duplicates(subset=['code','province','city','rain1h','rain24h',
                                     'rain12h','rain6h','temperature','tempDiff',
                                     'humidity','pressure','windDirection',
                                     'windSpeed','time'], keep=False, inplace=False)
#删除不要的列
df = df.drop(['code','rain1h','rain24h','rain12h','rain6h','tempDiff',
                                     'humidity','pressure','windDirection',
                                     'windSpeed','time'], axis = 1)  # 按列名称
# 写为China-weather1
df.to_csv('F:\大数据基础实训\China-Weather1.csv',index=False)

处理完的数据如下：

数据可视化，先通过省份来求温度的平均值，最后进行数据可视化，代码如下：

import pandas as pd  #pandas是强大的数据处理库
from pyecharts.charts import Map
from pyecharts import options as opts
from pyecharts.globals import ThemeType #引入主题
Map(init_opts=opts.InitOpts(width="1000px", height="600px",theme = ThemeType.DARK)) #添加主题ThemeType.DARK
data = pd.read_csv('F:\大数据基础实训\China-Weather1.csv', encoding='gbk')
# 使用groupby按照省份分组
data = data.groupby('province')
#　计算每个分组temperature平均值，使用unstack()将第一级索引转换为列
mean_temperature = data.temperature.mean()
mean_temperature.to_csv('F:\大数据基础实训\province-temperature.csv', encoding='gbk')
data = pd.read_csv('F:\大数据基础实训\province-temperature.csv', encoding='gbk')
province = list(data["province"])
temperature = list(data["temperature"])
list = [list(z) for z in zip(province,temperature)]
China = (
    Map(init_opts=opts.InitOpts(width="1200px", height="800px",theme = ThemeType.DARK)) #添加主题ThemeType.DARK
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各省平均温度分布图  单位:℃"),
        visualmap_opts=opts.VisualMapOpts(
            min_=10,
            max_=40,
            range_text = ['temperature 颜色区间:', ''],  #分区间
            is_piecewise=True,  #定义图例为分段型，默认为连续的图例
            pos_top= "middle",  #分段位置
            pos_left="top left",
            orient="vertical",
            split_number=10  #分成10个区间
        )
    )
    .add("temperature",list,maptype="china")
    .render("temperature.html")
)

可视化结果如下：

​​​​​

数据可视化，先通过全国各城市来求温度的平均值，最后进行数据可视化，代码如下：

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Geo
from pyecharts.globals import ChartType
data = pd.read_csv('F:\大数据基础实训\China-Weather.csv', encoding='gbk')
# 使用groupby按照城市分组
data = data.groupby('city')
#　计算每个分组温度平均值，使用unstack()将第一级索引转换为列
mean_temperature = data.temperature.mean()
mean_temperature.to_csv('F:\大数据基础实训\city-temperature.csv', encoding='gbk')
data = pd.read_csv('F:\大数据基础实训\city-temperature.csv', encoding='gbk')
c = (
    Geo(is_ignore_nonexistent_coord=True, init_opts=opts.InitOpts(width="1280px", height="800px", theme='dark'))  # 图表大小, 主题风格
    .add_schema(maptype="china",  # 地图
                itemstyle_opts=opts.ItemStyleOpts(color="#28527a",  # 背景颜色
                                                  border_color="#9ba4b4"))  # 边框颜色, 可在 https://colorhunt.co/选择颜色
    .add(
        "",  # 系列名称, 可不设置
        [(i, j) for i, j in zip(data['city'], data['temperature'])],  # 数据
        type_=ChartType.EFFECT_SCATTER,  # 涟漪散点
        effect_opts=opts.EffectOpts(symbol_size=1),  # 标记大小
    )
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))  # 不显示标签
    .set_global_opts(title_opts=opts.TitleOpts(title="全国城市气温",  # 图表标题
                                               pos_left='center',  # 标题位置
                                               subtitle='更新日期:2023-6-26',  # 副标题
                                               subtitle_link='http://tianqi.2345.com/air-rank.html'),  # 副标题链接
                     visualmap_opts=opts.VisualMapOpts(max_=200,
                                                       range_text=['temperature', ''],  # 上下的名称
                                                       split_number=4,  # 如果是连续数据, 分成几段
                                                       pos_left='5%',  # pos_right
                                                       pos_top='40%',  # pos_bottom
                                                       is_piecewise=True,  # 是否为分段显示
                                                       pieces=[{"min":10 , "max": 11.9, "color": "blue",'label': '温凉'},
                                                               {"min":12, "max":13.9, "color": "lightblue",'label': '微温凉'},
                                                               {"min":14 , "max":15.9 , "color": "green",'label': '温和'},
                                                               {"min": 16, "max": 17.9, "color": "lightgreen",'label': '微温和'},
                                                               {"min": 18, "max": 19.9, "color": "yellow",'label': '温和'},
                                                               {"min": 20, "max":21.9 , "color": "orange",'label': '暖'},
                                                               {"min": 22, "max": 24.9, "color": "darkorange",'label': '热'},
                                                               {"min": 25, "max": 27.9, "color": "red",'label': '炎热'},
                                                               {"min": 28, "max": 29.9, "color": "crimson",'label': '暑热'},
                                                               {"min": 30, "max": 34.9, "color": "purple",'label': '酷热'},
                                                               {"min": 35, "max": 39.9, "color": "pink",'label': '奇热'},
                                                               {"min": 40, "max": 44.9, "color": "brown",'label': '极热'}
                                                               ])))
c.render('F:\大数据基础实训\city_tem.html')

可视化结果如下：