网络安全最新Python爬取天气数据及可视化分析！_天气数据可视化分析(2)

最新推荐文章于 2024-06-05 11:29:15 发布

2401_84301227

最新推荐文章于 2024-06-05 11:29:15 发布

阅读量926

点赞数 14

分类专栏：程序员文章标签：信息可视化 python 数据分析

本文链接：https://blog.csdn.net/2401_84301227/article/details/138446638

版权

程序员专栏收录该内容

162 篇文章 1 订阅

订阅专栏

final_day = []           # 存放当天的数据
count = 0
for i in dayone:
temp = []
if count <=23:
temp.append(i[‘od21’])     # 添加时间
temp.append(i[‘od22’])     # 添加当前时刻温度
temp.append(i[‘od24’])     # 添加当前时刻风力方向
temp.append(i[‘od25’])     # 添加当前时刻风级
temp.append(i[‘od26’])     # 添加当前时刻降水量
temp.append(i[‘od27’])     # 添加当前时刻相对湿度
temp.append(i[‘od28’])     # 添加当前时刻控制质量
#print(temp)
final_day.append(temp)
count = count +1


下面爬取7天的数据

ul = data.find(‘ul’)      # 找到所有的ul标签
li = ul.find_all(‘li’)      # 找到左右的li标签
i = 0     # 控制爬取的天数
for day in li:          # 遍历找到的每一个li
if i < 7 and i > 0:
temp = []          # 临时存放每天的数据
date = day.find(‘h1’).string     # 得到日期
date = date[0:date.index(‘日’)]   # 取出日期号
temp.append(date)

inf = day.find_all(‘p’) # 找出li下面的p标签,提取第一个p标签的值，即天气
temp.append(inf[0].string)

tem_low = inf[1].find(‘i’).string # 找到最低气温

if inf[1].find(‘span’) is None:   # 天气预报可能没有最高气温
        tem_high = None
    else:
        tem_high = inf[1].find(‘span’).string  # 找到最高气温
    temp.append(tem_low[:-1])
    if tem_high[-1] == ‘℃’:
     temp.append(tem_high[:-1])
    else:
     temp.append(tem_high)
    wind = inf[2].find_all(‘span’)  # 找到风向
    for j in wind:
     temp.append(j[‘title’])
    wind_scale = inf[2].find(‘i’).string # 找到风级
    index1 = wind_scale.index(‘级’)
    temp.append(int(wind_scale[index1-1:index1]))
    final.append(temp)
i = i + 1

return final_day,final


同样对于/weather15d：15天的信息，也做同样的处理，这里经过查看后发现他的15天网页中只有8-14天，前面的1-7天在/weather中，这里就分别访问两个网页将爬取得到的数据进行合并得到最终14天的数据。-  前面是未来14天的数据爬取过程，对于当天24小时的天气信息数据，经过查找发现他是一个json数据，可以通过json.loads()


方法获取当天的数据，进而对当天的天气信息进行提取。



![图片](https://img-blog.csdnimg.cn/img_convert/09be5f5d4c9d17fff7119a7f1931e211.png)



**保存csv文件**


前面将爬取的数据添加到列表中，这里引入csv库，利用f\_csv.writerow(header)和f\_csv.writerows(data)方法，分别写入表头和每一行的数据，这里将1天和未来14天的数据分开存储，分别保存为weather1.csv和weather14.csv，下面是他们保存的表格图：



![图片](https://img-blog.csdnimg.cn/img_convert/9e25d1967d7ceeb6df47b87bd0271ee3.png)




![图片](https://img-blog.csdnimg.cn/img_convert/4f49b369046a29364c016b7b1b4b53fb.png)


### **2.可视化分析**


**当天温度变化曲线图**


采用matplotlib中plt.plot()方法绘制出一天24小时的温度变化曲线，并用plt.text()方法点出最高温和最低温，并画出平均温度线，下图为温度变化曲线图：(代码见附录)



![图片](https://img-blog.csdnimg.cn/img_convert/73fc99e642acc5ef1c25a4adca39790b.png)



分析可以发现这一天最高温度为33℃，最低温度为28℃，并且平均温度在20.4℃左右，通过对时间分析，发现昼夜温差5℃，低温分布在凌晨，高温分布在中午到下午的时间段。


**当天相对湿度变化曲线图**


采用matplotlib中plt.plot()方法绘制出一天24小时的湿度变化曲线，并画出平均相对湿度线，下图为湿度变化曲线图：(代码见附录)



![图片](https://img-blog.csdnimg.cn/img_convert/fa215cfc607e6d9ed5ce704a9dc27c51.png)



分析可以发现这一天最高相对湿度为86%，最低相对湿度为58℃，并且平均相对湿度在75%左右，通过对时间分析，清晨的湿度比较大，而下午至黄昏湿度较小。


**温湿度相关性分析图**


经过前面两个图的分析我们可以感觉到温度和湿度之间是有关系的，为了更加清楚直观地感受这种关系，使用plt.scatter()方法将温度为横坐标、湿度为纵坐标，每个时刻的点在图中点出来，并且计算相关系数，下图为结果图：



![图片](https://img-blog.csdnimg.cn/img_convert/439578aa46d4f25876919936a9ed2fd1.png)



分析可以发现一天的温度和湿度具有强烈的相关性，他们呈负相关，这就说明他们时间是负相关关系，并且进一步分析，当温度较低时，空气中水分含量较多，湿度自然较高，而温度较高时，水分蒸发，空气就比较干 燥，湿度较低，符合平时气候现象。


**空气质量指数柱状图**


空气质量指数AQI是定量描述空气质量状况的指数，其数值越大说明空气污染状况越重，对人体健康的危害也就越大。一般将空气质量指数分为6个等级，等级越高说明污染越严重，下面使用plt.bar方法对一天24小时的空气质量进行了柱状图绘制，并且根据6个等级的不同，相应的柱状图的颜色也从浅到深，也表明污染逐步加重，更直观的显示污染情况，并且也将最高和最低的空气质量指数标出，用虚线画出平均的空气质量指数，下图是绘制结果图：



![图片](https://img-blog.csdnimg.cn/img_convert/eab747d934c6aa15f3276e78112d8198.png)



上面这张是南方珠海的控制质量图，可以看出空气质量指数最大也是在健康范围，说明珠海空气非常好，分析可以发现这一天最高空气质量指数达到了35，最低则只有14，并且平均在25左右，通过时间也可以发现，基本在清晨的时候是空气最好的时候（4-9点），在下午是空气污染最严重的时候，所以清晨一般可以去外面呼吸新鲜的空气，那时污染最小。


而下面这个空气质量图是选取的北方的一个城市，可以看到这里的环境远远比不上珠海。



![图片](https://img-blog.csdnimg.cn/img_convert/a79cb2e9d60c2c1048aaa62c633c3b51.png)



**风向风级雷达图**


统计一天的风力和风向，由于风力风向使用极坐标的方式展现较好，所以这里采用的是极坐标的方式展现一天的风力风向图，将圆分为8份，每一份代表一个风向，半径代表平均风力，并且随着风级增高，蓝色加深，最后结果如下所示：



![图片](https://img-blog.csdnimg.cn/img_convert/09fdaa57bd8be255e7bd66c69091aa2d.png)



分析可以发现这一天西南风最多，平均风级达到了1.75级，东北风也有小部分1.0级，其余空白方向无来风。


**未来14天高低温变化曲线图**


统计未来14天的高低温度变化，并绘制出他们的变化曲线图，分别用虚线将他们的平均气温线绘制出来，最后结果如下所示：



![图片](https://img-blog.csdnimg.cn/img_convert/8bb2d8cef3b9590b857ccda482497220.png)



分析可以发现未来14天高温平均气温为30.5℃，温度还是比较高，但是未来的第8天有降温，需要做好降温准备，低温前面处于平稳趋势，等到第8天开始下降，伴随着高温也下降，整体温度下降，低温平均在27℃左右。


**未来14天风向风级雷达图**


统计未来14天的风向和平均风力，并和前面一样采用极坐标形式，将圆周分为8个部分，代表8个方向，颜色越深代表风级越高，最后结果如下所示：



![图片](https://img-blog.csdnimg.cn/img_convert/2caeac2d051662b8e20d80dfc84937a7.png)



分析可以发现未来14天东南风、西南风所占主要风向，风级最高达到了5级，最低的西风平均风级也有3级。


**未来14天气候分布饼图**


统计未来14天的气候，并求每个气候的总天数，最后将各个气候的饼图绘制出来，结果如下所示：



![图片](https://img-blog.csdnimg.cn/img_convert/dc12b6f70ef7a56c156cb33d2394cc71.png)



分析可以发现未来14天气候基本是“雨”、“阴转雨”和“阵雨”，下雨的天数较多,结合前面的气温分布图可以看出在第8-9天气温高温下降，可以推测当天下雨，导致气温下降。


### **3、结论**


1.首先根据爬取的温湿度数据进行的分析，温度从早上低到中午高再到晚上低，湿度和温度的趋势相反，通过相关系数发现温度和湿度有强烈的负相关关系，经查阅资料发现因为随着温度升高水蒸汽蒸发加剧，空气中水分降低湿度降低。当然，湿度同时受气压和雨水的影响，下雨湿度会明显增高。


2.经查阅资料空气质量不仅跟工厂、汽车等排放的烟气、废气等有关，更为重要的是与气象因素有关。由于昼夜温差明显变化，当地面温度高于高空温度时，空气上升，污染物易被带到高空扩散；当地面温度低于一定高度的温度时，天空形成逆温层，它像一个大盖子一样压在地面上空，使地表空气中各种污染物不易扩散。一般在晚间和清晨影响较大，而当太阳出来后，地面迅速升温，逆温层就会逐渐消散，于是污染空气也就扩散了。


3.风是由气压在水平方向分布的不均匀导致的。风受大气环流、地形、水域等不同因素的综合影响，表现形式多种多样，如季风、地方性的海陆风、山谷风等，一天的风向也有不同的变化，根据未来14天的风向雷达图可以发现未来所有风向基本都有涉及，并且没有特别的某个风向，原因可能是近期没有降水和气文变化不大，导致风向也没有太大的变化规律。


4.天气是指某一个地区距离地表较近的大气层在短时间内的具体状态。跟某瞬时内大气中各种气象要素分布的综合表现。根据未来14天的天气和温度变化可以大致推断出某个时间的气候，天气和温度之间也是有联系的。


**4、代码框架**


代码主要分为weather.py：对中国天气网进行爬取天气数据并保存csv文件；data1\_analysis.py：对当天的天气信息进行可视化处理；data14\_analysis.py：对未来14天的天气信息进行可视化处理。下面是代码的结构图：



![图片](https://img-blog.csdnimg.cn/img_convert/ec57484e8a2256b32bd6429025854a4a.png)



**附源代码**


**weather.py**

# weather.py
import requests
from bs4 import BeautifulSoup
import csv
import json
def getHTMLtext(url):
“”“请求获得网页内容”“”
try:
  r = requests.get(url, timeout = 30)
  r.raise_for_status()
  r.encoding = r.apparent_encoding
  print(“成功访问”)
  return r.text
except:
  print(“访问错误”)
  return" "

def get_content(html):
“”“处理得到有用信息保存数据文件”“”
final = []          # 初始化一个列表保存数据
bs = BeautifulSoup(html, “html.parser”)  # 创建BeautifulSoup对象
body = bs.body
data = body.find(‘div’, { ‘id’: ‘7d’})    # 找到div标签且id = 7d
# 下面爬取当天的数据
data2 = body.find_all(‘div’,{ ‘class’:‘left-div’})
text = data2[2].find(‘script’).string
text = text[text.index(‘=’)+1 :-2]   # 移除改var data=将其变为json数据
jd = json.loads(text)
dayone = jd[‘od’][‘od2’]     # 找到当天的数据
final_day = []           # 存放当天的数据
count = 0
for i in dayone:
  temp = []
  if count <=23:
   temp.append(i[‘od21’])     # 添加时间
   temp.append(i[‘od22’])     # 添加当前时刻温度
   temp.append(i[‘od24’])     # 添加当前时刻风力方向
   temp.append(i[‘od25’])     # 添加当前时刻风级
   temp.append(i[‘od26’])     # 添加当前时刻降水量
   temp.append(i[‘od27’])     # 添加当前时刻相对湿度
   temp.append(i[‘od28’])     # 添加当前时刻控制质量
   #print(temp)
   final_day.append(temp)
  count = count +1
# 下面爬取7天的数据
ul = data.find(‘ul’)      # 找到所有的ul标签
li = ul.find_all(‘li’)      # 找到左右的li标签
i = 0     # 控制爬取的天数
for day in li:          # 遍历找到的每一个li
     if i < 7 and i > 0:
         temp = []          # 临时存放每天的数据
         date = day.find(‘h1’).string     # 得到日期
         date = date[0:date.index(‘日’)]   # 取出日期号
         temp.append(date)
         inf = day.find_all(‘p’)      # 找出li下面的p标签,提取第一个p标签的值，即天气
         temp.append(inf[0].string)

tem_low = inf[1].find(‘i’).string # 找到最低气温

wind = inf[2].find_all(‘span’)  # 找到风向
         for j in wind:
          temp.append(j[‘title’])

wind_scale = inf[2].find(‘i’).string # 找到风级
         index1 = wind_scale.index(‘级’)
         temp.append(int(wind_scale[index1-1:index1]))
         final.append(temp)
     i = i + 1
return final_day,final
#print(final)
def get_content2(html):
“”“处理得到有用信息保存数据文件”“”
final = []                # 初始化一个列表保存数据
bs = BeautifulSoup(html, “html.parser”)        # 创建BeautifulSoup对象
body = bs.body
data = body.find(‘div’, { ‘id’: ‘15d’})          # 找到div标签且id = 15d
ul = data.find(‘ul’)            # 找到所有的ul标签
li = ul.find_all(‘li’)            # 找到左右的li标签
final = []
i = 0                 # 控制爬取的天数
for day in li:               # 遍历找到的每一个li
     if i < 8:
         temp = []               # 临时存放每天的数据
         date = day.find(‘span’,{ ‘class’:‘time’}).string    # 得到日期
         date = date[date.index(‘（’)+1:-2]        # 取出日期号
         temp.append(date)
         weather = day.find(‘span’,{ ‘class’:‘wea’}).string    # 找到天气
         temp.append(weather)
         tem = day.find(‘span’,{ ‘class’:‘tem’}).text      # 找到温度
         temp.append(tem[tem.index(‘/’)+1:-1])     # 找到最低气温
         temp.append(tem[:tem.index(‘/’)-1])      # 找到最高气温
         wind = day.find(‘span’,{ ‘class’:‘wind’}).string    # 找到风向
         if ‘转’ in wind:           # 如果有风向变化
          temp.append(wind[:wind.index(‘转’)])
          temp.append(wind[wind.index(‘转’)+1:])
         else:             # 如果没有风向变化，前后风向一致
          temp.append(wind)
          temp.append(wind)
         wind_scale = day.find(‘span’,{ ‘class’:‘wind1’}).string    # 找到风级
         index1 = wind_scale.index(‘级’)
         temp.append(int(wind_scale[index1-1:index1]))

         final.append(temp)
return final

def write_to_csv(file_name, data, day=14):
“”“保存为csv文件”“”
with open(file_name, ‘a’, errors=‘ignore’, newline=‘’) as f:
  if day == 14:
   header = [‘日期’,‘天气’,‘最低气温’,‘最高气温’,‘风向1’,‘风向2’,‘风级’]
  else:
   header = [‘小时’,‘温度’,‘风力方向’,‘风级’,‘降水量’,‘相对湿度’,‘空气质量’]
  f_csv = csv.writer(f)
  f_csv.writerow(header)
  f_csv.writerows(data)

def main():
“”“主函数”“”
print(“Weather test”)
# 珠海
url1 = ‘http://www.weather.com.cn/weather/101280701.shtml’ # 7天天气中国天气网
url2 = ‘http://www.weather.com.cn/weather15d/101280701.shtml’ # 8-15天天气中国天气网

html1 = getHTMLtext(url1)
data1, data1_7 = get_content(html1) # 获得1-7天和当天的数据

html2 = getHTMLtext(url2)
data8_14 = get_content2(html2) # 获得8-14天数据
data14 = data1_7 + data8_14
#print(data)
write_to_csv(‘weather14.csv’,data14,14) # 保存为csv文件
write_to_csv(‘weather1.csv’,data1,1)

if name == ‘main’:
main()


**data1\_analysis.py:**

# data1_analysis.py
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import math
def tem_curve(data):
“”“温度曲线绘制”“”
hour = list(data[‘小时’])
tem = list(data[‘温度’])
for i in range(0,24):
  if math.isnan(tem[i]) == True:
   tem[i] = tem[i-1]
tem_ave = sum(tem)/24     # 求平均温度
tem_max = max(tem)
tem_max_hour = hour[tem.index(tem_max)] # 求最高温度
tem_min = min(tem)
tem_min_hour = hour[tem.index(tem_min)] # 求最低温度
x = []
y = []
for i in range(0, 24):
  x.append(i)
  y.append(tem[hour.index(i)])
plt.figure(1)
plt.plot(x,y,color=‘red’,label=‘温度’)       # 画出温度曲线
plt.scatter(x,y,color=‘red’)   # 点出每个时刻的温度点
plt.plot([0, 24], [tem_ave, tem_ave], c=‘blue’, linestyle=‘–’,label=‘平均温度’)  # 画出平均温度虚线
plt.text(tem_max_hour+0.15, tem_max+0.15, str(tem_max), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最高温度
plt.text(tem_min_hour+0.15, tem_min+0.15, str(tem_min), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最低温度
plt.xticks(x)
plt.legend()
plt.title(‘一天温度变化曲线图’)
plt.xlabel(‘时间/h’)
plt.ylabel(‘摄氏度/℃’)
plt.show()

def hum_curve(data):
“”“相对湿度曲线绘制”“”
hour = list(data[‘小时’])
hum = list(data[‘相对湿度’])
for i in range(0,24):
  if math.isnan(hum[i]) == True:
   hum[i] = hum[i-1]
hum_ave = sum(hum)/24     # 求平均相对湿度
hum_max = max(hum)
hum_max_hour = hour[hum.index(hum_max)] # 求最高相对湿度
hum_min = min(hum)
hum_min_hour = hour[hum.index(hum_min)] # 求最低相对湿度
x = []
y = []
for i in range(0, 24):
  x.append(i)
  y.append(hum[hour.index(i)])
plt.figure(2)
plt.plot(x,y,color=‘blue’,label=‘相对湿度’)       # 画出相对湿度曲线
plt.scatter(x,y,color=‘blue’)   # 点出每个时刻的相对湿度
plt.plot([0, 24], [hum_ave, hum_ave], c=‘red’, linestyle=‘–’,label=‘平均相对湿度’)  # 画出平均相对湿度虚线
plt.text(hum_max_hour+0.15, hum_max+0.15, str(hum_max), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最高相对湿度
plt.text(hum_min_hour+0.15, hum_min+0.15, str(hum_min), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最低相对湿度
plt.xticks(x)
plt.legend()
plt.title(‘一天相对湿度变化曲线图’)
plt.xlabel(‘时间/h’)
plt.ylabel(‘百分比/%’)
plt.show()

def air_curve(data):
“”“空气质量曲线绘制”“”
hour = list(data[‘小时’])
air = list(data[‘空气质量’])
print(type(air[0]))
for i in range(0,24):
  if math.isnan(air[i]) == True:
   air[i] = air[i-1]
air_ave = sum(air)/24     # 求平均空气质量
air_max = max(air)
air_max_hour = hour[air.index(air_max)] # 求最高空气质量
air_min = min(air)
air_min_hour = hour[air.index(air_min)] # 求最低空气质量
x = []
y = []
for i in range(0, 24):
  x.append(i)
  y.append(air[hour.index(i)])
plt.figure(3)

for i in range(0,24):
  if y[i] <= 50:
   plt.bar(x[i],y[i],color=‘lightgreen’,width=0.7)  # 1等级
  elif y[i] <= 100:
   plt.bar(x[i],y[i],color=‘wheat’,width=0.7)   # 2等级
  elif y[i] <= 150:
   plt.bar(x[i],y[i],color=‘orange’,width=0.7)   # 3等级
  elif y[i] <= 200:
   plt.bar(x[i],y[i],color=‘orangered’,width=0.7)  # 4等级
  elif y[i] <= 300:
   plt.bar(x[i],y[i],color=‘darkviolet’,width=0.7)  # 5等级
  elif y[i] > 300:
   plt.bar(x[i],y[i],color=‘maroon’,width=0.7)   # 6等级
plt.plot([0, 24], [air_ave, air_ave], c=‘black’, linestyle=‘–’)  # 画出平均空气质量虚线
plt.text(air_max_hour+0.15, air_max+0.15, str(air_max), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最高空气质量
plt.text(air_min_hour+0.15, air_min+0.15, str(air_min), ha=‘center’, va=‘bottom’, fontsize=10.5)  # 标出最低空气质量
plt.xticks(x)
plt.title(‘一天空气质量变化曲线图’)
plt.xlabel(‘时间/h’)
plt.ylabel(‘空气质量指数AQI’)
plt.show()

def wind_radar(data):
“”“风向雷达图”“”
wind = list(data[‘风力方向’])
wind_speed = list(data[‘风级’])
for i in range(0,24):
  if wind[i] == “北风”:
   wind[i] = 90
  elif wind[i] == “南风”:
   wind[i] = 270
  elif wind[i] == “西风”:
   wind[i] = 180
  elif wind[i] == “东风”:
   wind[i] = 360
  elif wind[i] == “东北风”:
   wind[i] = 45
  elif wind[i] == “西北风”:
   wind[i] = 135
  elif wind[i] == “西南风”:
   wind[i] = 225
  elif wind[i] == “东南风”:
   wind[i] = 315
degs = np.arange(45,361,45)
temp = []
for deg in degs:
  speed = []
  # 获取 wind_deg 在指定范围的风速平均值数据
  for i in range(0,24):
   if wind[i] == deg:
    speed.append(wind_speed[i])
  if len(speed) == 0:
   temp.append(0)
  else:
   temp.append(sum(speed)/len(speed))
print(temp)
N = 8
theta = np.arange(0.+np.pi/8,2np.pi+np.pi/8,2np.pi/8)
# 数据极径
radii = np.array(temp)
# 绘制极区图坐标系
plt.axes(polar=True)
# 定义每个扇区的RGB值（R,G,B），x越大，对应的颜色越接近蓝色
colors = [(1-x/max(temp), 1-x/max(temp),0.6) for x in radii]
plt.bar(theta,radii,width=(2*np.pi/N),bottom=0.0,color=colors)
plt.title(‘一天风级图’,x=0.2,fontsize=20)
plt.show()

def calc_corr(a, b):
“”“计算相关系数”“”
a_avg = sum(a)/len(a)
b_avg = sum(b)/len(b)
cov_ab = sum([(x - a_avg)*(y - b_avg) for x,y in zip(a, b)])
sq = math.sqrt(sum([(x - a_avg)**2 for x in a])*sum([(x - b_avg)**2 for x in b]))
corr_factor = cov_ab/sq
return corr_factor

def corr_tem_hum(data):
“”“温湿度相关性分析”“”

一、网安学习成长路线图

网安所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

二、网安视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述

三、精品网安学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
在这里插入图片描述

四、网络安全源码合集+工具包

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

五、网络安全面试题

最后就是大家最关心的网络安全面试题板块
在这里插入图片描述

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2401_84301227

关注

14
点赞
踩
28

收藏

觉得还不错? 一键收藏
0
评论
网络安全最新Python爬取天气数据及可视化分析！_天气数据可视化分析(2)

final_day = [] # 存放当天的数据count = 0temp = []temp.append(i[‘od21’]) # 添加时间temp.append(i[‘od22’]) # 添加当前时刻温度temp.append(i[‘od24’]) # 添加当前时刻风力方向temp.append(i[‘od25’]) # 添加当前时刻风级temp.append(i[‘od26’]) # 添加当前时刻降水量。
复制链接

扫一扫