气象绘图-时间序列图

展示某一气象要素（如温度、降水量、风速等）随时间变化的图表，常用于分析季节变化、长期趋势或极端天气事件。

气温

import matplotlib.pyplot as plt  
import numpy as np  
import pandas as pd  
  
# 假设你有一个包含日期和气温的数据集，这里我们创建一些模拟数据  
# 日期范围（例如，一年的时间）  
dates = pd.date_range('20230101', periods=365)  
# 气温数据（随机生成，仅作为示例）  
temperatures = np.random.uniform(low=5, high=30, size=365)  
  
# 将数据转换为DataFrame，以便更容易地处理  
df = pd.DataFrame({'Date': dates, 'Temperature': temperatures})  
  
# 绘制时间序列图  
plt.figure(figsize=(10, 5))  # 设置图形的大小  
plt.plot(df['Date'], df['Temperature'], marker='o', linestyle='-', color='b')  # 绘制折线图  
  
# 添加标题和坐标轴标签  
plt.title('Temperature Time Series')  
plt.xlabel('Date')  
plt.ylabel('Temperature (°C)')  
  
# 设置日期格式（可选，取决于你的具体需求）  
plt.gcf().autofmt_xdate()  # 自动旋转日期标签以避免重叠  
  
# 显示图形  
plt.grid(True)  # 显示网格线  
plt.show()

降水量

import matplotlib.pyplot as plt  
import pandas as pd 
import numpy as np  
  
# 假设你有一个包含日期和降水量的数据集，这里我们创建一些模拟数据  
# 日期范围（例如，一年的时间）  
dates = pd.date_range('20230101', periods=365)  
# 降水量数据（随机生成，仅作为示例）  
precipitations = np.random.randint(0, 50, size=365)  # 假设降水量在0到50之间  
# 将数据转换为DataFrame，以便更容易地处理  
df = pd.DataFrame({'Date': dates, 'Precipitation': precipitations})  
  
# 设置日期为DataFrame的索引，这样在绘图时可以更方便地处理日期  
df.set_index('Date', inplace=True)  
  
# 绘制时间序列图  
plt.figure(figsize=(10, 5))  # 设置图形的大小  
plt.plot(df.index, df['Precipitation'], marker='o', linestyle='-', color='b')  # 绘制折线图  
  
# 添加标题和坐标轴标签  
plt.title('Precipitation Time Series')  
plt.xlabel('Date')  
plt.ylabel('Precipitation (mm)')  
  
# 设置日期格式（可选，但通常是个好习惯）  
plt.gcf().autofmt_xdate()  # 注意：这里应该是plt.gcf()，但通常我们使用plt.gca()来获取当前轴并调用autofmt_xdate  
# 更正为：plt.gca().xaxis.set_major_formatter(plt.DateFormatter('%Y-%m-%d'))  # 如果你需要特定格式的日期  
# 或者，如果你只是想让日期标签不重叠，可以使用plt.xticks(rotation=45)来旋转x轴标签  
plt.xticks(rotation=45)  
  
# 显示网格线（可选）  
plt.grid(True)  

 风速时间序列图

import matplotlib.pyplot as plt  
import pandas as pd  
import numpy as np  
  
# 创建模拟数据  
dates = pd.date_range('20230101', periods=100, freq='H')  # 100个小时的日期范围  
wind_speeds = np.random.uniform(low=0, high=20, size=100)  # 100个风速数据点  
  
# 将数据转换为DataFrame  
df = pd.DataFrame({  
    'Date': dates,  
    'Wind Speed (m/s)': wind_speeds  
})  
  
# 绘制风速时间序列图  
plt.figure(figsize=(10, 5))  
plt.plot(df['Date'], df['Wind Speed (m/s)'], marker='o', linestyle='-', color='b')  
  
# 添加标题和坐标轴标签  
plt.title('Wind Speed Time Series')  
plt.xlabel('Date')  
plt.ylabel('Wind Speed (m/s)')  
  
# 旋转x轴标签以避免重叠  
plt.xticks(rotation=45)  
  
# 显示网格线（可选）  
plt.grid(True)  
  
# 显示图形  
plt.tight_layout()  # 自动调整子图参数, 使之填充整个图像区域  
plt.show()

import matplotlib.pyplot as plt  
import numpy as np  
from matplotlib.patches import FancyArrowPatch  
from matplotlib.collections import PatchCollection  
  
# 定义风速和风向  
wind_speeds = np.array([0.2, 1.6, 0.5, 0.6, 1.3])  
wind_directions = np.array([32, 14, 28, 34, 69])  
  
# 假设这些风速和风向对应于等间隔的时间点（例如，每小时）  
times = np.arange(len(wind_speeds))  
  
# 初始化图形  
fig, ax = plt.subplots(figsize=(10, 5))  
  
# 创建一个箭头集合  
arrows = []  
  
# 遍历每个时间点，绘制箭头  
for t, speed, direction in zip(times, wind_speeds, wind_directions):  
    # 将风向角度（度）转换为弧度，并计算笛卡尔坐标系中的偏移量  
    # 注意：matplotlib的x轴向右为正，y轴向上为正  
    # 这里我们假设风向图中的0度是向北（y轴正方向），但输入的风向角度是相对于某个方向的  
    # 通常情况下，我们不需要减去90度，除非你的风向数据是以不同的基准方向给出的  
    rad = np.deg2rad(direction)  
    dx = np.cos(rad) * speed  # x轴偏移量  
    dy = np.sin(rad) * speed  # y轴偏移量  
  
    # 创建一个FancyArrowPatch对象  
    # 注意：mutation_scale用于控制箭头的大小，我们将其与风速成正比  
    # 这里我们选择一个合适的比例因子来使箭头在图中清晰可见  
    a = FancyArrowPatch((t, 0), (t + dx, dy),  
                        arrowstyle="->", mutation_scale=0.1* speed, lw=1, color='b', alpha=0.75)  
    arrows.append(a)  
  
# 将箭头添加到PatchCollection中，然后添加到轴上  
pc = PatchCollection(arrows, match_original=True)  
ax.add_collection(pc)  
  
# 设置坐标轴  
ax.set_xlim(times[0] - 0.5, times[-1] + 0.5)  # 为箭头起点和终点留出一些空间  
ax.set_ylim(-max(wind_speeds) * 1.5, max(wind_speeds) * 1.5)  # 根据最大风速设置y轴范围  
ax.set_xlabel('Time Index')  # 时间标签，这里用“Time Index”表示时间点的索引  
ax.set_ylabel('Wind Speed and Direction')  # y轴标签，表示风速和风向  
ax.set_title('Wind Speed and Direction Time Series')  # 图表标题  
  
# 隐藏y轴刻度（因为这里y轴只是表示方向和速度的大小，不是实际的数值）  
ax.get_yaxis().set_ticks([])  
ax.get_xaxis().set_ticks(times)  # 可选：显示x轴的时间点索引作为刻度  
  
# 显示网格（可选）  
ax.grid(True)  
  
# 显示图形  
plt.show()