【数据可视化-48】城市热岛效应监测数据可视化分析

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  城市热岛效应（UHI）是指城市地区温度显著高于周边农村地区的现象，这对当地气候、能源消耗、空气质量和公共卫生有着深远影响。本文将利用城市热岛监测数据集，从多个维度进行可视化分析，深入探讨城市化如何影响当地气候以及各因素之间的关系。该数据集涵盖了城市名称、地理位置、温度、土地覆盖类型等15个特征，为研究人员、城市规划者和环境科学家提供了宝贵的数据支持。以下分析将使用Seaborn库实现，提供完整的代码示例，以供读者参考和复现。

二、数据探索

2.1 数据集介绍

  关于城市化对当地气候和健康影响的综合数据集包含以下变量：

2.2 数据清洗探索

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

# 加载数据
df = pd.read_csv('urban_heat_island.csv')  # 请替换为实际文件路径

# 查看数据维度
df.shape
# 查看数据基本信息
print(df.info())
# 查看空值情况
print(df.isna().sum())

  从数据基本信息可发现：

• 数据共15个维度，包含字符串和数值类型。
• 一共有500条数据，且数据集中无缺失值。

三、单维度特征可视化

3.1 城市温度分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Temperature (°C)'], bins=20, kde=True, color='skyblue')
plt.title('Distribution of City Temperatures')
plt.xlabel('Temperature (°C)')
plt.ylabel('Frequency')
plt.show()

3.2 土地覆盖类型分布

plt.figure(figsize=(10, 6))
sns.countplot(x='Land Cover', data=df, order=df['Land Cover'].value_counts().index)
plt.title('Distribution of Land Cover Types')
plt.xlabel('Land Cover')
plt.ylabel('Count')
plt.show()

3.3 人口密度分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Population Density (people/km²)'], bins=20, kde=True, color='lightgreen')
plt.title('Distribution of Population Density')
plt.xlabel('Population Density (people/km²)')
plt.ylabel('Frequency')
plt.show()

3.4 空气质量指数分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Air Quality Index (AQI)'], bins=20, kde=True, color='lightcoral')
plt.title('Distribution of Air Quality Index')
plt.xlabel('Air Quality Index (AQI)')
plt.ylabel('Frequency')
plt.show()

3.5 城市绿化率分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Urban Greenness Ratio (%)'], bins=20, kde=True, color='gold')
plt.title('Distribution of Urban Greenness Ratio')
plt.xlabel('Urban Greenness Ratio (%)')
plt.ylabel('Frequency')
plt.show()

3.6 热相关健康影响分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Health Impact (Mortality Rate/100k)'], bins=20, kde=True, color='purple')
plt.title('Distribution of Heat-Related Health Impact')
plt.xlabel('Health Impact (Mortality Rate/100k)')
plt.ylabel('Frequency')
plt.show()

四、各个特征与温度关系的可视化

4.1 土地覆盖类型与温度关系

plt.figure(figsize=(12, 6))
sns.boxplot(x='Land Cover', y='Temperature (°C)', data=df)
plt.title('Temperature Distribution by Land Cover Type')
plt.xlabel('Land Cover')
plt.ylabel('Temperature (°C)')
plt.show()

4.2 人口密度与温度关系

plt.figure(figsize=(12, 6))
sns.scatterplot(x='Population Density (people/km²)', y='Temperature (°C)', data=df, hue='Land Cover')
plt.title('Population Density vs Temperature')
plt.xlabel('Population Density (people/km²)')
plt.ylabel('Temperature (°C)')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4.3 能耗与温度关系

plt.figure(figsize=(12, 6))
sns.scatterplot(x='Energy Consumption (kWh)', y='Temperature (°C)', data=df, hue='Land Cover', palette='plasma')
plt.title('Energy Consumption vs Temperature')
plt.xlabel('Energy Consumption (kWh)')
plt.ylabel('Temperature (°C)')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4.4 空气质量指数与温度关系

plt.figure(figsize=(12, 6))
sns.scatterplot(x='Air Quality Index (AQI)', y='Temperature (°C)', data=df, hue='Land Cover', palette='magma')
plt.title('Air Quality Index vs Temperature')
plt.xlabel('Air Quality Index (AQI)')
plt.ylabel('Temperature (°C)')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4.5 城市绿化率与温度关系

plt.figure(figsize=(12, 6))
sns.scatterplot(x='Urban Greenness Ratio (%)', y='Temperature (°C)', data=df, hue='Land Cover', palette='cividis')
plt.title('Urban Greenness Ratio vs Temperature')
plt.xlabel('Urban Greenness Ratio (%)')
plt.ylabel('Temperature (°C)')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

4.6 多维度组合分析（土地覆盖类型、人口密度与温度）

plt.figure(figsize=(12, 8))
for i, land_cover in enumerate(df['Land Cover'].unique()):
    plt.subplot(2, 2, i + 1)
    sns.scatterplot(x='Population Density (people/km²)', y='Temperature (°C)', data=df[df['Land Cover'] == land_cover], hue='Land Cover', palette='Set3')
    plt.title(f'Temperature vs Population Density for {land_cover}')
    plt.xlabel('Population Density (people/km²)')
    plt.ylabel('Temperature (°C)')
plt.tight_layout()
plt.show()

4.7 多维度组合分析（土地覆盖类型、能耗与温度）

plt.figure(figsize=(14, 8))
for land_cover in df['Land Cover'].unique():
    plt.figure(figsize=(12, 6))
    sns.scatterplot(x='Energy Consumption (kWh)', y='Temperature (°C)', data=df[df['Land Cover'] == land_cover], hue='Land Cover', palette='Set3')
    plt.title(f'Temperature vs Energy Consumption for {land_cover}')
    plt.xlabel('Energy Consumption (kWh)')
    plt.ylabel('Temperature (°C)')
    plt.show()

4.8 多维度组合分析（土地覆盖类型、空气质量指数与温度）

plt.figure(figsize=(14, 8))
for i, land_cover in enumerate(df['Land Cover'].unique()):
    plt.subplot(2, 2, i + 1)
    sns.scatterplot(x='Air Quality Index (AQI)', y='Temperature (°C)', data=df[df['Land Cover'] == land_cover], hue='Land Cover', palette='Set3')
    plt.title(f'Temperature vs Air Quality Index for {land_cover}')
    plt.xlabel('Air Quality Index (AQI)')
    plt.ylabel('Temperature (°C)')
plt.tight_layout()
plt.show()

4.9 多维度组合分析（土地覆盖类型、城市绿化率与温度）

plt.figure(figsize=(14, 8))
for land_cover in df['Land Cover'].unique():
    plt.figure(figsize=(12, 6))
    sns.scatterplot(x='Urban Greenness Ratio (%)', y='Temperature (°C)', data=df[df['Land Cover'] == land_cover], hue='Land Cover', palette='Set3')
    plt.title(f'Temperature vs Urban Greenness Ratio for {land_cover}')
    plt.xlabel('Urban Greenness Ratio (%)')
    plt.ylabel('Temperature (°C)')
    plt.show()

  从以上可视化分析可以看出：

• 城市温度分布：城市温度呈现多样化，部分城市存在显著的热岛效应。
• 土地覆盖类型分布：城市、工业和绿地是主要的土地覆盖类型。
• 人口密度分布：人口密度呈现长尾分布，少数城市人口密度极高。
• 空气质量指数分布：空气质量指数分布差异显著，部分城市空气质量较差。
• 城市绿化率分布：城市绿化率覆盖范围广，部分城市绿化率较高。
• 热相关健康影响分布：热相关健康影响在不同城市差异显著，部分城市死亡率较高。
• 土地覆盖类型与温度关系：城市和工业区域通常温度较高，绿地和水域区域温度较低。
• 人口密度与温度关系：人口密度与温度通常呈正相关关系，高密度城市温度较高。
• 能耗与温度关系：能耗与温度通常呈正相关关系，高能耗城市温度较高。
• 空气质量指数与温度关系：空气质量指数与温度通常呈正相关关系，空气质量较差的城市温度较高。
• 城市绿化率与温度关系：城市绿化率与温度通常呈负相关关系，绿化率高的城市温度较低。

  以上分析为理解城市热岛效应的关键因素提供了多维度视角，揭示了各变量之间的潜在关系，为城市规划和环境政策制定提供了数据支持。

   **注：**博主目前收集了6900+份相关数据集，有想要的可以领取部分数据：

---