北京温度可视化实例(热力图可视化）

最新推荐文章于 2023-07-11 13:14:31 发布
最新推荐文章于 2023-07-11 13:14:31 发布
阅读量974 收藏 11
点赞数 2
分类专栏： R语言数据分析与挖掘 文章标签： 数据可视化 R语言 温度 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43180762/article/details/115617519
版权

北京温度可视化

北京温度可视化实例

# 安装库专用

# 通过如下命令设定镜像
options(repos = 'http://mirrors.ustc.edu.cn/CRAN/')
# 查看镜像是否修改
getOption('repos')
# 尝试下载R包
#若有需要，进行安装
install.packages('beanplot')

‘http://mirrors.ustc.edu.cn/CRAN/’

Installing package into 'C:/Users/天涯过客/Documents/R/win-library/4.0'
(as 'lib' is unspecified)



package 'beanplot' successfully unpacked and MD5 sums checked

The downloaded binary packages are in
	C:\Users\天涯过客\AppData\Local\Temp\RtmpgBff4W\downloaded_packages

#设置工作路径
setwd("D:/LengPY")

#导入数据
library(readxl)
data<- read_excel("datatao.xlsx")

head(data)
A tibble: 6 × 4
年份月份日温度
<dbl><dbl><dbl><dbl>
200911-4.1
200912-3.8
200913-1.8
200914-4.0
200915-3.9
200916-2.3

按月份进行分类，进行温度分布可视化

library(reshape2)
library(ggplot2)
library(ggridges)
library(RColorBrewer)
colormap <- colorRampPalette(rev(brewer.pal(11,'Spectral')))(32)
dt<-data[,c(2,4)]
colnames(dt)<-c("Month","Mean Temperature [F]")
splitdata<-split(dt,dt$Month)
xmax<-max(dt$`Mean Temperature [F]`)*1.1
xmin<-min(dt$`Mean Temperature [F]`)*1.1


N<-length(splitdata)
labels_y<-names(splitdata)

mydata<-data.frame(x=numeric(),y=numeric(),variable=numeric()) #?????յ?Data.Frame

for (i in 1:N){
  tempy<-density(splitdata[[i]][2]$`Mean Temperature [F]`,bw = 3.37,from=xmin, to=xmax)
  newdata<-data.frame(x=tempy$x,y=tempy$y)
  newdata$variable<-i
  mydata<-rbind(mydata,newdata)
}

Step<-max(mydata$y)*0.6
mydata$offest<--as.numeric(mydata$variable)*Step
mydata$V1_density_offest<-mydata$y+mydata$offest

p<-ggplot()
for (i in 1:N){
  p<-p+ geom_linerange(data=mydata[mydata$variable==i,],aes(x=x,ymin=offest,ymax=V1_density_offest,group=variable,color=y),size =1, alpha =1) +
        geom_line(data=mydata[mydata$variable==i,],aes(x=x, y=V1_density_offest),color="black",size=0.5)
}

p+scale_color_gradientn(colours=colormap,name="Density")+
  scale_y_continuous(breaks=seq(-Step,-Step*N,-Step),labels=labels_y)+
  xlab("Mean Temperature [F]")+
  ylab("Month")+
  theme_classic()+
  theme(
    panel.background=element_rect(fill="white",colour=NA),
    panel.grid.major.x = element_line(colour = "grey80",size=.25),
    panel.grid.major.y = element_line(colour = "grey60",size=.25),
    axis.line = element_blank(),
    text=element_text(size=15,colour = "black"),
    plot.title=element_text(size=15,hjust=.5),
    legend.position="right"
  )

在这里插入图片描述

根据年份进行温度分布可视化

library(reshape2)
library(ggplot2)
library(ggridges)
library(RColorBrewer)
colormap <- colorRampPalette(rev(brewer.pal(11,'Spectral')))(32)
dt<-data[,c(1,4)]
colnames(dt)<-c("Year","Mean Temperature [F]")
splitdata<-split(dt,dt$Year)
xmax<-max(dt$`Mean Temperature [F]`)*1.1
xmin<-min(dt$`Mean Temperature [F]`)*1.1


N<-length(splitdata)
labels_y<-names(splitdata)

mydata<-data.frame(x=numeric(),y=numeric(),variable=numeric()) #?????յ?Data.Frame

for (i in 1:N){
  tempy<-density(splitdata[[i]][2]$`Mean Temperature [F]`,bw = 3.37,from=xmin, to=xmax)
  newdata<-data.frame(x=tempy$x,y=tempy$y)
  newdata$variable<-i
  mydata<-rbind(mydata,newdata)
}

Step<-max(mydata$y)*0.6
mydata$offest<--as.numeric(mydata$variable)*Step
mydata$V1_density_offest<-mydata$y+mydata$offest

p<-ggplot()
for (i in 1:N){
  p<-p+ geom_linerange(data=mydata[mydata$variable==i,],aes(x=x,ymin=offest,ymax=V1_density_offest,group=variable,color=y),size =1, alpha =1) +
        geom_line(data=mydata[mydata$variable==i,],aes(x=x, y=V1_density_offest),color="black",size=0.5)
}

p+scale_color_gradientn(colours=colormap,name="Density")+
  scale_y_continuous(breaks=seq(-Step,-Step*N,-Step),labels=labels_y)+
  xlab("Mean Temperature [F]")+
  ylab("Year")+
  theme_classic()+
  theme(
    panel.background=element_rect(fill="white",colour=NA),
    panel.grid.major.x = element_line(colour = "grey80",size=.25),
    panel.grid.major.y = element_line(colour = "grey60",size=.25),
    axis.line = element_blank(),
    text=element_text(size=15,colour = "black"),
    plot.title=element_text(size=15,hjust=.5),
    legend.position="right"
  )

在这里插入图片描述

#再次导入
#导入数据
library(readxl)
data<- read_excel("datatao.xlsx")

head(data)
A tibble: 6 × 5
年份月份日温度date
<dbl><dbl><dbl><dbl><dttm>
200911-4.12009-01-01
200912-3.82009-01-02
200913-1.82009-01-03
200914-4.02009-01-04
200915-3.92009-01-05
200916-2.32009-01-06
summary(data$温度)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
 -14.90    2.10   14.70   13.22   23.90   34.50

绘制日历图

#绘制日历图
library(openair)
data<-data[which(data$年份==2020),]
data1<-data.frame(data$date,data$温度)
colnames(data1)<-c('date','temp')
head(data1)
A data.frame: 6 × 2
datetemp
<dttm><dbl>
12020-01-01-6.5
22020-01-02-2.7
32020-01-03-1.4
42020-01-04 0.2
52020-01-05 0.0
62020-01-06 0.5
calendarPlot(data1, 
             pollutant = "temp", 
             breaks = c(-15, 2.1, 14.7, 23.9, 34.5),  
             labels = c("Very low", "Low", "High", "Very High"),
             cols = c("lightblue", "skyblue", "gold2",  "brown"),
             statistic="sum",
             year = 2020)

在这里插入图片描述

Sys.setlocale(category = "LC_ALL", locale = "English_United States.1252") 
Sys.setlocale("LC_CTYPE", "Chinese")

‘LC_COLLATE=English_United States.1252;LC_CTYPE=English_United States.1252;LC_MONETARY=English_United States.1252;LC_NUMERIC=C;LC_TIME=English_United States.1252’

‘Chinese (Simplified)_China.936’

绘制多年份日历图

library(ggplot2)
library(data.table) #提供data.table()函数
library(ggTimeSeries)
library(RColorBrewer)
set.seed(1234)
dat <- data.table(
  date = seq(as.Date("1/01/2009", "%d/%m/%Y"),as.Date("31/12/2020", "%d/%m/%Y"),"days"),
  ValueCol = data1$temp
)
dat[, ValueCol := ValueCol + (strftime(date,"%u") %in% c(6,7) * runif(1) * 0.75), .I]
dat[, ValueCol := ValueCol + (abs(as.numeric(strftime(date,"%m")) - 6.5)) * runif(1) * 0.75, .I]

dat$Year<- as.integer(strftime(dat$date, '%Y'))   #年份
dat$month <- as.integer(strftime(dat$date, '%m')) #月份
dat$week<- as.integer(strftime(dat$date, '%W'))   #周数

MonthLabels <- dat[,list(meanWkofYr = mean(week)), by = c('month') ]
MonthLabels$month <-month.abb[MonthLabels$month]

ggplot(data=dat,aes(date=date,fill=ValueCol))+
  stat_calendar_heatmap()+
  scale_fill_gradientn(colours= rev(brewer.pal(11,'Spectral')))+ 
  facet_wrap(~Year, ncol = 1,strip.position = "right")+
  scale_y_continuous(breaks=seq(7, 1, -1),labels=c("Mon","Tue","Wed","Thu","Fri","Sat","Sun"))+
  scale_x_continuous(breaks = MonthLabels[,meanWkofYr], labels = MonthLabels[, month],expand = c(0, 0)) +
  xlab(NULL)+ 
  ylab(NULL)+
  theme( panel.background = element_blank(),
         panel.border = element_rect(colour="grey60",fill=NA),
         strip.background = element_blank(),
         strip.text = element_text(size=13,face="plain",color="black"),
         axis.line=element_line(colour="black",size=0.25),
         axis.title=element_text(size=10,face="plain",color="black"),
         axis.text = element_text(size=10,face="plain",color="black"))

在这里插入图片描述

绘制堆积图

library(ggplot2)
library(RColorBrewer)
library(reshape2)
#导入数据
library(readxl)
mydata<- read_excel("taoData.xlsx")
head(mydata)
A tibble: 6 × 3
datetempvar
<dttm><dbl><chr>
2012-01-01-6.70平谷
2012-02-01-4.37平谷
2012-03-01 3.32平谷
2012-04-0113.62平谷
2012-05-0120.18平谷
2012-06-0122.53平谷
mydata$date<-as.Date(mydata$date)
head(mydata)
A tibble: 6 × 3
datetempvar
<date><dbl><chr>
2012-01-01-6.70平谷
2012-02-01-4.37平谷
2012-03-01 3.32平谷
2012-04-0113.62平谷
2012-05-0120.18平谷
2012-06-0122.53平谷
ggplot(mydata, aes(x =date, y = temp,fill=var) )+
  geom_area(position="stack",alpha=1)+ 
  geom_line(position="stack",size=0.25,color="black")+
  scale_x_date(date_labels = "%Y",date_breaks = "1 year")+
  xlab("Year")+ 
  ylab("Temp")+
  theme( axis.title=element_text(size=10,face="plain",color="black"),
         axis.text = element_text(size=10,face="plain",color="black"),
         legend.position = "right",
         legend.background = element_blank())

在这里插入图片描述

绘制多类别对比箱型图（带分布情况）

library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(temp~var, mydata,col = list("#FF6B5E", "#00C3C2"),
         side = "both",xlab ="city",ylab ="value")

在这里插入图片描述

俱往矣`
关注
  • 2
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
openair:空气质量数据分析工具
05-04
openair：用于空气质量数据分析的开源工具 注意：正在开发在线露天图书，请参阅 。 有关露天的主要网站，请参阅 。 openair是一种R软件包，旨在分析空气质量数据或更普遍的大气成分数据。 该软件包广泛用于学术界，公共和私营部门。 该项目最初由英国自然环境研究委员会（ ）资助，另外还有Defra的资助。 可以在包装本身和的图书网站中找到有关openair的最新信息。 有关更多详细信息，包括露天博客，请访问 安装 使用devtools软件包可以很容易地从GitHub安装openair。 注意，由于openair包含C ++代码，因此还需要编译器。 对于例如，需要 。 require( devtools ) install_github( ' davidcarslaw/openair ' ) 如果您不能自己构建软件包，我也会尝试在 保持该软件包的最新版本。 描述 openai
OpenAir环境分析R语言包使用手册
06-17
R语言包，由英国利兹大学ITS，伦敦国王学院以及defra联合开发
R语言 3.2.* 安装 openair 遇到的问题（Linux，不用yum）
ldyeyuguo1346的博客
08-24 2559
R语言 3.2.* 安装 openair 遇到的问题（Linux，不用yum）记第一次安装 R语言，并安装R 依赖包环境； 安装第三方包 openair 需要 >= 3.2.01.安装 R 3.2.5参考文章：http://blog.sina.com.cn/s/blog_5753ac150101vgua.html 安装配置 ./configure –prefix=… –enable-R-shlib
污染玫瑰图--R语言之openair包下载
q838459755的博客
07-11 543
R脚本生成污染玫瑰图 环境配置
R语言 openair 做后向轨迹
lx96218的博客
02-27 3185
本人 想利用openair 包的back trajectory 功能计算自己点位的污染过程。在计算点位和气象数据时出现了问题。 代码如下： data_out <- run_hysplit( latitude = 29.848833, longitude = 114.373899, runtime = -72, start_height = 10, model_heig...
Vue Echarts实现可视化世界地图代码实例
10-17
主要介绍了Vue Echarts实现可视化世界地图，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
数据可视化-上海各地区风速热力图
最新发布
04-19
在这个项目中，“数据可视化-上海各地区风速热力图”是一个利用了现代Web技术实现的互动图表，展示了上海市不同地区的风速分布情况。 首先，`index.html`是网页的主文件，它定义了网页的基本结构和内容。在HTML文件...
【Python数据可视化源码实例Pyecharts库集合】热力图.zip
07-12
本资料压缩包“【Python数据可视化源码实例Pyecharts库集合】热力图.zip”包含了使用Pyecharts进行热力图绘制的源码实例。 Pyecharts是一个基于JavaScript库ECharts的Python接口，ECharts是由百度开发的，功能强大...
可视化实例（动态）实战项目
01-22
"可视化实例（动态）实战项目"很显然关注的是如何通过动态图表来有效地呈现和分析数据。动态可视化不仅提供静态图表的信息，还允许用户交互探索，揭示数据背后的模式、趋势和关联。 在数据可视化的实践中，我们可以...
基于JavaScript的echarts数据可视化大屏设计源码
03-28
ECharts是由百度开发的开源项目，它提供了一系列丰富的图表类型，如柱状图、折线图、饼图、散点图等，并且支持地图、热力图等复杂图表。ECharts的特点在于其良好的性能、易用性和高度的可定制性，可以满足各种复杂的...
openair源代码
11-07
openair_cn_master源代码，支持模拟核心网epc，模拟enode等功能
OpenAir_Manual.pdf
06-26
作为环境领域中用R语言深度数据分析的重要包之一，Openair在环境领域中占有重要地位。其在R语言中能更好地分析污染物变化趋势，分析数据间相关性等特征也使其成为现阶段较为流行的处理及表达数据的应用之一。
openair, 空气质量数据分析工具.zip
09-17
openair, 空气质量数据分析工具 openair: 空气质量数据分析的开源工具对于主要收费的openair网站，请参阅 http://davidcarslaw.github.io/openair/ 。 为分析空气质量数据---或者更一般大气成分数据而开发
智能温度测量及可视化系统
04-08
用STM32F103控制，多路传感器同时采集数据，并有可视化上位机软件。附有源代码及详细的制作过程。
Ｒ语言绘制空气污染图
m0_37944150的博客
02-23 3525
library(lubridate) library(openair) mydata <- read.table(“data.csv”, header = TRUE, sep=",") polarPlot(mydata, pollutant= “PM2.5” )
Python爬取城市天气数据,并作数据可视化
m0_61981943的博客
06-05 1万+
本文介绍了如何使用Python爬虫和数据可视化工具，爬取多个城市的天气数据并进行可视化分析。首先，使用Python爬虫从网站上获取多个城市的天气数据，并将数据存储到本地文件中。然后，使用Pandas库读取数据文件，并使用Matplotlib和Seaborn库进行数据可视化分析，包括线性图、热力图、散点图等。最后，根据分析结果进行总结和展望。 通过本文的学习，读者可以了解到如何使用Python进行数据爬取和可视化分析，从而掌握数据分析的基本技能，并应用到实际问题中。同时，也可以了解到如何使用Python库
温度采集数据可视化
To_be_NO_one的博客
09-12 1788
树莓派采集温度信息，实现曲线绘制。
R语言在大气污染数据分析中的应用-时间序列分析（一）
热门推荐
R语言中文社区
07-12 2万+
作者简介作者：戴启立，系南开大学在读博士生统计与编程语言  团队邮箱：daiql@mail.nankai.edu.cn  受益于免费、开源以及程序化的数据挖掘和可视化上的...
全球地表温度可视化
木下瞳的博客
05-18 4478
前言数据集地址：https://www.kaggle.com/berkeleyearth/climate-change-earth-surface-temperature-data 这是...
matplotlib可视化实例
06-07
好的，下面是一个简单的 matplotlib 可视化实例，展示如何使用 matplotlib 绘制一个简单的散点图： ```python import matplotlib.pyplot as plt import numpy as np # 生成数据 x = np.random.rand(100) y = np.random.rand(100) colors = np.random.rand(100) sizes = 1000 * np.random.rand(100) # 绘制散点图 plt.scatter(x, y, c=colors, s=sizes, alpha=0.5) # 添加标题和标签 plt.title('Random Scatter Plot') plt.xlabel('X') plt.ylabel('Y') # 显示图形 plt.show() ``` 在这个例子中，我们使用`numpy`库生成了随机数据，然后使用`scatter`函数绘制了一个散点图。其中`c`参数表示散点的颜色，`s`参数表示散点的大小，`alpha`参数表示散点的透明度。最后使用`title`、`xlabel`和`ylabel`函数添加了标题和坐标轴标签。 除了散点图，matplotlib还支持绘制折线图、条形图、饼图、热力图等等。如果你想了解更多的可视化实例，可以查看matplotlib官方文档。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值