基于matplotlib库的python可视化：以北京市各区降雨量为例

一、实验目的

1. 掌握使用Python的pandas、matplotlib和seaborn库进行数据可视化的方法
2. 学习制作杠铃图、堆积柱状图和折线图等多种图表类型
3. 分析北京市各区在特定时间段内的降雨量的变化规律
4. 培养数据分析和可视化的实践能力

二、实验数据

数据来源：北京市水务局官网（http://swj.beijing.gov.cn/）

数据内容：包含北京市各行政区在2023年7月30日至8月5日期间的降雨量数据

三、实验内容与步骤

1. 数据准备与预处理

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

# 读取数据
df1 = pd.read_excel('C:/Users/ASUS/Desktop/数据可视化文件/实验4/rain_data.xlsx')
#print(df1.head())

2. 制作杠铃图对比7月30日与8月5日降雨量

步骤：

计算各行政区两天的平均降雨量

使用灰色线条连接两个时间点的数据

分别用蓝色和橙色点表示7月30日和8月5日的降雨量

添加数据标签显示具体数值

# 计算每个区7.30和8.5两天的平均降雨量
region_rain = df1.groupby('region')[['7.30', '8.5']].mean().reset_index()

# 排序数据以便更好的可视化
region_rain = region_rain.sort_values('7.30')
region_rain.reset_index(drop=True, inplace=True)  # 重置索引确保顺序正确

# 创建图形
plt.figure(figsize=(12, 10))
#plt.style.use('seaborn-v0_8-whitegrid')
sns.set_style("whitegrid")  # 使用seaborn的白色网格风格
plt.rcParams['font.family'] = 'SimHei'
# 绘制杠铃图
for idx, row in region_rain.iterrows():
    plt.plot([row['7.30'], row['8.5']], [idx, idx], color='grey', alpha=0.4, linewidth=3)

# 绘制两个时间点的点
plt.scatter(region_rain['7.30'], region_rain.index, color='#1f77b4', label='7月30日', s=100)
plt.scatter(region_rain['8.5'], region_rain.index, color='#ff7f0e', label='8月5日', s=100)

# 添加标签和标题
plt.yticks(region_rain.index, region_rain['region'], fontsize=12)
plt.xlabel('降雨量(mm)', fontsize=14)
plt.title('北京市各区7月30日与8月5日平均降雨量对比', fontsize=16, pad=20)
plt.legend(fontsize=12)

# 获取区域数量用于y轴定位
n_regions = len(region_rain)

# 添加数值标签 - 确保与点对应
for i in range(n_regions):
    # 7月30日数据标签
    plt.text(region_rain.loc[i, '7.30']+3, i, 
             f"{region_rain.loc[i, '7.30']:.1f}", 
             ha='right', va='center', fontsize=10)
    # 8月5日数据标签
    plt.text(region_rain.loc[i, '8.5']-3, i, 
             f"{region_rain.loc[i, '8.5']:.1f}", 
             ha='left', va='center', fontsize=10)

# 添加数值标签
#for i, (val1, val2) in enumerate(zip(region_rain['7.30'], region_rain['8.5'])):
#    plt.text(val1, i, f'{val1:.1f}', ha='right', va='center', fontsize=10)
#    plt.text(val2, i, f'{val2:.1f}', ha='left', va='center', fontsize=10)

# 美化图形
sns.despine(left=True)
plt.grid(axis='x', linestyle='--', alpha=0.7)
plt.tight_layout()

plt.show()

输出的杠铃图如下：

通过杠铃图可以直观看出：

大部分行政区8月5日的降雨量明显高于7月30日；
降雨量分布存在明显的区域差异；
某些区域两日降雨量变化较小（如密云区、延庆区），而某些区域变化显著（如海淀区、石景山区）。

3. 制作堆积柱状图展示7天内降雨总量分布

步骤：

计算各区每日平均降雨量

使用不同颜色表示不同日期的降雨量贡献

采用彩虹色系从浅蓝到深紫，增强视觉效果

添加总计数据标签

# 选择7天的降雨数据列
rain_columns = ['7.30', '7.31', '8.1', '8.2', '8.3', '8.4', '8.5']
date_labels = ['7月30日', '7月31日', '8月1日', '8月2日', '8月3日', '8月4日', '8月5日']

# 计算各区每日平均降雨量
region_daily = df1.groupby('region')[rain_columns].mean()

# 转置数据以便绘图
plot_data = region_daily.T
plot_data.index = date_labels  # 使用中文日期标签

# 设置颜色
#colors = plt.cm.viridis(np.linspace(0, 1, len(date_labels)))

# 或者使用雨量专用色系：从浅蓝到深蓝再到紫色
colors = ['#6a3d9a','#e31a1c','#fb9a99','#33a02c','#b2df8a','#1f78b4','#a6cee3']

# 创建图形
plt.figure(figsize=(14, 8))
sns.set_style("whitegrid")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False

# 绘制堆积柱状图
bottom = np.zeros(len(region_daily))
for i, date in enumerate(date_labels):
    plt.bar(region_daily.index, plot_data.loc[date], 
            bottom=bottom, 
            label=date,
            color=colors[i])
    bottom += plot_data.loc[date]

# 添加图表元素
plt.title('北京市各区7天内降雨总量分布（按日期堆积）', fontsize=16, pad=20)
plt.xlabel('行政区', fontsize=14)
plt.ylabel('降雨量(mm)', fontsize=14)
plt.xticks(rotation=45, ha='right')

# 添加图例
plt.legend(title='日期', bbox_to_anchor=(1.05, 1), loc='upper left')

# 添加数据标签（可选）
for region in region_daily.index:
    height = bottom[region_daily.index.get_loc(region)]
    plt.text(region_daily.index.get_loc(region), height, 
            f'{height:.1f}', ha='center', va='bottom')

plt.tight_layout()
plt.show()

输出的堆积图如下：

通过堆积柱状图可以发现：

不同行政区的总降雨量存在显著差异；
降雨时间分布不均，某些日期贡献了大部分降雨量；
颜色堆叠效果清晰展示了每日降雨在各区的占比情况。

4. 制作折线图分析降雨变化最大的前5个区

步骤：

计算各行政区降雨量的标准差作为变化幅度指标

选取变化幅度最大的5个区

标注每个区的降雨量峰值

在图例中显示各区的变化幅度值

# 计算各区每日平均降雨量
region_daily = df1.groupby('region')[rain_columns].mean().T
region_daily.index = date_labels

# 计算变化幅度（标准差）并取前5个区
region_std = df1.groupby('region')[rain_columns].std().mean(axis=1)
top5_regions = region_std.nlargest(5).index.tolist()

# 创建图形
plt.figure(figsize=(12, 6))
#plt.rcParams['font.family'] = 'SimHei'
sns.set_style("whitegrid")
colors = plt.cm.tab10(np.linspace(0, 1, 5))

# 绘制前5个区折线
for i, region in enumerate(top5_regions):
    line = plt.plot(date_labels, region_daily[region], 
                   marker='o', 
                   linewidth=2.5,
                   markersize=8,
                   color=colors[i],
                   label=f"{region} (Δ:{region_std[region]:.1f})")[0]
    
    # 标注最大值（修正后的部分）
    max_val = region_daily[region].max()
    max_idx = region_daily[region].idxmax()
    x_pos = date_labels.index(max_idx)
    plt.annotate(f'{max_val:.1f}',
                xy=(x_pos, max_val),
                xytext=(0, 10),
                textcoords='offset points',
                ha='center',
                color=line.get_color(),
                fontsize=10,
                arrowprops=dict(arrowstyle='->', color=line.get_color()))

# 图表美化
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False
plt.title('北京市降雨量变化最大的前5个区趋势\n（按标准差排序）', fontsize=14, pad=20)
plt.xlabel('日期', fontsize=12)
plt.ylabel('降雨量(mm)', fontsize=12)
plt.xticks(fontsize=11)
plt.yticks(fontsize=11)

# 辅助元素
plt.grid(axis='y', linestyle=':', alpha=0.6)
plt.axhline(y=0, color='gray', linewidth=0.5)

# 图例优化
legend = plt.legend(bbox_to_anchor=(1.05, 1), 
                   loc='upper left',
                   title='行政区(变化幅度)',
                   frameon=True,
                   borderpad=1)
legend.get_frame().set_facecolor('#f9f9f9')

plt.tight_layout()
plt.savefig('top5_rainfall_trend.png', dpi=300, bbox_inches='tight')
plt.show()

输出的折线图如下：

通过折线图可以看出：

前5个变化幅度最大的行政区降雨模式各异；
某些区呈现单峰特征，某些区呈现多峰波动；
峰值出现的时间点不同，反映了降雨时空分布的不均匀性。

 四、实验总结

        本次实验通过三种不同的可视化方式，全面分析了北京市各行政区在7天内的降雨量分布和变化规律。杠铃图适合对比两个时间点的数据，堆积柱状图适合展示总量和构成，折线图适合分析变化趋势。实验结果表明，北京市降雨存在明显的时空分布差异，不同行政区的降雨模式和变化特征各不相同。

        通过本实验，掌握了多种数据可视化技术的实际应用，提高了从数据中提取信息和分析问题的能力，为后续的数据分析工作奠定了基础。