本文以2019年全國各城市的空氣質(zhì)量觀測數(shù)據(jù)為例，利用matplotlib、calmap、pyecharts繪制日歷圖和熱力圖。在繪圖之前先利用pandas對空氣質(zhì)量數(shù)據(jù)進行處理。

2019年全國各城市空氣質(zhì)量觀測數(shù)據(jù)來源于：https://beijingair.sinaapp.com。

數(shù)據(jù)處理

從網(wǎng)站下載的數(shù)據(jù)為逐小時數(shù)據(jù)，每天一個文件。如果要繪制全年的日歷圖或者熱圖，首先要將所有的數(shù)據(jù)進行合并處理。

下載好數(shù)據(jù)之后，將數(shù)據(jù)解壓到當前目錄的2019文件夾內(nèi)，然后處理數(shù)據(jù)：

import globfrom datetime import datetime, timedeltaimport numpy as npimport pandas as pdfrom matplotlib import cm, colorsimport matplotlib.dates as mdatesimport matplotlib.patches as mpatchesimport matplotlib.pyplot as pltdef format_aqi(filep, columns=None): files = glob.glob(filep) df = pd.concat((pd.read_csv(f) for f in files)) df.index = pd.to_datetime(df.date.astype(np.str) + df.hour.apply(lambda x: ’%02d’%x), format=’%Y%m%d%H’) # drop date and hour columns df.drop([’date’, ’hour’], axis=1, inplace=True) df = df.pivot_table(columns=’type’, index=df.index) df.columns.names = [’station’, ’type’] df.index.names = [’date’] df = df.stack(’station’) if columns is not None: df = df.loc[:, columns] return dffilep = ’2019/china*.csv’ data = format_aqi(filep)data.csv(’2019.csv’) # 保存以便后續(xù)使用

合并完成數(shù)據(jù)后，讀取數(shù)據(jù)并進一步處理：

data = pd.read_csv(’2019.csv’, index_col=’date’, parse_dates=True)data2 = data.pivot_table(index=data.index, columns=[’station’])time_range = pd.date_range(datetime(2019, 10, 1, 0), datetime(2019, 12, 31, 23), freq=’1h’)idx = pd.IndexSliceaqi = data2.loc[:, idx[’AQI’, :]].xs(’AQI’, axis=1)aqi = aqi.reindex(time_range)cities = [’北京’, ’天津’, ’石家莊’, ’邯鄲’, ’濟南’, ’鄭州’, ’菏澤’, ’亳州’, ’徐州’, ’駐馬店’, ’南京’, ’合肥’, ’馬鞍山’, ’武漢’, ’上海’, ’杭州’, ’長沙’, ’南昌’, ’上饒’, ’溫州’, ’吉安’, ’贛州’, ’福州’, ’龍巖’, ’廈門’, ’泉州’ ]sub = aqi[cities[::-1]]

繪制熱力圖

因為空氣質(zhì)量有專門的配色，首先設置對應等級的colormap

colors_aqi = [’#009966’, ’#FFDE33’, ’#FF9A32’, ’#CC0033’, ’#660099’]levels = [0, 50, 100, 150, 200, 300]cmap_aqi = colors.ListedColormap(colors_aqi) norm = colors.BoundaryNorm(levels, cmap_aqi.N)

然后，開始繪圖：

fig, ax = plt.subplots(figsize=(16, 9))con = ax.pcolormesh(sub.index.values,np.arange(0, sub.columns.shape[0]+1),sub.T,cmap=cmap_aqi,norm=norm,vmin=0, vmax=300 )sdate = datetime(2019, 10, 1)edate = datetime(2019, 12, 31)xticks = pd.date_range(sdate, edate, freq=’15d’)ax.set_xlim([sdate, edate])ax.set_xticks(xticks)ax.set_xticklabels([i.strftime(’%m/%d’) for i in xticks])ax.set_yticks(np.arange(0.5, len(cities)))_ = ax.set_yticklabels(sub.T.index.values, fontdict={’family’: ’SimHei’, ’fontsize’: 16})ytext = [i.get_text() for i in list(ax.get_yticklabels())]cb = fig.colorbar(con, extend=’max’, pad=0.02, extendrect=True, extendfrac=0.2)cb.cmap.set_over(’#7D0023’)cb.ax.tick_params(axis=’both’, direction=’in’, length=0)_ = cb.ax.set_ylabel(’Air Quality Index(AQI)’, fontdict={’family’: ’Times New Roman’})

2019年10月-12月各城市的AQI日變化

繪制日歷圖

python中關于繪制日歷圖的工具相對較少，沒有特別有些的工具。下面分別使用calmap和pyecharts繪制日歷圖。

注意：calmap已經(jīng)放棄維護了，在使用過程中可能會存在問題。本文fork了原來的源碼，解決了可能遇到的問題。可以從https://github.com/bugsuse/calmap下載源碼，然后執(zhí)行python setup.py install進行安裝即可。

注意：本文為了簡單起見，利用AQI繪圖時，直接對AQI求日均值，但是實際情況下是不能直接這樣計算的。

import calmapdd = data[data.station == ’北京’].AQI.resample(’1d’).mean()fig, ax = plt.subplots(figsize=(18, 9))cmp = calmap.yearplot(dd, how=None, year=2019, cmap=cmap_aqi, norm=norm, vmin=0, vmax=300, )ax2 = fig.add_axes([0.94, 0.4, 0.015, 0.2])cb1 = mpl.colorbar.ColorbarBase(ax2, cmap=cmap_aqi, ticks=levels, norm=norm, orientation=’vertical’, extend=’max’, extendrect=True, extendfrac=0.15)cb1.cmap.set_over(’#7D0023’)cb1.set_ticks([25, 75, 125, 175, 250])cb1.ax.set_yticklabels([u’優(yōu)’, u’良’, u’輕度污染’, u’中度污染’, u’重度污染’], fontdict={’fontsize’: 16, ’family’: ’SimHei’}) cb1.ax.yaxis.set_tick_params(length=0.01)ax2.text(1.13, 1.07, ’嚴重污染’, fontdict={’fontsize’:16, ’family’:’SimHei’})ax.set_ylabel(’2019’, fontdict=dict(fontsize=26, color=’grey’))

2019年北京市AQI日歷圖

下面利用pyecharts繪制2019年北京市AQI日歷圖。

from pyecharts import options as optsfrom pyecharts.charts import Calendarbegin = datetime(2019, 1, 1)end = datetime(2019, 12, 31)data = [ [str(begin + timedelta(days=i)), dd[i]] for i in range((end - begin).days + 1)]c = ( Calendar() .add( '', data, calendar_opts=opts.CalendarOpts( range_=’2019’, daylabel_opts=opts.CalendarDayLabelOpts(name_map=’cn’), monthlabel_opts=opts.CalendarMonthLabelOpts(name_map=’cn’), ), ) .set_global_opts( title_opts=opts.TitleOpts(title=’2019年北京市每日AQI(Air Quality Index)’, pos_left=’center’), visualmap_opts=opts.VisualMapOpts( max_=300, min_=0, range_size=[0, 50, 100, 150, 200, 300], pieces= [{’min’: 0, ’max’: 50}, {’min’: 51, ’max’: 100}, {’min’: 101, ’max’: 150}, {’min’: 151, ’max’: 200},

2019年北京市AQI日歷圖

繪制熱力圖也可以使用seaborn，不需要單獨碼很多代碼，而且功能要更多一些。python在繪制日歷圖方面不是非常友好，相比之下，pyecharts更有優(yōu)勢。但是pyecharts更適合線上可視化展示，不太適合制作用于發(fā)表論文的圖。

這次就說到這了，感興趣的可以去嘗試一下。

以上就是Python如何繪制日歷圖和熱力圖的詳細內(nèi)容，更多關于Python繪制日歷圖和熱力圖的資料請關注好吧啦網(wǎng)其它相關文章！