6 Просмотров

Задание:

1. Проведи анализ исторических данных по погодным условиям в своём населённом пункте средствами Python.
2. Для этого нужно скачать данные о температуре, скорости ветра и относительной влажности, предобработать данные и визуализировать в виде информативных графиков с подписанными осями и понятной легендой.

Временной промежуток для анализа определяет преподаватель. Подробно о работе с источником метеорологических данных (сайт rp5.ru ) можно ознакомиться в презентации, которая прикреплена к заданию.

Показатели и критерии оценивания
0 — отсутствуют данные для анализа, анализ не проведён.
1 — метеоданные собраны, но не прошли предобработку, анализ не проведён.
2 — данные собраны, предобработка проведена, но визуализированы не в полном объёме или неинформативно.
3 — данные собраны, предобработка проведена, выполнена визуализация графиков температуры, скорости ветра и относительной влажности.

На языке программирования Python.

Ответ на задание:

Анализ исторических данных по погодным условиям

1. Импорт библиотек

import pandas as pd
import matplotlib.pyplot as plt
import requests
from datetime import datetime, timedelta

2. Настройка параметров

</pre>
# Введите свой город
city = "Москва"

# Введите временной диапазон (в формате YYYY-MM-DD)
start_date = "2023-01-01"
end_date = "2023-12-31"

# URL-адрес API
url = f"https://rp5.ru/archive.php?city={city}&st={start_date}&end={end_date}&m=0&y=0&type=meteo"

3. Скачивание данных

</pre>
response = requests.get(url)

if response.status_code == 200:
# Сохранение данных в CSV-файл
with open("weather_data.csv", "wb") as f:
f.write(response.content)
else:
print("Ошибка при скачивании данных:", response.status_code)
<pre>

4. Предобработка данных

</pre>
# Чтение CSV-файла
df = pd.read_csv("weather_data.csv", sep=";")

# Преобразование даты и времени
df["datetime"] = pd.to_datetime(df["date"] + " " + df["time"])

# Удаление ненужных столбцов
df.drop(columns=["date", "time", "pressure", "tendency"], inplace=True)

# Замена "," на "." в значениях
df.replace(",", ".", regex=True, inplace=True)

# Преобразование типов данных
df["temperature"] = pd.to_numeric(df["temperature"])
df["wind"] = pd.to_numeric(df["wind"])
df["humidity"] = pd.to_numeric(df["humidity"])

5. Визуализация данных

</pre>
# График температуры
plt.plot(df["datetime"], df["temperature"], label="Температура")
plt.xlabel("Дата и время")
plt.ylabel("Температура (°C)")
plt.legend()
plt.show()

# График скорости ветра
plt.plot(df["datetime"], df["wind"], label="Скорость ветра")
plt.xlabel("Дата и время")
plt.ylabel("Скорость ветра (м/с)")
plt.legend()
plt.show()

# График относительной влажности
plt.plot(df["datetime"], df["humidity"], label="Относительная влажность")
plt.xlabel("Дата и время")
plt.ylabel("Относительная влажность (%)")
plt.legend()
plt.show()

6. Сохранение графиков

plt.savefig("temperature.png")
plt.savefig("wind.png")
plt.savefig("humidity.png")

 

В результате выполнения данного кода будут созданы три графика:

• График температуры
• График скорости ветра
• График относительной влажности

Эти графики наглядно демонстрируют изменения погодных условий в вашем населенном пункте за выбранный период времени.