🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金 等平台人工智能领域优质创作者。
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。
一、引言
2025年7月，北京市密云区遭遇了罕见的特大暴雨，多个站点的降雨量突破历史极值。暴雨引发了山洪、泥石流、滑坡等次生灾害，给当地居民的生活和财产带来了巨大影响。本文将基于密云区2025年7月的天气数据集，使用 Python 和 Pyecharts 构建一个炫酷的黑色大屏，从多个维度分析暴雨的形成机制和社会影响。
二、数据集介绍
数据集包含以下字段：
日期：日期白天/晚上：Day 或 Night高温：白天最高温度（℃）低温：夜间最低温度（℃）AQI：空气质量指数风向：16个方向（如北、东北、东等）降雨量：当日降雨量（mm）三、环境准备
在开始之前，请确保安装了以下库：
pip install pandas pyecharts四、数据预处理
我们首先读取数据，并进行必要的预处理。
import pandas as pdfrom pyecharts import options as optsfrom pyecharts.charts import *from pyecharts.globals import ThemeType# 读取数据df = pd.read_csv("miyun_weather_202507.csv")# 将日期列转换为日期格式df['日期'] = pd.to_datetime(df['日期'], format="%m月%d日")# 提取日期字符串df['日期_str'] = df['日期'].dt.strftime('%m-%d')df['高温'] = df['高温'].str.replace('℃', '').astype(int) df['低温'] = df['低温'].str.replace('℃', '').astype(int) 五、可视化分析
接下来，我们将从多个角度对数据进行可视化分析。
5.1 降雨量面积图
# 降雨量面积图area_rain = ( Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['日期_str'].tolist()) .add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)) .set_global_opts( title_opts=opts.TitleOpts(title="7月每日降雨量面积图", subtitle="单位：毫米"), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)), yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross") ) .set_series_opts( areastyle_opts=opts.AreaStyleOpts(opacity=0.5, color=JsCode(""" new echarts.graphic.LinearGradient(0, 0, 0, 1, [{offset:0,color:'#00f2fe'},{offset:1,color:'#4facfe'}]) """)) ))5.2 日降雨量柱状图
我们首先查看7月份每天的降雨量。
# 日降雨量柱状图bar_rain = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['日期_str'].tolist()) .add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), itemstyle_opts=opts.ItemStyleOpts(color="#00f2fe")) .set_global_opts( title_opts=opts.TitleOpts(title="7月每日降雨量", subtitle="单位：毫米"), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)), yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"), visualmap_opts=opts.VisualMapOpts( is_show=True, pos_top="middle", pos_left="right", orient="vertical", min_=0, max_=df['降雨量'].max(), range_color=["#00f2fe", "#4facfe", "#00aaff"] ) ))5.3 日最高温和最低温折线图
接下来，我们查看7月份每天的最高温和最低温。
# 日最高温和最低温折线图line_temp = ( Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['日期_str'].tolist()) .add_yaxis("高温 (℃)", df['高温'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)) .add_yaxis("低温 (℃)", df['低温'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)) .set_global_opts( title_opts=opts.TitleOpts(title="7月每日最高温和最低温", subtitle="单位：摄氏度"), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)), yaxis_opts=opts.AxisOpts(name="温度 (℃)"), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross") ))5.4 AQI 柱状图
我们再看看7月份每天的 AQI 情况。
# AQI 柱状图bar_aqi = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['日期_str'].tolist()) .add_yaxis("AQI", df['AQI'].tolist(), itemstyle_opts=opts.ItemStyleOpts(color="#ffde93")) .set_global_opts( title_opts=opts.TitleOpts(title="7月每日AQI", subtitle="空气质量指数"), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)), yaxis_opts=opts.AxisOpts(name="AQI"), visualmap_opts=opts.VisualMapOpts( is_show=True, pos_top="middle", pos_left="right", orient="vertical", min_=df['AQI'].min(), max_=df['AQI'].max(), range_color=["#ffde93", "#ffc107", "#ff9800"] ) ))5.5 风向玫瑰图
我们再看看7月份风向的分布情况。
# 风向玫瑰图rose_wind = ( Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add("", list(df['风向'].value_counts().items()), radius=[30, 100], center=["50%", "50%"], rosetype="radius") .set_global_opts( title_opts=opts.TitleOpts(title="7月风向分布"), legend_opts=opts.LegendOpts(is_show=True,orient="vertical", pos_top="15%", pos_left="2%") ) .set_series_opts(label_opts=opts.LabelOpts(is_show=True)))5.6 降雨量与 AQI 散点图
我们再看看降雨量与 AQI 之间的关系。
# 降雨量与 AQI 散点图scatter_rain_aqi = ( Scatter(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['AQI'].tolist()) .add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), symbol_size=10) .set_global_opts( title_opts=opts.TitleOpts(title="降雨量与 AQI 的关系"), xaxis_opts=opts.AxisOpts(name="AQI"), yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"), visualmap_opts=opts.VisualMapOpts( type_="size", max_=df['降雨量'].max(), min_=0, range_size=[5, 20] ) ))5.7 风向频率统计词云图
我们再看看7月份风向的分布情况的词云图。
# 数据分析维度四：风向频率统计 wind_direction_counts = df['风向'].value_counts() wind_data = list(zip(wind_direction_counts.index.tolist(), wind_direction_counts.values.tolist())) wordcloud = ( WordCloud(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add("", wind_data, word_size_range=[20, 100]) .set_global_opts( title_opts=opts.TitleOpts(title="风向频率统计"), tooltip_opts=opts.TooltipOpts(is_show=True) ) ) 六、组合大屏
最后，我们将所有图表组合成一个炫酷的大屏。
# 组合大屏page = Page(layout=Page.DraggablePageLayout)page.add(area_rain,bar_rain, line_temp, bar_aqi, rose_wind, scatter_rain_aqi,wordcloud)page.render("miyun_weather_dashboard.html")print("✅ 已生成 miyun_weather_dashboard.html")七、分析总结
通过上述可视化分析，我们可以清晰地看到7月份密云区的天气情况，特别是暴雨的形成机制和社会影响：
- 降雨量：7月26日和27日降雨量极高，达到特大暴雨级别，这与新闻报道中的暴雨红色预警相符合。温度：高温和低温的变化与降雨量有一定的相关性，高温天气可能加剧了暴雨的形成。AQI：空气质量指数在暴雨期间有所下降，说明暴雨对空气污染有一定的冲刷作用。风向：风向的分布显示了暴雨期间的风向变化，可能与暴雨的移动路径有关。
7.1 社会影响
暴雨引发了山洪、泥石流、滑坡等次生灾害，给当地居民的生活和财产带来了巨大影响。建议在暴雨期间加强预警和防范措施，减少灾害损失。
7.2 防范建议
- 加强预警：及时发布暴雨预警信息，提醒居民做好防范准备。加固设施：对山区和低洼地区的基础设施进行加固，减少灾害风险。应急救援：建立应急救援机制，及时响应灾害事件，减少人员伤亡和财产损失。
希望这篇文章能帮助你更好地理解和分析密云区的暴雨情况。如果你有任何问题或建议，欢迎在评论区留言！🎉
如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）
期待与您一起交流，共同探索AI的更多可能！
