【数据可视化】🌩️ 北京密云区2025年7月暴雨深度分析：Python + Pyecharts 炫酷大屏可视化（包含完整数据、代码）

云天徽上2025-07-29 17:14

🧑 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：

复制代码 
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。

python 复制代码 
import pandas as pd
from pyecharts import options as opts
from 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

less 复制代码 
# 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。

ini 复制代码 
# 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。

less 复制代码 
# 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。

ini 复制代码 
# 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。

ini 复制代码 
# 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。

ini 复制代码 
# 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。

ini 复制代码 
# 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。

scss 复制代码 
# 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：

  1. 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。
  2. 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。
  3. 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。
  4. 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

  1. 加强预警：及时发布暴雨预警信息，提醒居民做好防范准备。
  2. 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。
  3. 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！

相关推荐
德育处主任7 小时前
p5.js 从零开始创建 3D 模型，createModel入门指南
前端·数据可视化·canvas
德育处主任8 小时前
p5.js 三角形triangle的用法
前端·数据可视化·canvas
云天徽上19 小时前
【数据可视化】电信用户流失数据可视化分析：Python + Pyecharts 炫酷大屏（含完整数据、代码）
数据可视化
云天徽上21 小时前
【数据可视化】全球不同年龄段身高数据可视化分析：Python + Pyecharts 炫酷大屏
数据可视化
德育处主任1 天前
p5.js 正方形square的基础用法
前端·数据可视化·canvas
德育处主任1 天前
p5.js 矩形rect绘制教程
前端·数据可视化·canvas
敲敲敲敲暴你脑袋3 天前
Cesium绘制3D热力山丘图
数据可视化·canvas·cesium
德育处主任3 天前
p5.js 四边形（quad）的基础用法
前端·数据可视化·canvas
叫我：松哥3 天前
基于网络爬虫的在线医疗咨询数据爬取与医疗服务分析系统，技术采用django+朴素贝叶斯算法+boostrap+echart可视化
人工智能·爬虫·python·算法·django·数据可视化·朴素贝叶斯
热门推荐
01Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code02全球最强模型Grok4，国内已可免费使用！（附教程）03Coze 开源了，送上保姆级私有化部署方案【建议收藏】04扣子开源本地部署教程 丨Coze智能体小白喂饭级指南05KGG转MP3工具|非KGM文件|解密音频06腾讯还是太全面了，限时免费！超全CodeBuddy IDE保姆级教程！（附案例）07【手把手攻略】国家育儿补贴正式开领！一键算清你能拿多少钱？附补贴领取计算器0801-开源版COZE-字节 Coze Studio 重磅开源！保姆级本地安装教程，手把手带你体验09干翻 Typora！MilkUp：完全免费的桌面端 Markdown 编辑器！10ChatGPT Agent 完全使用指南：2025年7月最新功能详解