【数据可视化-75】北京密云区2025年7月暴雨深度分析：Python + Pyecharts 炫酷大屏可视化（含完整数据、代码）

云天徽上2025-07-30 19:02

🧑 博主简介：曾任某智慧城市类企业算法总监，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。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）
💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

【数据可视化-75】🌩️ 北京密云区2025年7月暴雨深度分析：Python + Pyecharts 炫酷大屏可视化（含完整数据、代码）

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：

bash 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

python 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。

python 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。

python 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。

python 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。

python 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。

python 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。

python 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。

python 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！🎉

相关推荐
EndingCoder2 分钟前
Three.js 与 WebXR：初识 VR/AR 开发
开发语言·前端·javascript·ar·vr
测试199819 分钟前
如何编写好的测试用例？
自动化测试·软件测试·python·功能测试·测试工具·职场和发展·测试用例
liulilittle22 分钟前
备忘录设计模式 vs 版本设计模式
开发语言·c++·算法·设计模式
煜36426 分钟前
C++继承
开发语言·c++
2301_7639947133 分钟前
类和对象（下）
开发语言·c++
Dreamsi_zh35 分钟前
Python爬虫04_Requests豆瓣电影爬取
开发语言·爬虫·python
230L1_78M69Q5487H36 分钟前
【机器学习】机器学习新手入门概述
人工智能·python·机器学习·scikit-learn
绿炮火43 分钟前
【MATLAB】（一）简介
开发语言·数学建模·matlab
超浪的晨44 分钟前
JavaWeb 进阶：Vue.js 与 Spring Boot 全栈开发实战（Java 开发者视角）
java·开发语言·前端·javascript·vue.js·html·个人开发
她说人狗殊途1 小时前
Map 集合
java·开发语言·算法
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】04MSPM0G3507——读取引脚的高低电平方法（数字信号循迹模块）05腾讯还是太全面了，限时免费！超全CodeBuddy IDE保姆级教程！（附案例）06扣子开源本地部署教程 丨Coze智能体小白喂饭级指南07机器学习——多项式回归算法08KGG转MP3工具|非KGM文件|解密音频09【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10麦肯锡全球研究院发布《2025 年技术趋势展望》：到 2030 年，半导体行业可能面临显著的人才缺口