谈谈Python实战数据可视化之matplotlib模块(实战篇)

2018-08-12 799

前沿

通过上一篇谈谈Python实战数据可视化之matplotlib模块(基础篇)的学习，我们初步了解了matplotlib模块的pyplot基础，本节实战将利用CSV模块获取某地的天气数据，并且使用matplotlib模块将天气数据可视化。

配套资源

鉴于Python编程从入门到实战这本书的配套资源网上难找的悲伤，我深有体会。所以，在此提供链接供下载（有帮助点个赞支持下我哦(●'◡'●)）：
百度云链接：https://pan.baidu.com/s/1-XE0pBS8IaDLoUBdO8hDOw 密码：n39g

CSV文件格式

CSV - 逗号分隔值文件格式，逗号分隔值(Comma-Separated Values，CSV，有时也称为字符分隔值，因为分隔字符也可以不是逗号)，其文件以纯文本形式存储表格数据(数字和文本)。纯文本意味着该文件是一个字符序列，不含必须像二进制数字那样被解读的数据。CSV文件由任意数目的记录组成，记录间以某种换行符分隔;每条记录由字段组成，字段间的分隔符是其它字符或字符串，最常见的是逗号或制表符。通常，所有记录都有完全相同的字段序列。通常都是纯文本文件。
例如：

Country,Indicator,Year,Value
AFG,NGDP_R,2002,183.26
AFG,NGDP_R,2003,198.736
AFG,NGDP_R,2004,200.069
AFG,NGDP_R,2005,223.737
AFG,NGDP_R,2006,235.731
AFG,NGDP_R,2007,267.177
AFG,NGDP_R,2008,277.498
AFG,NGDP_R,2009,334.621
AFG,NGDP_R,2010,362.857
AFG,NGDP_R,2011,386.368
AFG,NGDP_R,2012,440.336
AFG,NGDP_R,2013,456.453
.......................
.......................

利用CSV模块获取天气数据

先将sitka_weather_07-2014.csv文件放到项目同一目录下，然后利用Python标准库提供的CSV模块可以用于分析CSV文件中的数据行（也就是上面提到的记录），让我们能快速提取感兴趣的值。案例代码如下：

import csv

# 包含一个sitka城市七月份天气信息的CSV文件，里面都是用逗号隔开
filename = 'sitka_weather_07-2014.csv'

# 打开csv文件，实例化一个csv模块的reader阅读器对象，是一个可迭代对象，所以可以使用for循环遍历该reader阅读器对象，
# 也可以调用BIF-next函数遍历下一行，需要注意的是reader里面的每行记录只能被遍历一次，其中reader有一个line_num属性返回遍历过程中对应的行号。
with open(filename) as f:
    reader = csv.reader(f)  # 返回的是一个csv的阅读器对象，直接打印获取不到里面的内容
    print(reader)  # 打印出的是<_csv.reader object at 0x000002D1B24912B8>
    head_row = next(reader)  # 返回第一行的记录内容组成的字符串列表
    print(head_row)  # 打印 ['AKDT', 'Max TemperatureF'...]
    for row in reader:
        # 根据阅读器对象的记录（一行算一个记录）只能遍历一次的特性，行号从2开始了哦
        print(reader.line_num, row)  # 打印 2 ['2014-7-1', '64', '56', '50'....]

运行结果如下：

好了，初步获取到了CSV文件的内容，但是我们有一点要注意，就是reader里面的每行记录只能被遍历一次，我们下面添加一行代码更深刻领会：

import csv

filename = 'sitka_weather_07-2014.csv'

with open(filename) as f:
    reader = csv.reader(f)
    print(reader)
    print(list(reader))  # 值得注意的是，当先调用 print(list(reader))，发现遍历到最后了，再执行后面的代码就报错了
    head_row = next(reader)
    print(head_row)
    for row in reader:
        print(reader.line_num, row)

运行结果如下：

对上面的结果进行分析：对于list内置函数，内部实现大概可以猜到是先将reader对象里面的记录遍历再添加进一个列表中，然后返回整个列表。调用list内置函数其实已经遍历一次了，遍历指针指向了最后一个记录，并且因为reader的记录（一行算一个记录）只能被遍历一次的特性，所以后面的代码再遍历reader对象就没啥意义了。

绘制阿拉斯加锡特卡2014年7月每日最高气温折线图

我们前面已经知道怎么获取天气数据了，那么我们将使用pyplot模块绘制阿拉斯加锡特卡2014年7月每日最高气温折线图。代码如下（注释有助于理解代码）：

# 绘制锡特卡7月份的天气数据
# 导入python支持的csv模块，用来处理csv文件，分析csv文件中的数据行，让我们提取我们感兴趣的值
import csv
# 导入matplotlib包里的pyplot模块，用于可视化获取到的每天最高温度
from matplotlib import pyplot as plt

from datetime import datetime

# 包含一个城市天气信息的CSV文件，里面都是用逗号隔开
filename = 'sitka_weather_07-2014.csv'

# 打开csv文件，实例化一个csv模块的reader阅读器对象
with open(filename) as f:
    reader = csv.reader(f)
    head_row = next(reader)  # 返回第一行的记录内容组成的字符串列表，例如：['1','2'....]
    highs = []  # 用于存储每天最高的温度
    dates = []  # 用于存储日期
    for row in reader:  # row也是返回遍历行的记录内容组成的字符串列表
        current_date = datetime.strptime(row[0], "%Y-%m-%d")  # 讲时间字符串转化为指定格式的datetime对象
        dates.append(current_date)
        high = int(row[1])  # 由于前面已经next过一次了，根据reader只能被遍历一次的性质，这里for循环就从第二行开始遍历
        highs.append(high)  # 将每天的最高温度保存在highs列表中，这时候列表存储的元素都是数字而非字符串，那么我们就可以利用这个列表进行可视化处理了
fig = plt.figure(dpi=128, figsize=(10, 6))
plt.plot(dates, highs, c='red')
plt.title("Daily high temperatures,July 2014", fontsize=24)
plt.xlabel('', fontsize=16)
fig.autofmt_xdate()  # 绘制倾斜的日期标签
plt.ylabel("Temperature (F)", fontsize=16)
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()

运行结果如下：

仔细观察上面的运行结果，X轴还是与书本图片有些出入，其实无碍，这是正确的，因为我们运行的结果也是7月初开始，只不过X轴把6月份也包括进去了。

绘制阿拉斯加锡特卡2014年每日最高气温和最低气温折线图

前面我们绘制了阿拉斯加锡特卡7月份每日最高气温折线图，现在我们将获取阿拉斯加锡特卡2014年整一年的天气数据，再绘制阿拉斯加锡特卡2014年每日最高气温和最低气温折线图。我们先将sitka_weather_2014.csv文件也放到项目同一目录下。代码如下：

# 绘制锡特卡整年的天气数据,未进行错误检查
# 导入python支持的csv模块，用来处理csv文件，分析csv文件中的数据行，让我们提取我们感兴趣的值
import csv
# 导入matplotlib包里的pyplot模块，用于可视化获取到的每天最高温度
from matplotlib import pyplot as plt

from datetime import datetime

# 包含一个城市天气信息的CSV文件，里面都是用逗号隔开
filename = 'sitka_weather_2014.csv'

# 打开csv文件，实例化一个csv模块的reader阅读器对象
with open(filename) as f:
    reader = csv.reader(f)
    head_row = next(reader)  # 返回第一行的记录内容组成的字符串列表，例如：['1','2'....]
    highs = []  # 用于存储整年每一天中的最高温度
    dates = []  # 用于存储日期
    lows = []  # 用于存储整年每一天中的最低温度
    for row in reader:  # row也是返回遍历行的元素内容组成的字符串列表
        current_date = datetime.strptime(row[0], "%Y-%m-%d")
        dates.append(current_date)
        high = int(row[1])  # 由于前面已经next过一次了，根据reader只能被遍历一次的性质，这里for循环就从第二行开始遍历
        highs.append(high)  # 将每天的最高温度保存在highs列表中，这时候列表存储的元素都是数字而非字符串，那么我们就可以利用这个列表进行可视化处理了
        low = int(row[3])
        lows.append(low)
fig = plt.figure(dpi=128, figsize=(10, 6))
plt.plot(dates, highs, c='red', alpha=0.5)  # 绘制整年每一天的最高气温折线图
plt.plot(dates, lows, c='blue', alpha=0.5)  # 绘制整年每一天的最低气温折线图
plt.fill_between(dates, highs, lows, facecolor='blue', alpha=0.1)  # 填充每日最高气温和最低气温之间的区域
plt.title("Daily high and low temperatures,- 2014", fontsize=24)
plt.xlabel('', fontsize=16)
fig.autofmt_xdate()
plt.ylabel("Temperature (F)", fontsize=16)
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()

运行结果如下：

由于有些气象站会偶尔出现故障，未能收集全应该收集的数据，所以如果我们还是采用上一个代码例子这样获取某个城市的天气数据，那么就会报错，因为这个城市的csv文件中某一天可能是缺少数据的，所以会报ValueError错误。就如下图这样缺少某天的数据：

所以，鉴于上面的问题，下一节获取死亡谷整年的天气数据将会采用异常处理机制就能预防这种情况。

绘制死亡谷2014年每日最高气温和最低气温折线图

前面说了可能在实际应用中可能会出现缺少数据等问题，作为一名程序开发者，必须设想到各种可能出现的问题，并且采用实用的方法解决问题。我们将会采用异常处理机制来绘制死亡谷2014年每日最高气温和最低气温折线图。代码如下：

# 导入python支持的csv模块，用来处理csv文件，分析csv文件中的数据行，让我们提取我们感兴趣的值
import csv
# 导入matplotlib包里的pyplot模块，用于可视化获取到的每天最高温度
from matplotlib import pyplot as plt

from datetime import datetime

# 包含一个城市天气信息的CSV文件
filename = 'death_valley_2014.csv'

# 打开csv文件，实例化一个csv模块的reader阅读器对象
with open(filename) as f:
    reader = csv.reader(f)
    head_row = next(reader)  # 返回第一行的记录内容组成的字符串列表，例如：['1','2'....]
    highs = []  # 用于存储每天最高的温度
    dates = []  # 用于存储日期
    lows = []  # 用于存储每天最低的温度
    for row in reader:  # row也是返回遍历行的记录内容组成的字符串列表
        try:
            current_date = datetime.strptime(row[0], "%Y-%m-%d")
            high = int(row[1])  # 由于前面已经next过一次了，根据reader只能被遍历一次的性质，这里for循环就从第二行开始遍历
            low = int(row[3])
        except ValueError:
            print(current_date,'missing data')
        else:
            dates.append(current_date)
            highs.append(high)  # 将每天的最高温度保存在highs列表中，这时候列表存储的元素都是数字而非字符串，那么我们就可以利用这个列表进行可视化处理了
            lows.append(low)
fig = plt.figure(dpi=128, figsize=(10, 6))
plt.plot(dates, highs, c='red',alpha=0.5)
plt.plot(dates, lows, c='blue',alpha=0.5)
plt.fill_between(dates,highs,lows,facecolor='blue',alpha=0.1)
plt.title("Daily high and low temperatures,- 2014\nDeath Valley.CA", fontsize=20)
plt.xlabel('', fontsize=16)
fig.autofmt_xdate()
plt.ylabel("Temperature (F)", fontsize=16)
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()

运行结果如下（两张图）：
（1）折线图

（2）终端图

通过上面两个图可以知道，2014-02-16这一天的温度数据是丢失了，所以在折线图其实没有画出2014-02-16这一天的最高和最低气温（由于太密集看不出）。

微信关注我们

原文链接：https://blog.51cto.com/12731497/2158567

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

记一次混合监控的反思

一、背景作为最底层的技术人员，目前由于有客户在运维中遇到混合架构，公有云上使用了产品级别Redis数据库，同时由于业务在云服务器和kubnets的容器内也有redis数据库，因此对于这种混合模式数据库的监控，进行简单的分析总结，在此记录笔记，在此抛砖引玉，也曾希望对各位有一点点益处。redis是一个key-value存储系统。和Memcached类似，它支持存储的value类型相对更多，在原子化操作的基础上，有具有数据持久化的功能，同时也支持主从同步和集群搭建，支持发布订阅机制，大大提高了数据操作的扩展性和数据冗余安全性。在目前SAAS无论是共有云还是私有云，自建集群，还是docker容器，监控方式多样化，针对不同的场景各种方式互补来更好的提供监控。二、监控方式 2.1 云平台监控目前对于SAAS产品级别数据库产品，即开即用底层均依托于各云厂商的多副本或集群方式，来保障数据的安全性和服务的稳定性，但在目前的几次云故障中，我们也要心怀对数据的敬畏之心，各方面多方式做好数据的备份，没有绝对的安全，无论在多少个9的SLA面前，数据一旦发生不可挽回性丢失或损坏那将是百分之百的损失，数据无...

2018-08-12

668

创建镜像三种方法 Docker镜像创建方法有三种，分别为基于已有镜像创建、基于本地模板创建以及基于Dockerfile创建。通过Dockerfile创建镜像这里主要记录下基于Dockerfile创建方法，Dockerfile是由一组指令组成的文件，其中每条指令对应Linux中的一条命令，Docker程序将读取Dockerfile中的指令生成指定镜像。 Dockerfile结构大致分为四个部分：基础镜像信息、维护者信息、镜像操作指令和容器启动时执行指令。Dockerfile每行支持一条指令，每条指令可带多个参数，支持使用以#号开头的注释。 Docker操作指令指令含义 FROM镜像指定新镜像所基于的镜像，必须为第一条指令 MAINTAINER 名字新镜像的维护人信息 RUN 命令在所基于的镜像上执行命令，并提交到新镜像中 EXPOSE端口号指定新镜像加载到Docker时开启的端口号 ENV 环境变量变量值设置一个环境变量的值，会被后面的RUN使用 ADD 源文件/目录目标文件/目录将源文件复制到目标文件，源文件要与Docker位于同一目录下，或者为一个URL C...

2018-08-16

571

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。