气象数据分析全流程实战：从数据清洗到报告撰写的完整项目

简介：这是一份面向数据分析初学者的气象数据实战项目，适合希望掌握爬虫采集、数据清洗与可视化完整流程的读者。项目以中国天气网某城市天气数据为对象，通过爬虫获取原始信息，再借助Jupyter Notebook完成分析，并输出雷达图、条形图等多种可视化图表，附带相应分析结论，可帮助巩固数据报告撰写能力。压缩包共39个文件、约1.69MB，主要包含20张png分析图表、15个xml配置/文档结构文件及4个rels关系文件，另有可直接运行的源代码与整理完毕的实验报告，结构清晰，便于对照学习。已有1852人学习下载，适合课程实验、毕业设计或自学练手场景。资源中代码与报告配套呈现，读者既能参考爬虫写法，也能借鉴图表绘制和分析表述思路，对快速上手完整的数据分析流程有直接帮助。

1. 气象数据分析：从一个完整项目看懂数据分析和报告实验的全流程

这个资源不是教学课件，而是一套能直接跑通的气象数据分析项目样本：里面带气象观测数据集、Python 清洗与分析脚本，还有一份可以改写成实验报告的结果模板。换句话说，你拿到的不是零散代码，而是从原始气象数据到分析结论的完整落地方案。它主要解决三类人的问题：要做数据分析报告实验却不知道从哪下手的入门者、刚接触气象数据想参考分析方法论的从业者，以及想找一个真实数据分析案例练手的求职者。气象数据的优点是规律性强、结论容易验证，非常适合把数据清洗、分析方法、可视化、报告撰写这条链路完整走一遍。

2. 数据准备阶段：气象数据清洗与字段对齐的三个关键环节

做过数据分析项目的人都清楚，最耗时间的往往不是分析本身，而是数据准备。这份资源里的气象数据集是原始观测记录，站号、观测时间、气温、湿度、气压、降水这些字段混在一起，字段命名不统一、缺失值分布不均、单位五花八门，直接跑分析必翻车。我自己拆这个资源的第一天，70% 的精力都花在把数据洗干净、把字段对齐这件事上。气象数据尤其如此，它来自自动站设备，设备故障、传输中断都会在数据里留下痕迹，清洗阶段不处理好，后面所有分析都建立在沙子上。

2.1 先看数据字典和字段类型，别急着跑分析

打开资源包，我先找到随附的数据字典，确认每个字段的含义。气象站数据一般包含这些字段：站号、观测时间、气温、相对湿度、气压、风向、风速、降水量。不同来源的数据字段命名差异很大，有的叫 temp，有的叫 temperature；降水有的叫 prep，有的叫 rain。字段名不统一就动手写分析，后面每写一步都要回头查字段，非常低效。我的习惯是先做一次字段标准化，把分析要用的字段统一改名，再进入后续步骤。

import pandas as pd df = pd.read_csv('weather_data.csv', encoding='utf-8') print('数据规模:', df.shape) print('字段类型:') print(df.dtypes) print('前5行:') print(df.head())

这段代码干的活有三件。df.shape 看数据有多少行多少列，判断数据量级是否和资源说明一致，防止拿到的是残缺样本；df.dtypes 看每个字段的类型，这一步能提前暴露大量问题，比如时间列被读成 object、站号列被读成 int 导致前导 0 丢失；head() 看前几行，直观感受数据长什么样，对后续清洗心里有数。读进来之后，我还会顺手检查有没有完全重复的行，气象数据里偶尔会出现相同时间点的重复观测记录，这种重复行不删掉，后面按时间聚合时会双倍计入。

提示：气象数据文件常见的编码是 utf-8 或 gbk，如果读取后中文乱码，把 encoding 换成 'gbk' 再试。我一般会在读取时写一个两行容错逻辑，先尝试 utf-8，报 UnicodeDecodeError 再回退 gbk，省得每次手动试。

2.2 缺失值处理：先算缺失比例，再决定插补方式

气象数据的缺失值非常常见，自动站设备故障、传输丢包、人工站缺测都会造成空值。处理缺失值的第一步不是直接补，而是先算缺失比例，缺多少决定采取什么策略，这个顺序不能反。一上来就 fillna，等于对数据质量状况完全没有概念，补出来的结果也没法在报告里解释。

missing_ratio = df.isnull().sum() / len(df) print('各字段缺失比例:') print(missing_ratio[missing_ratio > 0])

我的经验是分三档处理。缺失比例低于 5% 的字段，用线性插补或前向填充，对连续变量影响很小；5% 到 20% 之间的，结合前后日值和同站历史同期均值综合补，单一方法都不够稳；超过 20% 的字段直接建议从分析里剔除，硬补出来的数据写进报告反而经不起评审追问。气温这类连续变量适合线性插补，而降水是事件型变量，0 代表无降水，不能按普通缺测处理。

df['temp'] = df['temp'].interpolate(method='linear', limit_direction='both') df['precipitation'] = df['precipitation'].fillna(0)

这里的关键差异在最后一行：降水缺测统一填 0，而不是插补。原因很简单，插补会把缺测值变成一个小数，报告里出现 0.3mm 的降水数据，懂行的人一眼就能看出是补出来的。fillna(0) 配合插补，既保留了连续变量的平滑性，又避免降水变量出现伪数据。另外，interpolate 的 limit_direction='both' 表示序列开头和结尾的缺失也要补，如果不加，首尾的缺失值会原样保留为 NaN，后面计算均值时会带上空值，结果表里 count 和 mean 对不上。

2.3 时间字段规范化与单位统一

气象数据最麻烦的是时间格式不统一。有的文件里是 2023-01-01 08:00:00，有的是 2023/1/1 8:00，还有的是 20230101080000 这种纯数字串。不统一时间格式，后面所有按时间聚合的操作都会出问题，比如按月份 groupby 时把年份也混进去，月度曲线出现锯齿。

df['datetime'] = pd.to_datetime(df['datetime'], format='%Y-%m-%d %H:%M:%S') df = df.sort_values('datetime').reset_index(drop=True)

pd.to_datetime 是 pandas 里最值得熟悉的函数之一，format 参数明确指定输入格式，解析速度快而且不会猜错。sort_values 按时间排序后重置索引，保证后面按时间滑动的操作都有序。单位也需要检查：气压有的文件给 hPa，有的给 kPa；风速有 m/s 和 km/h 两种。统一单位的做法是先确认原始单位，再乘换算系数，我一般会把这步写成独立函数，避免换算散落在各处。

另外要注意时区口径。国内气象数据习惯用北京时间，但部分自动站原始文件可能记录的是 UTC 时间，两者相差 8 小时。如果不做转换，逐时数据和日界对齐会出现偏差，日最高气温也可能落在错误的日期上。拿到数据先确认元信息里标注的时区，再决定要不要加 8 小时。

提示：如果 format 解析报错，说明数据里有脏格式，比如混入了空字符串或别名。这时候先 astype(str) 再逐个排查，不要直接硬删行，先确认脏数据占比再决定清洗方式。

3. 核心分析方法：从统计指标到气象趋势判断

数据清洗完之后进入分析方法部分。做数据分析实验，最忌讳的是堆图，把能画的图全画一遍，报告里一个解释都没有。正确做法是每个分析方法都有明确目的，每个输出都能对应一条结论。气象数据的分析方法其实不复杂，常用的就是描述性统计、相关性分析、时间序列聚合和可视化这几板斧，关键是每板斧要用在正确的场景里。

3.1 描述性统计与相关性分析定位变量关系

第一步永远是从描述性统计开始。它回答的是“数据大概是什么情况”这个问题，也是报告实验里必放的基础表。描述性统计的价值在于快速建立对整体分布的感知，比如是否存在极端值、量级是否合理，同时给后面的异常筛查提供基准。

features = ['temp', 'humidity', 'pressure', 'wind_speed'] print(df[features].describe()) corr = df[features].corr() print('相关系数矩阵:') print(corr.round(3))

describe() 输出每个字段的 count、mean、std、min、25%、50%、75%、max，这些是报告实验里的基础统计表。corr() 计算两两变量的相关系数，气象数据里最常见的两个关系是：温度和湿度负相关，温度和气压负相关。把相关系数矩阵放进报告时，不要只贴一张数字表，至少要挑相关性最强的两对展开解释。比如温度与湿度相关系数 -0.62，说明湿度随温度升高而下降，这个现象在夏季表现得尤其明显，可以在后续小节里用月度曲线验证。相关系数在报告里写到两位小数即可，不用追求高精度，重点是解释变量之间的物理联系。

3.2 时间序列聚合：把逐时数据变成可读趋势

逐时数据波动大，直接画出来全是锯齿，很难看出趋势。做趋势分析前，先把数据聚合到日、月两个颗粒度，分别用在不同场景。日粒度适合看短期波动和极端天气，月粒度适合看季节规律。

df['date'] = df['datetime'].dt.date daily = df.groupby('date')[['temp', 'precipitation']].mean() df['month'] = df['datetime'].dt.month monthly_mean = df.groupby('month')['temp'].mean() monthly_precip = df.groupby('month')['precipitation'].sum()

这里有个常被忽略的细节：温度和降水用的聚合函数不同。温度取均值，因为气温是连续状态量；降水取求和，因为降水量是累计量，月降水量等于当月每天降水之和。如果把降水也取均值，月降水曲线会完全失真，7 月雨季和 1 月旱季的差异会被抹平。这个差异我在多个数据分析案例里都见过，属于典型的方法选型错误。聚合完成后，我建议再计算一个逐日气温的 7 天滑动平均，用来平滑短期冷空气扰动，滑动平均序列比原始日值更能反映趋势方向。

daily['temp_smooth'] = daily['temp'].rolling(7, center=True).mean()

rolling 窗口取 7 天，center=True 让滑动值对齐窗口中心，避免整体右移一截。滑动平均曲线和原始曲线叠在一张图里，报告里用一条平滑曲线说明趋势，用原始浅色曲线展示波动，层次很清楚。

3.3 极端值筛查：找出报告里最值得写的现象

除了均值趋势，报告实验里最出彩的部分往往是极端值。气象数据里的最高温、最大降水量、最大风速都是结论的有力支撑。用分位数筛查可以避免被个别设备故障数据带偏。

q99 = df['temp'].quantile(0.99) hot_days = df[df['temp'] > q99]['date'].nunique() print(f'超过99%分位气温的天数: {hot_days}')

分位数方法比固定阈值好用，因为不同地区的气温基准完全不同，固定 35°C 在北方是极端高温，在南方可能只是日常。分位数是相对标准，贴合具体数据集的分布特征。筛选出的极端事件记录，配合日期定位到具体时段，就是报告里“异常分析”小节的素材。筛查极端值的同时，反过来看低于 1% 分位的低温记录，两侧都查一遍，报告内容会更完整。

3.4 可视化出图：matplotlib 中文显示与保存参数

数据分析与可视化不分家，图是报告的门面。气象数据出图常用 matplotlib，这也是 Python 数据分析生态里最基础的绘图库。先把基础图例、标签、保存流程用熟，再谈花哨的交互图表。

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False fig, ax = plt.subplots(2, 1, figsize=(10, 7)) ax[0].plot(monthly_mean.index, monthly_mean.values, marker='o', label='月平均气温') ax[0].set_ylabel('气温(°C)') ax[0].legend() ax[1].bar(monthly_precip.index, monthly_precip.values, label='月降水量') ax[1].set_ylabel('降水量(mm)') ax[1].legend() plt.tight_layout() plt.savefig('月度趋势图.png', dpi=150)

两行 rcParams 是中文显示的关键：SimHei 指定中文字体，axes.unicode_minus 解决负号显示成方块的问题。这两个参数不设置，图里全是方框。figsize 控制画布尺寸，dpi=150 保证保存的图在报告里放大也不模糊。子图用 2 行 1 列，上面温度折线，下面降水柱状，一张图同时展示两个变量的季节变化。保存图片时用 savefig，不要截图，截图分辨率不可控。

提示：每个图表都要有完整的图标题、轴标签和图例，这是报告实验评分时最容易扣分的地方。图里的中文字体在同一台机器上配置一次即可全局生效，换电脑跑脚本时要重新确认字体存在。

4. 报告实验落地：一份气象数据分析报告是怎么组装出来的

这个资源名字里带着「报告实验」，核心就是教你如何把分析结果组织成一份能交差的实验报告。报告不是写作文，它的结构是固定的逻辑链：数据来源和数据说明、清洗过程、分析方法、结果图表、结论。每一部分都有对应的产出物，缺一环都不完整。我拆这个资源时发现，最好的使用方式是把它当成模板，保留结构，替换成自己的数据和结论，比从空白文档开始写快很多。

4.1 分析目标拆解与方法选型

拿到一份气象数据，先别急着写代码，把分析目标拆成具体问题，再给每个问题选一个方法。目标不清晰，后面的分析会越做越散，最后报告里堆了一堆不相关的图。拆目标的原则是：一个问题对应一个图表或一个统计表，不重复、不遗漏。

这个表格本身就是报告的骨架，后面所有工作都是往这个骨架里填内容。方法选型的原则是：能用简单统计说清楚的，不引入复杂模型。气象数据的规律性很强，描述性统计加时间序列聚合足够支撑一份合格的报告实验，硬上机器学习反而显得刻意，而且模型的可解释性在气象场景里很难讲清楚。

4.2 核心指标计算：均值、极值与距平

报告结论不能只靠图表，必须有一组可引用的具体数字。核心指标就那几项：平均值、最高最低值、极差、总量。这些数字是所有结论的底座，报告里每一句定性描述背后都应该有至少一个数字支撑。

summary = { '年平均气温': df['temp'].mean(), '最高气温': df['temp'].max(), '最低气温': df['temp'].min(), '年降水总量': df['precipitation'].sum(), '气温极差': df['temp'].max() - df['temp'].min(), } for k, v in summary.items(): print(f'{k}: {v:.2f}')

这些数字就是报告结论的直接支撑。比如“年平均气温 16.8°C，最高气温 38.5°C，最低气温 -4.2°C”，一句结论同时包含三个指标，比单纯贴图有信息量得多。距平值在气象分析里也很常用，表示某个值偏离平均值的程度：

df['temp_anomaly'] = df['temp'] - df['temp'].mean()

正距平表示偏暖，负距平表示偏冷。把距平按月份聚合，能看出一年里哪些月份明显偏离常年状态，这适合写进“异常分析”小节。距平计算的前提是平均值本身可靠，如果之前数据清洗阶段没做干净，均值偏了，整个距平序列都会跟着偏。

分析完还要把结果导出成表，我习惯用 to_csv 出中间结果，方便在报告里引用数字而不依赖代码运行环境：

df.groupby('month')[['temp', 'precipitation']].agg(['mean', 'sum']).to_csv('月度汇总.csv', encoding='utf-8-sig')

编码用 utf-8-sig 而不是 utf-8，是因为 Windows 上的 Excel 打开带 utf-8 的 CSV 会乱码，utf-8-sig 带 BOM 头，Excel 能正确识别。导出文件名里带上日期后缀，比如月度汇总_20240115.csv，避免多版本覆盖后找不到历史结果。

4.3 图表编号与结论对齐

报告实验最常见的翻车方式，是图和结论对不上。我的做法是：先定图表清单，再写每个图的结论句，结论句必须包含具体数值。这样报告内部是自洽的，评审从任何一个图出发都能找到对应的文字解释。

写结论的通用句式是：先描述现象，再引用数值，最后给一句解释。比如“从图 1 可以看出，气温呈单峰型变化，7 月平均气温最高，约 28.3°C，这与该地夏季受副热带高压控制的背景一致。”这种写法把现象、数字、原因串成一句话，图表和结论严丝合缝。反过来，最忌讳的写法是“如图所示，气温变化明显”——图是哪个图、明显在哪里、数字是多少，全部缺失，等于没写。

5. 避坑指南：气象数据分析高频踩坑记录

这部分内容全部来自我实际跑这个资源时踩过的坑。每条都是现象、原因、解决三段，直接对号入座。气象数据分析项目踩坑有个特点：很多错误不报错，程序正常跑完，但结果是错的。这种静默错误最危险，所以排查时要从结果反推，先问“这个数字合理吗”，再查代码。我把高频问题分成三类：类型错误、语义错误、流程错误，下面五条基本覆盖了最容易翻车的场景。

5.1 日期被读成字符串，聚合结果全乱

现象：按月份做 groupby 时报错，或者按年聚合后 2023 和 2024 的数据混在一起，月度曲线出现周期性锯齿，但程序本身没有任何异常提示。 原因：read_csv 默认把时间列读成 object 类型，没有转换成 datetime。字符串参与聚合时，pandas 按字典序排列，2023-11 会排在 2023-02 前面，自然看不出季节规律。 解决：数据加载后立刻执行 pd.to_datetime 转换，并排序。我现在把这个步骤写进加载函数里，每份数据进来强制走一遍，不留给后面任何出错机会。判断是否中招的方法很简单：df.dtypes 里时间字段显示 object 就一定有隐患，再打印 df['datetime'].head(20)，能顺便看出格式混不混。

5.2 图中中文全部变成方块

现象：图标题、轴标签、图例里的中文全部显示成方框，英文和数字正常，图整体看起来像乱码。 原因：matplotlib 默认字体里没有中文字形，Windows 环境最常见的方案是改用 SimHei；Linux 服务器上常用 WenQuanYi，但默认不会自动加载。 解决：在画图脚本开头设置 plt.rcParams['font.sans-serif'] = ['SimHei'] 和 plt.rcParams['axes.unicode_minus'] = False。注意如果机器上没有 SimHei 字体，这个设置不会生效，需要先确认系统字体列表里有没有这个字体，或者换成实际存在的中文字体名。如果换了字体还是方块，检查一下有没有设置过 text.usetex，开启 TeX 渲染时中文经常失效，关掉就好了。

5.3 降水缺测被插补成小数

现象：某站连续缺测 3 天降水，对全字段做 interpolate 后出现 0.3mm 这种降水值，报告里的降水统计比实际偏大，而且无法向评审解释。 原因：对降水这种事件型变量用了连续变量的插补方法，把“无记录”补成了“有降水”。降水是典型的事件型数据，缺测不意味着降水为 0，但也绝不能线性插值。 解决：降水字段统一 fillna(0)，或者保留 NaN 并在报告数据说明里注明缺测处理方式，绝不使用 interpolate。这条我踩过一次之后，每次处理事件型变量都会单独列出来，不与连续变量混在一起清洗。类似的还有风速极大值、能见度这类变量，同样要单独考虑缺测语义。

5.4 站号前导 0 丢失导致数据错位

现象：多站数据合并后，站号 05001 变成 5001，原始 5001 站的数据混进来，站点的气温序列整体错位，但单站数据看都是正常的。 原因：pandas 读取时自动把站号推断为整数类型，前导 0 被吞掉了。站号这类标识字段本质是字符串，不是数值，数值化没有任何意义。 解决：读取时用 dtype={'station_id': str} 强制指定为字符串，或者读完后用 zfill(5) 补位。排查方法是对比合并前后的站号集合，set 的大小不一致就说明有类型转换问题。这是个非常隐蔽的坑，因为数据看着正常，但结果已经错了，只有做双口径校验才能暴露。

5.5 报告里的图和最终数据不一致

现象：报告已经写完，临时调了一下清洗逻辑，图没有重新跑，最后图表和数据对不上，现场演示时被发现。 原因：改数据后没有全流程重跑，旧图混进了新报告。数据分析实验里这是最毁信任的错误，比结果错误更严重，因为它暴露的是流程管理问题。 解决：把清洗、分析、出图、导出报告串成一个可重复执行的流程，按顺序编号运行，比如 01_clean.py、02_analyze.py、03_plot.py，让别人也能按顺序复现。凡是改过数据处理逻辑，必须从第一步重跑到底，不能只重跑其中一个环节。我习惯在报告封面写上数据文件版本号和时间戳，每次重跑更新一次，从一开始就杜绝版本混用。

踩坑经验归纳一下，可以按错误特征快速定位排查方向：

6. 进阶技巧：用双口径校验让分析结果站得住

报告实验做到最后，最难的不是把图做出来，而是让每一个数字都经得起复现。我常用的验证方法是双口径校验：同一个指标，用两条不同的计算路径分别算一遍，结果必须一致。如果不一致，说明数据里藏着问题，问题可能出在时间索引重复、字段类型错误或者聚合函数用错，总之是数据链路里有脏东西。

以月平均气温为例，方法一是先提取月份再 groupby 求均值，方法二是用 resample 重采样后按月份聚合。两条路径逻辑不同，但结果必须完全相同：

method_a = df.groupby(df['datetime'].dt.month)['temp'].mean() df_indexed = df.set_index('datetime') monthly_resample = df_indexed['temp'].resample('MS').mean() method_b = monthly_resample.groupby(monthly_resample.index.month).mean() diff = (method_a - method_b).abs() print('两条路径最大差异:', diff.max()) assert diff.max() < 1e-6

assert 语句是校验的核心，差异大于阈值直接抛异常，逼着你去查数据，而不是带着疑问继续往下写。这个方法同样适用于年降水量：一条路径按日求和再聚合，另一条路径按原始小时数据直接求和，两者对比，误差必须为零。如果两条路径对不上，优先检查时间索引是否有重复，或者数据里是否混入了非本时段的记录。

另一个值得做的验证是敏感性分析：把缺失比例最高的那个月份剔除，重跑核心指标，看结论方向是否改变。如果剔除前后均值变化很小，结论就是稳健的；如果结论反转，说明你的结论完全被局部数据左右，报告里要如实写出这个不确定性，不能为了好看强行下结论。

气象数据分析项目能不能让人信服，靠的不是图表多漂亮，而是每个数字都能被另一条路径复现。从那以后，我每次出数据分析报告都强制走一遍双口径校验，凡是两条路径对不上的地方绝不绕过，先回去查数据。这个习惯帮我挡掉了好几次拿出去会被当场问倒的报告。数据分析翻车不可怕，可怕的是不知道自己翻车了。希望帮到你。

本文还有配套的精品资源，点击获取