基于python的天气数据分析及预测系统

一、前言

随着大数据技术的发展，天气数据分析与预测在农业、交通、旅游等领域发挥着越来越重要的作用。本文介绍一个基于Python技术的天气数据分析与预测系统，采用Django+Vue3前后端分离架构，结合机器学习算法实现天气数据的可视化分析与温度预测。

二、系统架构设计

2.1 技术栈

• 前端框架：Vue3 + ElementPlus UI组件库

• 数据可视化：ECharts 5.0

• 后端框架：Django 5.0 + Django REST framework

• 机器学习：scikit-learn 1.2

• 数据库：MySQL 8.0

• 开发工具：PyCharm

2.2 系统架构图

┌─────────────────────────────────────────────────┐
│                                                    前端展示层                                           │
│  ┌───────────┐  ┌───────────┐  ┌─────────────┐  │
│  │  登录注册            │   │ 数据可视化         │  │    预测结果展示        │  │
│  └───────────┘  └───────────┘  └─────────────┘  │
└─────────────────────────────────────────────────┘
                                                       ▲
                                                        │
┌─────────────────────────────────────────────────┐
│                                            Django后端API                                            │
│  ┌───────────┐  ┌───────────┐  ┌─────────────┐  │
│  │ 用户认证             │   │          数据处理   │   │               模型预测接口 │          │
│  └───────────┘  └───────────┘  └─────────────┘  │
└─────────────────────────────────────────────────┘
                                                         ▲
                                                          │
┌─────────────────────────────────────────────────┐
│                                                  数据存储层                                                  │
│  ┌───────────────────────────────────────────┐  │
│  │                                              MySQL 8.0数据库                                        │     │
│  └───────────────────────────────────────────┘  │
└─────────────────────────────────────────────────┘

三、核心功能实现

3.1 用户管理模块(部分代码展示)

3.2 天气数据爬取与存储(部分代码展示)

def get_weather_data(html):
    data =[]
    bs = BeautifulSoup(html, "html.parser")
    try:
        first_panel = bs.find('div', class_='c-panel')
        tbody = first_panel.find('tbody')
        if tbody:
            trs = tbody.find_all('tr')
            for tr in trs:
                tds = tr.find_all('td')
                week = tds[0].find('p', class_='week').text.strip()
                date =  tds[0].find('p', class_='date').text.strip()
                weather_condition = tds[1].text.strip().replace('转', '-')
                temperature = tds[2].text.strip().replace('℃', '')
                min_temperature = temperature.split('～')[0].strip()
                max_temperature = temperature.split('～')[1].strip()
                wind = tds[3].text.strip()
                wind_direction = wind.split('<')[0].strip().split('转')
                if  wind_direction[0]:
                    wind_direction = wind_direction[0].strip()
                else:
                    wind_direction = wind_direction[1].strip()
                if bool(re.search(r'\d', wind_direction)):
                    wind_direction = wind_direction.split('风')[0]+'风'
                if '<' in wind:
                    wind_force = wind.split('<')[1].strip().split('级')[0] + '级'
                else:
                    wind_force = wind[-2:]
                print(week,date,weather_condition,min_temperature,max_temperature,wind_force,wind_direction)
                data.append([date,week,weather_condition,min_temperature,max_temperature,wind_force,wind_direction])
                print('*'*30)
        else:
            print("未找到<tbody>元素")
        return  data

    except Exception as e:
            print(e)
    return data

3.3 数据可视化实现(部分代码展示)

def get_wind_force(city='北京', year=2024):
    """统计指定城市和年份的风力等级分布"""
    # 筛选指定城市和年份的数据
    city_data = Weather.objects.filter(
        city=city,
        date__year=year
    )
    # 统计各风力等级出现的天数
    wind_stats = city_data.values('wind_force').annotate(
        天数=Count('wind_force')
    ).order_by('-天数')

    # 转换为列表
    x = [item['wind_force'] for item in wind_stats]
    y = [item['天数'] for item in wind_stats]

    echarts_data = {
        'toolbox': {
            'feature': {
                'saveAsImage': {},
                'dataView': {},
                'restore': {},
                'dataZoom': {},
                'magicType': {
                    'type': ['bar', 'line']
                }
            }
        },
        'xAxis': {
            'type': 'category',
            'data': x,
            'axisLabel': {
                'rotate': 30
            }
        },
        'yAxis': {
            'type': 'value',
            'name': '天数'
        },
        'tooltip': {
            'borderColor': '#FF0000',
            'trigger': 'axis',
            'axisPointer': {
                'type': 'shadow'
            },
            'formatter': '{b}：{c}天'
        },
        'series': [
            {
                'data': y,
                'type': 'bar',
                'smooth': 'true',

                'markPoint': {
                    'data': [
                        {'type': 'max', 'name': '最大值'},
                        {'type': 'min', 'name': '最小值'}
                    ]
                },
                'markLine': {
                    'data': [{'type': 'average', 'name': '平均值'}]
                },
            }
        ]
    }
    return echarts_data

3.4 温度预测模型(部分代码展示)

def main(target_var, city, predict_date="2026-01-01", train=True, save=True):
    sql = f"SELECT date, {target_var} FROM weather_data WHERE city = '{city}'"

    if train:
        # 1. 加载数据
        print(f"执行SQL查询: {sql}")
        records = get_mysql_data(sql)
        df = pd.DataFrame(records, columns=['date', target_var])

        # 检查数据是否为空
        if df.empty:
            raise ValueError("查询结果为空，请检查SQL语句")

        # 2. 数据预处理
        df = process_date_features(df)

        # 3. 准备特征和目标
        Y = df[target_var]
        X = df.drop(['date', target_var], axis=1)

        # 保存训练列名
        training_columns = X.columns.tolist()

        # 4. 划分训练集和测试集
        x_train, x_test, y_train, y_test = train_test_split(
            X, Y, test_size=0.2, random_state=1, shuffle=True
        )

        # 5. 网格搜索配置
        param_grid = {
            'n_estimators': [50, 100, 200],
            'max_depth': [None, 10, 20],
            'max_features': ['sqrt', 0.7, 0.8]
        }

        # 初始化随机森林回归器
        rf = RandomForestRegressor(random_state=1)

        # 网格搜索+交叉验证
        grid = GridSearchCV(
            estimator=rf,
            param_grid=param_grid,
            cv=3,
            n_jobs=-1,
            scoring='r2'
        )
        grid.fit(x_train, y_train)

        # 获取最优模型
        best_rf = grid.best_estimator_
        print("最优参数：", grid.best_params_)

        # 模型评估
        test_pred = best_rf.predict(x_test)
        mse = mean_squared_error(y_test, test_pred)
        rmse = np.sqrt(mse)

        if save:
            save_model(best_rf, target_var, rmse, training_columns, city)

        model = best_rf
    else:
        # 加载已保存的模型
        model, rmse, training_columns = load_model(target_var, city)
        if not model:
            return None

    # 7. 预测指定日期的温度
    result = predict_temperature(model, predict_date, rmse, training_columns)

    return model, rmse, training_columns, result, target_var

四、系统特色与创新点

1. 多模型对比预测：同时采用线性回归和随机森林模型进行温度预测，可对比预测效果

2. 动态可视化大屏：基于ECharts实现可交互的动态数据可视化展示

3. 权限精细化管理：支持管理员与普通用户不同权限级别的功能访问

4. 自动化数据采集：内置天气数据爬取功能，保证数据持续更新

五、系统展示

5.1 登录界面

5.2 数据可视化大屏

5.3 数据爬取展示

5.4 预测结果展示

六、总结与展望

本文实现的天气数据分析与预测系统整合了Python Web开发与机器学习技术，提供了从数据采集、存储、分析到预测的全流程解决方案。未来可以考虑：

1. 增加更多预测指标（如降水量、风速等）

2. 引入深度学习模型提升预测精度