请将上述代码整合一下

<think>好的，用户现在请求将之前提供的分步代码整合一下。我需要先回顾之前的对话历史，看看用户具体需要什么样的整合。之前用户问的是如何用Python绘制PM2.5时间序列图，我给出了分步的解决方案，包括数据准备、统计值计算、绘图、代码解释、效果示例、常见问题处理和扩展优化。现在用户希望将这些代码整合成一个完整的脚本。 首先，我需要确认用户的需求是什么。可能的情况是用户希望有一个可以直接运行的完整代码，而不需要分段的解释。之前的代码分布在不同的部分，可能用户想复制粘贴后直接运行，但需要确保所有部分都被正确整合，比如库的导入、数据生成或加载的部分，以及绘图设置等。 接下来，我需要检查之前的代码是否存在依赖关系或遗漏的部分。例如，在数据准备部分，使用了numpy生成随机数据，但代码中没有导入numpy的语句。此外，matplotlib的导入是否完整，是否有其他需要的库，比如pandas。因此，整合代码时，需要确保所有必要的库都被正确导入。 然后，数据生成部分需要确认是否正确。之前的示例数据是生成一个包含日期和随机PM2.5值的DataFrame，用户可能需要替换这部分代码以读取自己的数据文件，但示例中使用了随机数据作为演示。需要保留这部分，并添加注释说明如何从CSV文件加载数据，方便用户根据实际情况调整。 在绘图部分，需要确保所有设置都被正确整合，比如设置横轴的日期格式、旋转标签、添加图例、保存图像等。另外，统计线的计算和绘制是否在正确的位置，是否在绘图之前完成计算。 还需要检查代码是否有重复的部分，例如数据格式转换是否已经被包含在数据生成步骤中，或者是否需要额外的处理。例如，在数据准备部分已经将date列转换为datetime类型，pm25转换为float，所以在整合后的代码中需要保留这些步骤，或者如果数据是生成的，可能已经正确，但如果是读取外部文件，可能需要转换。 另外，用户可能遇到的常见问题，比如横轴显示问题、统计线覆盖范围、图像模糊等，已经在之前的回答中提到，但整合后的代码是否已经处理了这些问题。例如，使用mdates来设置日期格式，确保横轴标签正确，使用dpi参数保存图像以提高清晰度。 最后，是否需要添加扩展优化的部分，比如阈值线或交互式图表，但用户当前的需求是整合代码，所以可能只需要核心功能，扩展部分可以作为注释或可选代码提供。 现在，整合代码的步骤应该是： 1. 导入所有必要的库（pandas, numpy, matplotlib, matplotlib.dates）。 2. 生成或加载数据，并确保数据格式正确。 3. 计算统计值（均值和中位数）。 4. 创建图表，设置尺寸、标题、坐标轴标签、日期格式、旋转标签等。 5. 绘制折线图和统计线。 6. 添加图例，调整布局，保存和显示图像。 需要确保代码的顺序正确，例如先导入库，再生成数据，然后计算统计值，再绘图。同时，注释部分需要清晰，说明每个步骤的作用，方便用户理解和修改。 可能还需要处理图像保存路径，确保用户知道图像会被保存在哪里，或者如何修改文件名。此外，示例中的占位图片链接需要移除，因为用户无法访问该链接，应该用实际生成的图像代替，但代码中只需保存到本地即可。 最后，测试整合后的代码是否能直接运行，没有语法错误，比如括号是否闭合，变量名是否正确，缩进是否正确等。例如，在生成数据时，使用了np.random.randint，所以必须确保numpy被导入为np。 总结，整合后的代码应该是一个完整的、可独立运行的脚本，用户只需复制粘贴到Python环境中，安装必要的库后即可运行，生成所需的图表。同时，添加必要的注释，帮助用户理解各部分的作用，方便他们根据实际需求进行修改。</think>以下是将代码整合后的完整Python脚本，包含完整数据准备、统计计算、可视化绘制功能，并添加详细注释说明： ```python # -*- coding: utf-8 -*- import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates # ====================== # 第一部分：数据准备 # ====================== def prepare_data(): # 生成模拟数据（实际使用时替换为真实数据） np.random.seed(42) # 固定随机种子保证可重复性 date_range = pd.date_range(start="2023-01-01", end="2023-12-31", freq="D") pm25_values = np.random.randint(20, 100, size=len(date_range)) + 10 * np.sin(np.linspace(0, 4*np.pi, len(date_range))) # 创建DataFrame df = pd.DataFrame({ "date": date_range, "pm25": pm25_values }) # 数据格式校验 df["date"] = pd.to_datetime(df["date"]) df["pm25"] = df["pm25"].astype(float) return df # ====================== # 第二部分：统计计算 # ====================== def calculate_statistics(df): stats = { "mean": df["pm25"].mean(), "median": df["pm25"].median(), "max": df["pm25"].max(), "min": df["pm25"].min() } return stats # ====================== # 第三部分：可视化绘制 # ====================== def plot_time_series(df, stats, save_path=None): # 初始化画布 plt.figure(figsize=(14, 7)) ax = plt.gca() # 绘制主折线图 ax.plot(df["date"], df["pm25"], color="steelblue", linewidth=1.2, label="PM2.5日浓度值", marker="o", markersize=3, markeredgecolor="none", alpha=0.7) # 添加统计参考线 ax.axhline(stats["mean"], color="red", linestyle="--", linewidth=1.5, label=f"平均值 ({stats['mean']:.1f} μg/m³)") ax.axhline(stats["median"], color="green", linestyle="--", linewidth=1.5, label=f"中位数 ({stats['median']:.1f} μg/m³)") # 坐标轴格式设置 ax.xaxis.set_major_locator(mdates.MonthLocator(interval=1)) ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m")) plt.xticks(rotation=45, ha="right") # 图表元信息 plt.title("PM2.5时间序列分析（2023年度）", fontsize=14, pad=20) plt.xlabel("观测日期", fontsize=12, labelpad=10) plt.ylabel("PM2.5浓度 (μg/m³)", fontsize=12, labelpad=10) plt.grid(True, linestyle="--", alpha=0.5) # 图例与布局调整 plt.legend(loc="upper left", frameon=False) plt.tight_layout() # 输出控制 if save_path: plt.savefig(save_path, dpi=300, bbox_inches="tight") plt.show() # ====================== # 主程序执行 # ====================== if __name__ == "__main__": # 数据准备 df = prepare_data() # 统计计算 stats = calculate_statistics(df) print(f"统计结果：\n- 平均值：{stats['mean']:.2f}\n- 中位数：{stats['median']:.2f}") # 可视化生成 plot_time_series(df, stats, save_path="pm25_analysis.png") ``` --- ### **代码特点说明** 1. **模块化设计** - 将数据准备、统计计算、可视化分离为独立函数，方便维护扩展 - 使用`if __name__ == "__main__"`保证脚本可被其他模块调用 2. **增强数据生成逻辑** - 添加正弦波动模拟真实数据趋势 (`10 * np.sin(...)`) - 使用`np.random.seed(42)`保证随机数据可复现 3. **可视化优化** - 添加数据点标记 (`marker="o"`) 提升细节表现 - 设置网格线 (`plt.grid`) 增强可读性 - 支持保存高清图片 (`dpi=300` + `bbox_inches="tight"`) 4. **统计信息扩展** - 增加最大值/最小值计算（虽然未在图中展示，但数据已准备好） --- ### **使用方式** 1. **直接运行** ```bash python pm25_analysis.py ``` 2. **自定义数据输入** 修改`prepare_data()`函数： ```python # 替换示例数据 def prepare_data(): df = pd.read_csv("your_data.csv", parse_dates=["date"]) df["pm25"] = df["pm25"].astype(float) return df ``` 3. **扩展统计线** 在`plot_time_series()`中添加： ```python # 添加国家标准线 ax.axhline(75, color="orange", linestyle=":", linewidth=1.5, label="国标上限 (75 μg/m³)") ``` --- ### **输出效果** 生成图片包含： - 带平滑趋势线的完整年度数据 - 红/绿色虚线标注平均值和中位数 - 自动优化的横轴日期标签（每月1日） - 高清可印刷的PNG格式图像