全球变暖温度分析图

Python技术博文 · 公众号 · Python · 2017-06-26 16:51

正文

背景介绍

气候变化在美国一直属于争议话题，现任总统特朗普曾指其为“中国制造的骗局”（牵制美国制造业）。我们提供的这个数据集，来自记录地表温度最权威的三家机构—英国的HadCrut、美国的NASA(航空航天局)和NOAA(海洋和大气管理局)。气候变化到底是伪科学，还是客观存在，在探索数据的过程中，你一定会得出自己的结论。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import plotly.offline as py
py.init_notebook_mode(connected=True)
import plotly.graph_objs as go
import plotly.tools as tls
import seaborn as sns
import time
import warnings
warnings.filterwarnings('ignore')
global_temp_country = pd.read_csv('../input/GlobalLandTemperatures/GlobalLandTemperaturesByCountry.csv')

1) 绘制各国平均温度图

In [2]:

#移除重复的国家（殖民地不作为国家）和无温度信息的国家
global_temp_country_clear = global_temp_country[~global_temp_country['Country'].isin(
    ['Denmark', 'Antarctica', 'France', 'Europe', 'Netherlands',
     'United Kingdom', 'Africa', 'South America'])]
global_temp_country_clear = global_temp_country_clear.replace(
   ['Denmark (Europe)', 'France (Europe)', 'Netherlands (Europe)', 'United Kingdom (Europe)'],
   ['Denmark', 'France', 'Netherlands', 'United Kingdom'])
#取各国家温度平均值
countries = np.unique(global_temp_country_clear['Country'])
mean_temp = []
for country in countries:
    mean_temp.append(global_temp_country_clear[global_temp_country_clear['Country'] == 
                                               country]['AverageTemperature'].mean())


    data = [ dict(
        type = 'choropleth',
        locations = countries,
        z = mean_temp,
        locationmode = 'country names',
        text = countries,
        marker = dict(
            line = dict(color = 'rgb(0,0,0)', width = 1)),
            colorbar = dict(autotick = True, tickprefix = '', 
            title = '# Average\nTemperature,\n°C')
            )
       ]layout = dict(
    title = 'Average land temperature in countries',
    geo = dict(
        showframe = False,
        showocean = True,
        oceancolor = 'rgb(0,255,255)',
        projection = dict(
        type = 'orthographic',
            rotation = dict(
                    lon = 60,
                    lat = 10),
        ),
        lonaxis =  dict(
                showgrid = True,
                gridcolor = 'rgb(102, 102, 102)'
            ),
        lataxis = dict(
                showgrid = True,
                gridcolor = 'rgb(102, 102, 102)'
                )
            ),
        )fig = dict(data=data, layout=layout)
py.iplot(fig, validate=False, filename='worldmap')

俄罗斯和加拿大都有平均温度较低的值；最低温度出现在格陵兰（在地图上很明显）；最热的国家自然在非洲，赤道区域。

2)按平均温度给国家分类，并绘制水平主图。

In [3]:

mean_temp_bar, countries_bar = (list(x) 
for x in zip(*sorted(zip(mean_temp, countries), 
                                                             reverse = True)))
sns.set(font_scale=0.9) f, ax = plt.subplots(figsize=(4.5, 50))
colors_cw = sns.color_palette('coolwarm', len(countries))
sns.barplot(mean_temp_bar, countries_bar, palette = colors_cw[::-1])
Text = ax.set(xlabel='Average temperature', title='Average land temperature in countries')

3) 是否存在全球变暖？

我们先读入"GlobalTemperatures.csv"中信息（包含地球每月温度），并在图中展示。

In [5]:

global_temp = pd.read_csv("../input/GlobalLandTemperatures/GlobalTemperatures.csv")#从日期中抽取年years = np.unique(global_temp['dt'].apply(lambda x: x[:4]))mean_temp_world = []mean_temp_world_uncertainty = []for year in years:
    mean_temp_world.append(global_temp[global_temp['dt'].apply(
        lambda x: x[:4]) == year]['LandAverageTemperature'].mean())
    mean_temp_world_uncertainty.append(global_temp[global_temp['dt'].apply(
                lambda x: x[:4]) == year]['LandAverageTemperatureUncertainty'].mean())trace0 = go.Scatter(
    x = years, 
    y = np.array(mean_temp_world) + np.array(mean_temp_world_uncertainty),
    fill= None,
    mode='lines',
    name='Uncertainty top',
    line=dict(
        color='rgb(0, 255, 255)',
    ))trace1 = go.Scatter(
    x = years, 
    y = np.array(mean_temp_world) - np.array(mean_temp_world_uncertainty),
    fill='tonexty',
    mode='lines',
    name='Uncertainty bot',
    line=dict(
        color='rgb(0, 255, 255)',
    ))trace2 = go.Scatter(
    x = years, 
    y = mean_temp_world,
    name='Average Temperature',
    line=dict(
        color='rgb(199, 121, 093)',
    ))
data = [trace0, trace1, trace2]layout = go.Layout(
    xaxis=dict(title='year'),
    yaxis=dict(title='Average Temperature, °C'),
    title='Average land temperature in world',
    showlegend = False)
fig = go.Figure(data=data, layout=layout)
py.iplot(fig)

从表中可以看出，全球在变暖，地表平均温度在过去30年达到了顶峰，最快的温度攀升也发生在这30年！这很让人担心啊，我希望人类能有办法利用生态能源，减少二氧化碳排放，否则我们就完蛋了。这张图也显示了置信区间，标明温度测量在过去几年中越来越精确了。

我们来看看一些国家的每年温度变化，一个大陆挑一个国家，并把格林兰标记为地球上最冷的地方。

In [6]:

continent = ['Russia', 'United States', 'Niger', 'Greenland', 'Australia', 'Bolivia']mean_temp_year_country = [ [0] * len(years[70:]) for i in range(len(continent))]j = 0for country in continent:
    all_temp_country = global_temp_country_clear[global_temp_country_clear['Country'] == country]
    i = 0
    for year in years[70:]:
        mean_temp_year_country[j][i] = all_temp_country[all_temp_country['dt'].apply(
                lambda x: x[:4]) == year]['AverageTemperature'].mean()
        i +=1
    j += 1traces = []colors = ['rgb(0, 255, 255)', 'rgb(255, 0, 255)', 'rgb(0, 0, 0)',
          'rgb(255, 0, 0)', 'rgb(0, 255, 0)', 'rgb(0, 0, 255)']for i in range(len(continent)):
    traces.append(go.Scatter(
        x=years[70:],
        y=mean_temp_year_country[i],
        mode='lines',
        name=continent[i],
        line=dict(color=colors[i]),
    ))
layout = go.Layout(
    xaxis=dict(title='year'),
    yaxis=dict(title='Average Temperature, °C'),
    title='Average land temperature on the continents',)
fig = go.Figure(data=traces, layout=layout)py.iplot(fig)

自从1980年我们能看到国家平均年气温的持续增长，尤其寒冷国家的变化尤为剧烈。表中温度值的中断是由于这些年观测的缺失。

4) 动态图

我用plotly在Jupyter做了可视化，但当我把报告上传科赛时，发现Stream()功能不能和pyplot.offline协同工作。所以，没办法展现动态变化了。

我们创建一个地图，展示10年期间国家平均温度的变化。

In [7]:

#从日期中抽取年years = np.unique(global_temp_country_clear['dt'].apply(lambda x: x[:4]))#我们创建一个array，并把每10年的国家平均温度加进去mean_temp_year_country = [ [0] * len(countries) for i in range(len(years[::10]))]j = 0for country in countries:
    all_temp_country = global_temp_country_clear[global_temp_country_clear['Country'] == country]
    i = 0
    for year in years[::10]:
        mean_temp_year_country[i][j] = all_temp_country[all_temp_country['dt'].apply(
                lambda x: x[:4]) == year]['AverageTemperature'].mean()
        i +=1
    j += 1

In [8]:

#我们创建一个Plotyly的Streaming(没成功，所以我就放注释里了)
#stream_tokens = tls.get_credentials_file()['stream_ids']
#token =  stream_tokens[-1]
#stream_id = dict(token=token, maxpoints=60)
data = [ dict(
        type = 'choropleth',
        locations = countries,
        z = mean_temp,
        locationmode = 'country names',
        text = countries,
        marker = dict(
            line = dict(color = 'rgb(0,0,0)', width = 1)),
            colorbar = dict(autotick = True, tickprefix = '',
            title = '# Average\nTemperature,\n°C'),
        #下一行也需要创建stream
        #stream = stream_id
            )
       ]layout = dict(
    title = 'Average land temperature in countries',
    geo = dict(
        showframe = False,
        showocean = True,
        oceancolor = 'rgb(0,255,255)',
        type = 'equirectangular'
    ),)
fig = dict(data=data, layout=layout)
py.iplot(fig, validate=False, filename='world_temp_map')

很遗憾，这里只能看到静态图。在动态图上能看到，欧洲国家在早于其他国家很久的时间就开始监测温度，这也许要归功于欧洲国家在18世纪快速的经济发展。俄罗斯和美国半个世纪后叶也开始了测量。

In [9]:

#我们试试Stream
"""s = py.Stream(stream_id=token)i = 0s.open()
   while True:    
    ye = years[::10]    
    s.write(dict(z = mean_temp_year_country[i]), dict(            
            title = 'Average land temperature in countries.   
            Year: {0}'.format(ye[i])), validate=False)    
    time.sleep(1)    
    i += 1    
    if i == len(ye):        
     i = 0s.close()"""

Out[9]:

结论

在我的研究过程中，可以明显的看到全球气温的上升趋势，尤其是在过去的30年中，这主要是人类活动造成的。在更发达的国家温度变化趋势出现的更早。随着时间迁移，观测的精确度增加，这是理所当然的。人类必须反省，并采取必要的措施减少温室气体排放。这次分析工作全部由python和plotly完成，我积累了很多python的实用技能和知识，同时接触了很多酷炫的可视化库。

推荐阅读，点击即可阅读哦：

经验 | Python爬虫基础

爬虫-漫画喵的100行逆袭

Python基础章程

干货：读完这100篇论文，你就能成大数据高手！

客户流失分析

[笔记]使用Python一步一步地来进行数据分析