【数据可视化-75】北京密云区2025年7月暴雨深度分析：Python + Pyecharts 炫酷大屏可视化（含完整数据、代码）

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

---

一、引言

  2025年7月，北京市密云区遭遇了罕见的特大暴雨，多个站点的降雨量突破历史极值。暴雨引发了山洪、泥石流、滑坡等次生灾害，给当地居民的生活和财产带来了巨大影响。本文将基于密云区2025年7月的天气数据集，使用 Python 和 Pyecharts 构建一个炫酷的黑色大屏，从多个维度分析暴雨的形成机制和社会影响。

二、数据集介绍

  数据集包含以下字段：

• 日期：日期
• 白天/晚上：Day 或 Night
• 高温：白天最高温度（℃）
• 低温：夜间最低温度（℃）
• AQI：空气质量指数
• 风向：16个方向（如北、东北、东等）
• 降雨量：当日降雨量（mm）

三、环境准备

  在开始之前，请确保安装了以下库：

pip install pandas pyecharts

四、数据预处理

  我们首先读取数据，并进行必要的预处理。

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType# 读取数据
df = pd.read_csv("miyun_weather_202507.csv")# 将日期列转换为日期格式
df['日期'] = pd.to_datetime(df['日期'], format="%m月%d日")# 提取日期字符串
df['日期_str'] = df['日期'].dt.strftime('%m-%d')df['高温'] = df['高温'].str.replace('℃', '').astype(int)  
df['低温'] = df['低温'].str.replace('℃', '').astype(int)  

五、可视化分析

  接下来，我们将从多个角度对数据进行可视化分析。

5.1 降雨量面积图

# 降雨量面积图
area_rain = (Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add_xaxis(df['日期_str'].tolist()).add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)).set_global_opts(title_opts=opts.TitleOpts(title="7月每日降雨量面积图", subtitle="单位：毫米"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"),tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross")).set_series_opts(areastyle_opts=opts.AreaStyleOpts(opacity=0.5, color=JsCode("""new echarts.graphic.LinearGradient(0, 0, 0, 1, [{offset:0,color:'#00f2fe'},{offset:1,color:'#4facfe'}])""")))
)

5.2 日降雨量柱状图

  我们首先查看7月份每天的降雨量。

# 日降雨量柱状图
bar_rain = (Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add_xaxis(df['日期_str'].tolist()).add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), itemstyle_opts=opts.ItemStyleOpts(color="#00f2fe")).set_global_opts(title_opts=opts.TitleOpts(title="7月每日降雨量", subtitle="单位：毫米"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"),visualmap_opts=opts.VisualMapOpts(is_show=True,pos_top="middle",pos_left="right",orient="vertical",min_=0,max_=df['降雨量'].max(),range_color=["#00f2fe", "#4facfe", "#00aaff"]))
)

5.3 日最高温和最低温折线图

  接下来，我们查看7月份每天的最高温和最低温。

# 日最高温和最低温折线图
line_temp = (Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add_xaxis(df['日期_str'].tolist()).add_yaxis("高温 (℃)", df['高温'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)).add_yaxis("低温 (℃)", df['低温'].tolist(), is_smooth=True, linestyle_opts=opts.LineStyleOpts(width=2, curve=0.3)).set_global_opts(title_opts=opts.TitleOpts(title="7月每日最高温和最低温", subtitle="单位：摄氏度"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="温度 (℃)"),tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"))
)

5.4 AQI 柱状图

  我们再看看7月份每天的 AQI 情况。

# AQI 柱状图
bar_aqi = (Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add_xaxis(df['日期_str'].tolist()).add_yaxis("AQI", df['AQI'].tolist(), itemstyle_opts=opts.ItemStyleOpts(color="#ffde93")).set_global_opts(title_opts=opts.TitleOpts(title="7月每日AQI", subtitle="空气质量指数"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="AQI"),visualmap_opts=opts.VisualMapOpts(is_show=True,pos_top="middle",pos_left="right",orient="vertical",min_=df['AQI'].min(),max_=df['AQI'].max(),range_color=["#ffde93", "#ffc107", "#ff9800"]))
)

5.5 风向玫瑰图

  我们再看看7月份风向的分布情况。

# 风向玫瑰图
rose_wind = (Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add("", list(df['风向'].value_counts().items()), radius=[30, 100], center=["50%", "50%"], rosetype="radius").set_global_opts(title_opts=opts.TitleOpts(title="7月风向分布"),legend_opts=opts.LegendOpts(is_show=True,orient="vertical", pos_top="15%", pos_left="2%")).set_series_opts(label_opts=opts.LabelOpts(is_show=True))
)

5.6 降雨量与 AQI 散点图

  我们再看看降雨量与 AQI 之间的关系。

# 降雨量与 AQI 散点图
scatter_rain_aqi = (Scatter(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")).add_xaxis(df['AQI'].tolist()).add_yaxis("降雨量 (mm)", df['降雨量'].tolist(), symbol_size=10).set_global_opts(title_opts=opts.TitleOpts(title="降雨量与 AQI 的关系"),xaxis_opts=opts.AxisOpts(name="AQI"),yaxis_opts=opts.AxisOpts(name="降雨量 (mm)"),visualmap_opts=opts.VisualMapOpts(type_="size",max_=df['降雨量'].max(),min_=0,range_size=[5, 20]))
)

5.7 风向频率统计词云图

  我们再看看7月份风向的分布情况的词云图。

# 数据分析维度四：风向频率统计  
wind_direction_counts = df['风向'].value_counts()  
wind_data = list(zip(wind_direction_counts.index.tolist(), wind_direction_counts.values.tolist()))  
wordcloud = (  WordCloud(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000"))  .add("", wind_data, word_size_range=[20, 100])  .set_global_opts(  title_opts=opts.TitleOpts(title="风向频率统计"),  tooltip_opts=opts.TooltipOpts(is_show=True)  )  
)  

六、组合大屏

  最后，我们将所有图表组合成一个炫酷的大屏。

# 组合大屏
page = Page(layout=Page.DraggablePageLayout)
page.add(area_rain,bar_rain, line_temp, bar_aqi, rose_wind, scatter_rain_aqi,wordcloud)
page.render("miyun_weather_dashboard.html")
print("✅ 已生成 miyun_weather_dashboard.html")

七、分析总结

  通过上述可视化分析，我们可以清晰地看到7月份密云区的天气情况，特别是暴雨的形成机制和社会影响：

1. 降雨量：7月26日和27日降雨量极高，达到特大暴雨级别，这与新闻报道中的暴雨红色预警相符合。
2. 温度：高温和低温的变化与降雨量有一定的相关性，高温天气可能加剧了暴雨的形成。
3. AQI：空气质量指数在暴雨期间有所下降，说明暴雨对空气污染有一定的冲刷作用。
4. 风向：风向的分布显示了暴雨期间的风向变化，可能与暴雨的移动路径有关。

7.1 社会影响

  暴雨引发了山洪、泥石流、滑坡等次生灾害，给当地居民的生活和财产带来了巨大影响。建议在暴雨期间加强预警和防范措施，减少灾害损失。

7.2 防范建议

1. 加强预警：及时发布暴雨预警信息，提醒居民做好防范准备。
2. 加固设施：对山区和低洼地区的基础设施进行加固，减少灾害风险。
3. 应急救援：建立应急救援机制，及时响应灾害事件，减少人员伤亡和财产损失。

  希望这篇文章能帮助你更好地理解和分析密云区的暴雨情况。如果你有任何问题或建议，欢迎在评论区留言！🎉

---