AI管家

# 打造自己的天气数据可视化工具：从API调用到图表展示

背景介绍

在物联网与智能应用的浪潮下，实时天气数据的获取与可视化成为许多项目的基础需求。开发一个天气工具不仅能帮我们快速了解天气，更能锻炼网络请求、数据解析、可视化的综合编程能力。本文将带你实现一个基于OpenWeatherMap API的天气工具，涵盖从API调用到图表展示的完整流程。

思路分析

要实现这个工具，需解决四个核心问题：
1. 网络请求：向OpenWeatherMap API发送HTTP请求，传递城市和API密钥。
2. 数据解析：从JSON响应中提取温度、湿度等关键数据。
3. 数据可视化：用Matplotlib绘制柱状图（对比温度/湿度/气压）和雷达图（多维度展示）。
4. 异常处理：捕获网络错误、API错误码（如城市不存在），提供友好提示。

代码实现

1. 依赖安装

首先安装所需Python库：

pip install requests matplotlib

2. 核心代码：天气工具链

（1）天气数据获取函数

import requests
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.gridspec import GridSpec

def get_weather(city, api_key, country_code=''):
    """
    调用OpenWeatherMap API获取天气数据
    :param city: 城市名称（英文），如"Beijing"
    :param api_key: OpenWeatherMap API密钥
    :param country_code: 国家代码（如"CN"），可选
    :return: 天气数据（JSON格式）或None（出错时）
    """
    # 拼接城市+国家代码（如"Beijing,CN"）
    if country_code:
        city = f"{city},{country_code}"
    base_url = "http://api.openweathermap.org/data/2.5/weather"
    params = {
        'q': city,
        'appid': api_key,
        'units': 'metric'  # 温度（°C）、风速（m/s）、气压（hPa）
    }
    try:
        response = requests.get(base_url, params=params, timeout=10)
        response.raise_for_status()  # 触发HTTP错误（如404）
        return response.json()
    except requests.exceptions.ConnectionError:
        print("❌ 错误：网络连接失败，请检查网络或API服务状态。")
        return None
    except requests.exceptions.Timeout:
        print("⌛ 错误：请求超时，请稍后重试。")
        return None
    except requests.exceptions.HTTPError as e:
        if response.status_code == 404:
            print(f"🔍 错误：城市「{city}」未找到，请检查名称或国家代码（如Beijing,CN）。")
        else:
            print(f"API错误（状态码{response.status_code}）：{e}")
        return None
    except Exception as e:
        print(f"⚠️ 未知错误：{str(e)}")
        return None

（2）天气数据可视化函数

def plot_weather(data):
    """
    可视化天气数据：柱状图（温度/湿度/气压）+ 雷达图（多维度对比）
    :param data: 解析后的天气数据（字典格式）
    """
    # 提取核心数据
    city = data['name']
    temp = data['main']['temp']       # 温度（°C）
    humidity = data['main']['humidity']  # 湿度（%）
    pressure = data['main']['pressure']  # 气压（hPa）
    wind_speed = data['wind']['speed']   # 风速（m/s）
    weather_desc = data['weather'][0]['description']  # 天气描述

    # -------------- 柱状图：温度、湿度、气压 --------------
    bar_labels = ['温度 (°C)', '湿度 (%)', '气压 (hPa)']
    bar_values = [temp, humidity, pressure]

    # -------------- 雷达图：多维度归一化展示 --------------
    radar_labels = ['温度', '湿度', '气压', '风速']
    radar_values = [temp, humidity, pressure, wind_speed]
    max_radar = max(radar_values)  # 归一化基准
    radar_values = [v / max_radar for v in radar_values]  # 缩放到0-1
    radar_values.append(radar_values[0])  # 闭合雷达图
    radar_angles = np.linspace(0, 2*np.pi, len(radar_labels), endpoint=True).tolist()
    radar_angles.append(radar_angles[0])  # 闭合角度

    # -------------- 绘制图表（GridSpec布局） --------------
    fig = plt.figure(figsize=(12, 6))
    gs = GridSpec(1, 2, width_ratios=[1, 1])  # 左右子图宽度1:1

    # 子图1：柱状图
    ax_bar = fig.add_subplot(gs[0, 0])
    x = np.arange(len(bar_labels))
    bars = ax_bar.bar(x, bar_values, color=['#FF6B6B', '#4ECDC4', '#FFD166'])
    ax_bar.set_xticks(x)
    ax_bar.set_xticklabels(bar_labels, rotation=15, ha='right')
    ax_bar.set_title(f'{city} - 天气数据对比（柱状图）', fontsize=12)
    ax_bar.set_ylabel('数值')
    # 柱子上标注数值
    for bar, val in zip(bars, bar_values):
        ax_bar.text(
            bar.get_x() + bar.get_width()/2, 
            bar.get_height() + 0.5, 
            f'{val:.1f}', 
            ha='center', 
            va='bottom'
        )

    # 子图2：雷达图
    ax_radar = fig.add_subplot(gs[0, 1], polar=True)
    ax_radar.plot(radar_angles, radar_values, 'o-', linewidth=2, color='#2A9D8F')
    ax_radar.fill(radar_angles, radar_values, alpha=0.2, color='#2A9D8F')
    ax_radar.set_thetagrids(
        np.degrees(radar_angles[:-1]),  # 角度转度数（排除最后一个闭合点）
        radar_labels
    )
    ax_radar.set_title(f'{city} - 天气数据对比（雷达图）', fontsize=12, pad=20)
    ax_radar.set_ylim(0, 1)  # 归一化后范围0-1

    # 底部显示天气描述
    plt.figtext(0.5, 0.01, f'天气状况：{weather_desc}', ha='center', fontsize=10)
    plt.tight_layout()
    plt.show()

（3）主程序：用户交互与流程控制

def main():
    """主程序：处理用户输入，调用工具链"""
    print("🌤️ 天气数据获取与可视化工具")
    print("-------------------------")
    # 1. 获取API密钥（用户需提前注册OpenWeatherMap）
    api_key = input("请输入你的OpenWeatherMap API密钥：").strip()
    if not api_key:
        print("错误：API密钥不能为空！")
        return

    # 2. 获取城市名称（格式：城市名,国家代码，如Beijing,CN）
    city = input("请输入城市名称（英文，格式：城市名,国家代码，如Beijing,CN）：").strip()
    if not city:
        print("错误：城市名称不能为空！")
        return

    # 3. 调用API获取天气数据
    weather_data = get_weather(city, api_key)
    if not weather_data:
        print("程序终止：天气数据获取失败。")
        return

    # 4. 打印文本信息
    print("\n📊 天气数据（文本版）：")
    print(f"城市：{weather_data['name']}")
    print(f"温度：{weather_data['main']['temp']}°C")
    print(f"湿度：{weather_data['main']['humidity']}%")
    print(f"气压：{weather_data['main']['pressure']}hPa")
    print(f"风速：{weather_data['wind']['speed']}m/s")
    print(f"天气状况：{weather_data['weather'][0]['description']}")

    # 5. 可视化数据
    plot_weather(weather_data)

if __name__ == "__main__":
    main()

代码解析与扩展

1. API调用的鲁棒性

get_weather通过try-except捕获了网络错误（连接失败、超时）、HTTP错误（如404城市不存在）和未知异常，确保程序在异常下仍能给出友好提示。

2. 数据可视化的巧思

  • 柱状图：直观对比温度、湿度、气压的数值差异，柱子上标注具体数值。
  • 雷达图：通过归一化将多维度数据（温度、湿度、气压、风速）映射到同一尺度，展示数据的相对关系。
  • 布局优化：使用GridSpec实现左右分栏，底部添加天气描述，提升可读性。

3. 扩展方向

  • 中文城市支持：通过pinyin库转换中文为拼音，或调用支持中文的API（如和风天气）。
  • 历史趋势：扩展API为onecall接口，获取多日预报，绘制折线图展示趋势。
  • 图形界面：用Tkinter/PyQt封装为桌面应用，提升交互体验。

运行测试

  1. 安装依赖：pip install requests matplotlib。
  2. 注册OpenWeatherMap，获取API密钥。
  3. 运行程序：python weather_tool.py，输入密钥和城市（如Beijing,CN）。
  4. 预期输出：
    • 文本信息：清晰展示天气数据。
    • 可视化图表：柱状图（温度、湿度、气压）和雷达图（多维度对比）。

总结

本项目通过网络请求+数据解析+可视化+异常处理的组合，实现了一个实用的天气工具。从中级以下开发者的角度，你将学到：
– 如何与RESTful API交互，处理复杂的响应结构。
– 如何用Matplotlib创建多子图、多类型的可视化图表。
– 如何通过分层的异常处理，让程序在各种错误场景下保持健壮性。

这个项目代码结构清晰、依赖简单，适合作为网络编程+数据可视化的入门实践。如果你想进一步挑战，可以尝试扩展功能（如多城市对比、历史天气），或封装为Web服务（如Flask应用）。

现在，你可以动手实践，体验从“API调用”到“数据可视化”的完整流程，感受代码转化为实用工具的乐趣！

AI助手