Python數(shù)據(jù)分析與可視化典型項(xiàng)目實(shí)戰(zhàn)模塊二-天氣與空氣質(zhì)量數(shù)據(jù)分析

模塊二天氣與空氣質(zhì)量數(shù)據(jù)分析Python數(shù)據(jù)分析與可視化典型項(xiàng)目實(shí)戰(zhàn)（微課版）【任務(wù)描述】Excel文件“長沙市天氣數(shù)據(jù).xlsx”共有365行、7列數(shù)據(jù)，列名分別為：日期、最高氣溫、最低氣溫、天氣、風(fēng)向、風(fēng)力、空氣質(zhì)量指數(shù)。針對該數(shù)據(jù)集完成以下數(shù)據(jù)分析與可視化操作。（1）繪制2021年長沙市AQI（AirQualityIndex，空氣質(zhì)量指數(shù)）全年走勢圖。（2）繪制2021年長沙市空氣質(zhì)量指數(shù)季度箱形圖。（3）繪制2021年1月長沙市空氣質(zhì)量餅圖。（4）設(shè)置復(fù)雜條件查詢所需的數(shù)據(jù)。（5）計算協(xié)方差和相關(guān)系數(shù)?！救蝿?wù)實(shí)現(xiàn)】JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc02-01.ipynb，然后在單元格中編寫代碼并輸出對應(yīng)的結(jié)果。【任務(wù)2-1】2021年長沙市天氣數(shù)據(jù)分析2021年長沙市天氣數(shù)據(jù)分析1．導(dǎo)入模塊fromcollectionsimportCounter2．讀取數(shù)據(jù)path='.\data\長沙市天氣數(shù)據(jù).xlsx'weatherDf=pd.read_excel(path,converters={'日期':str})3．查看部分?jǐn)?shù)據(jù)與數(shù)據(jù)集基本信息查看前5行數(shù)據(jù)#head()從0開始計數(shù)weatherDf.head()2021年長沙市天氣數(shù)據(jù)分析查看各列的數(shù)據(jù)類型weatherDf.dtypes查看數(shù)據(jù)集的基本信息weatherD()查看后5行數(shù)據(jù)weatherDf.tail()2021年長沙市天氣數(shù)據(jù)分析提取所有數(shù)字列統(tǒng)計結(jié)果獲取最低氣溫低于0℃的數(shù)據(jù)weatherDf[weatherDf["最低氣溫"]<0].head()4．?dāng)?shù)據(jù)預(yù)處理移除掉氣溫的單位℃weatherDf.loc[:,"最高氣溫"]=weatherDf["最高氣溫"].str.replace("℃","").astype('int32')weatherDf.loc[:,"最低氣溫"]=weatherDf["最低氣溫"].str.replace("℃","").astype('int32')#輸出前三行print('-'*25,'輸出前三行的數(shù)據(jù)','-'*25)print(weatherDf.head(3))#提取所有數(shù)字列統(tǒng)計結(jié)果print('-'*25,'提取所有數(shù)字列統(tǒng)計結(jié)果','-'*25)print(weatherDf.describe())#查看單個序列的數(shù)據(jù)print('-'*25,'查看單個Series的數(shù)據(jù)','-'*25)print(weatherDf['最高氣溫'].mean())#最高氣溫print(weatherDf['最高氣溫'].max())#最低氣溫print(weatherDf['最低氣溫'].min())2021年長沙市天氣數(shù)據(jù)分析獲取指定列的非重復(fù)數(shù)據(jù)唯一性去重一般不用于數(shù)字列，而用于枚舉、分類列。對“天氣”“風(fēng)向”“風(fēng)力”列按值計數(shù)print('-'*25,'按值計數(shù)','-'*25)print(weatherDf['天氣'].value_counts())print(weatherDf['風(fēng)向'].value_counts())print(weatherDf['風(fēng)力'].value_counts())分離“空氣質(zhì)量指數(shù)”列數(shù)據(jù)#字符串用split()拆分后會得到列表aqiDf=weatherDf['空氣質(zhì)量指數(shù)'].astype(str).str.split("",1,expand=True)#修改“空氣質(zhì)量指數(shù)”這一列的值weatherDf.loc[:,'空氣質(zhì)量指數(shù)']=aqiDf[0]weatherDf['空氣質(zhì)量等級']=aqiDf[1]print('-'*25,'唯一去重性','-'*25)print(weatherDf['天氣'].unique())print(weatherDf['風(fēng)向'].unique())print(weatherDf['風(fēng)力'].unique())2021年長沙市天氣數(shù)據(jù)分析將用漢字表示的“空氣質(zhì)量等級”用數(shù)字表示，并存入對應(yīng)“aqiLevel”列defspaqi(aqi):aqilist=[]forstrinaqi:ifstr=='優(yōu)':aqiLevel=1elifstr=='良':aqiLevel=2elifstr=='輕度':aqiLevel=3elifstr=='中度':aqiLevel=4elifstr=='重度':aqiLevel=5aqilist.append(aqiLevel)aqiser=pd.Series(aqilist)returnaqiserweatherDf['aqiLevel']=spaqi(weatherDf['空氣質(zhì)量等級'])weatherDf['空氣質(zhì)量指數(shù)']=weatherDf['空氣質(zhì)量指數(shù)'].astype('int32')分離“日期”列數(shù)據(jù)并將其轉(zhuǎn)換為日期格式df2=weatherDf.copy()df2[['日期','星期']]=df2['日期'].str.split('',2,expand=True)df2.loc[:,'日期']=pd.to_datetime(df2.loc[:,'日期'],format='%Y-%m-%d',errors='coerce')df2.sort_values('日期',inplace=True)df22021年長沙市天氣數(shù)據(jù)分析2021年長沙市天氣數(shù)據(jù)分析5．可視化數(shù)據(jù)分析繪制2021年長沙市AQI（空氣質(zhì)量指數(shù)）全年走勢圖掃描二維碼在線瀏覽電子活頁2-1“繪制2021年長沙市AQI（空氣質(zhì)量指數(shù)）全年走勢圖”中的代碼及繪制的圖形。繪制2021年長沙市空氣質(zhì)量指數(shù)季度箱形圖#拆分季度df2['quarters']=df2['日期'].dt.quarterq1=df2[df2.quarters==1]q2=df2[df2.quarters==2]q3=df2[df2.quarters==3]q4=df2[df2.quarters==4]all_data=[np.array(q1['空氣質(zhì)量指數(shù)']),np.array(q2['空氣質(zhì)量指數(shù)']),np.array(q3['空氣質(zhì)量指數(shù)']),np.array(q4['空氣質(zhì)量指數(shù)']),]labels=['第一季度','第二季度','第三季度','第四季度']2021年長沙市天氣數(shù)據(jù)分析fig,ax1=plt.subplots(figsize=(6,5))bplot1=ax1.boxplot(all_data,vert=True,patch_artist=True,labels=labels)ax1.set_title('2021年長沙市空氣質(zhì)量指數(shù)季度箱形圖')colors=['pink','lightblue','lightgreen','grey']forpatch,colorinzip(bplot1['boxes'],colors):patch.set_facecolor(color)ax1.yaxis.grid(True)ax1.set_ylabel('空氣質(zhì)量指數(shù)')fig.savefig("2021年長沙市空氣質(zhì)量指數(shù)季度箱形圖.png")plt.show()圖2-12021年長沙市空氣質(zhì)量指數(shù)季度箱形圖繪制2021年1月長沙市空氣質(zhì)量餅圖掃描二維碼在線瀏覽電子活頁2-2“繪制2021年1月長沙市空氣質(zhì)量餅圖”中的代碼及繪制的圖形。2021年長沙市天氣數(shù)據(jù)分析6．復(fù)雜條件查詢查詢最高氣溫小于等于40℃、最低氣溫大于等于15℃，晴天，空氣質(zhì)量等級為優(yōu)的數(shù)據(jù)weatherDf[(weatherDf["最高氣溫"]<=40)&(weatherDf["最低氣溫"]>=15)&(weatherDf["天氣"]=='晴')&(weatherDf["aqiLevel"]==1)]使用weatherDf.query()方法可以簡化查詢。組合條件可以使用“&”或“|”符號進(jìn)行連接，每個條件都必須用括號標(biāo)注。weatherDf.query("最高氣溫<=40&最低氣溫>=15&天氣=='晴'&aqiLevel==1")查詢最高氣溫高于35℃的數(shù)據(jù)weatherDf.query("最高氣溫>35").head()2021年長沙市天氣數(shù)據(jù)分析查詢溫差大于等于15℃的數(shù)據(jù)weatherDf.query("最高氣溫-最低氣溫>=15").head()使用外部變量查詢兩個指定氣溫之間的數(shù)據(jù)high_temperature=20low_temperature=10weatherDf.query("最高氣溫<=@high_temperature&最低氣溫>=@low_temperature").head()2021年長沙市天氣數(shù)據(jù)分析7．計算協(xié)方差print(weatherDf['最高氣溫'].cov(weatherDf['最低氣溫']))print(weatherDf['最高氣溫'].cov(weatherDf['空氣質(zhì)量指數(shù)']))print(weatherDf['最低氣溫'].cov(weatherDf['空氣質(zhì)量指數(shù)']))查看相關(guān)系數(shù)矩陣weatherDf.corr()8．計算相關(guān)系數(shù)查看空氣質(zhì)量指數(shù)和最高氣溫的相關(guān)系數(shù)weatherDf['空氣質(zhì)量指數(shù)'].corr(weatherDf['最高氣溫'])查看空氣質(zhì)量指數(shù)和最低氣溫的相關(guān)系數(shù)weatherDf['空氣質(zhì)量指數(shù)'].corr(weatherDf['最低氣溫'])查看空氣質(zhì)量指數(shù)和溫差的相關(guān)系數(shù)weatherDf['空氣質(zhì)量指數(shù)'].corr(weatherDf['最高氣溫']-weatherDf['最低氣溫'])【任務(wù)描述】Excel文件“2011—2022北京天氣數(shù)據(jù).xlsx”包含2011-01-01至2022-05-12共4138行、6列數(shù)據(jù)，列名分別為：日期、最高溫、最低溫、天氣、風(fēng)向風(fēng)力、空氣質(zhì)量。針對該數(shù)據(jù)集完成以下數(shù)據(jù)分析與可視化操作。（1）繪制展示2011—2022年北京市的氣溫變化情況的折線圖。（2）分析2011—2022年北京市的空氣質(zhì)量狀況。（3）探析2011—2021年北京市揚(yáng)沙、浮塵、霧霾天氣狀況。（4）探析北京市2016年和2017年有霾天數(shù)季度分布?！救蝿?wù)2-2】2011—2022年北京市天氣數(shù)據(jù)可視化初探【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc02-02.ipynb，然后在單元格中編寫代碼并輸出對應(yīng)的結(jié)果。第七次全國人口普查數(shù)據(jù)分析與視化1．導(dǎo)入模塊導(dǎo)入通用模塊的代碼詳見“本書導(dǎo)學(xué)”。導(dǎo)入其他模塊的代碼如下：#導(dǎo)入MultipleLocator類用于設(shè)置刻度間隔frommatplotlib.pyplotimportMultipleLocator2．讀取數(shù)據(jù)并瀏覽部分?jǐn)?shù)據(jù)導(dǎo)入通用模塊的代碼詳見“本書導(dǎo)學(xué)”。導(dǎo)入其他模塊的代碼如下：path=r'data\2011-2022北京天氣數(shù)據(jù).xlsx'df=pd.read_excel(path)df2021年長沙市天氣數(shù)據(jù)分析3．?dāng)?shù)據(jù)預(yù)處理復(fù)制數(shù)據(jù)集并顯示其基本信息data=df.copy()()#顯示數(shù)據(jù)樣本的信息從“最高溫”列數(shù)據(jù)中移除字符“℃”，并將數(shù)據(jù)類型從object轉(zhuǎn)換為intdefconvert_temperature_high(val):new_val=val.replace('℃','')returnint(new_val)data['最高溫']=data['最高溫'].apply(convert_temperature_high)從“最低溫”列數(shù)據(jù)中移除字符“℃”defconvert_temperature_low(val):new_val=val.replace('℃','')returnnew_valdata['最低溫']=data['最低溫'].apply(convert_temperature_low)2021年長沙市天氣數(shù)據(jù)分析將移除字符“℃”后的“最低溫”列數(shù)據(jù)中的空字符串，即空值，用最近30天（前后各15天）的平均氣溫代替掃描二維碼在線瀏覽電子活頁2-3“自定義函數(shù)func_for()”中的代碼。將得到的不含空值的“最低溫”列數(shù)據(jù)的數(shù)據(jù)類型從object轉(zhuǎn)換為intdefconvert_int(val):returnint(val)data=func_for(data)data['最低溫']=data['最低溫'].apply(convert_int)()2021年長沙市天氣數(shù)據(jù)分析使用正則表達(dá)式從“日期”列數(shù)據(jù)中移除空值和星期正則表達(dá)式中的字符串“\s(\w{2})”表示匹配以1個空格字符開頭，后接2個非特殊字符的符串，例如“周一”。importredefconvert_date(val):#從日期中移除空值和星期new_val=re.sub(r'\s(\w{1,2})',"",val)new_val=new_val.replace('','')returnnew_valdata['日期']=data['日期'].apply(convert_date)print(data['日期'])將“空氣質(zhì)量”列數(shù)據(jù)中的空值替換為文字“無觀測數(shù)據(jù)”data_copy1=data.copy()data_copy1['空氣質(zhì)量']=data_copy1['空氣質(zhì)量'].replace('',np.nan)data_copy1['空氣質(zhì)量']=data_copy1['空氣質(zhì)量'].fillna('無觀測數(shù)據(jù)')data_copy1.sample(5)2021年長沙市天氣數(shù)據(jù)分析從“空氣質(zhì)量”列數(shù)據(jù)中移除空格和數(shù)字，復(fù)制“空氣質(zhì)量等級”的文字內(nèi)容defconvert_airquality(val):new_val=re.sub(r'(\d*)\s',"",val)new_val=new_val.replace('','')returnnew_valdata_copy1['空氣質(zhì)量等級']=data_copy1['空氣質(zhì)量'].apply(convert_airquality)data_copy1.sample(5)移除“空氣質(zhì)量等級”列數(shù)據(jù)中的重復(fù)數(shù)據(jù)并將非重復(fù)數(shù)據(jù)遍歷出來foriindata_copy1['空氣質(zhì)量等級'].drop_duplicates():print(i)2021年長沙市天氣數(shù)據(jù)分析4．繪制展示2011—2022年北京市的氣溫變化情況的折線圖掃描二維碼在線瀏覽電子活頁2-4“繪制展示2011—2022年北京市的氣溫變化情況的折線圖”中的代碼及繪制的圖形。5．分析2011—2022年北京市的空氣質(zhì)量狀況iloc為整數(shù)索引，先統(tǒng)計每年空氣質(zhì)量等級為“無觀測數(shù)據(jù)”“嚴(yán)重”“重度”“中度”“輕度”“良”“優(yōu)”等的天數(shù)，然后創(chuàng)建空字典results，并將天數(shù)添加到字典中。category_names=['無觀測數(shù)據(jù)','嚴(yán)重','重度','中度','輕度','良','優(yōu)']results={'2015':[],'2016':[],'2017':[],'2018':[],'2019':[],'2020':[],'2021':[]}forhin['2015','2016','2017','2018','2019','2020','2021']:2021年長沙市天氣數(shù)據(jù)分析foriincategory_names:i=len(data_copy1.iloc[data_copy1[data_copy1['日期']==h+'-01-01'].index.tolist()[0]:data_copy1[data_copy1['日期']==str(int(h)+1)+'-01-01'].index.tolist()[0],5][data_copy1['空氣質(zhì)量等級']==i])#索引必須從該年的01-01到第二年的01-01（而不是該年的12-31）results[h].append(i)defsurvey(results,category_names):labels=list(results.keys())data=np.array(list(results.values()))data_cum=data.cumsum(axis=1)category_colors=plt.get_cmap('RdYlGn')(np.linspace(0.15,0.85,data.shape[1]))fig,ax=plt.subplots(figsize=(12,6.5))ax.invert_yaxis()ax.xaxis.set_visible(False)ax.set_xlim(0,np.sum(data,axis=1).max())2021年長沙市天氣數(shù)據(jù)分析fori,(colname,color)inenumerate(zip(category_names,category_colors)):widths=data[:,i]starts=data_cum[:,i]-widthsrects=ax.barh(labels,widths,left=starts,height=0.5,label=colname,color=color)r,g,b,_=colortext_color='black'ifr*g*b<0.5else'darkgrey'ax.bar_label(rects,label_type='center',color=text_color)ax.legend(ncol=len(category_names),

bbox_to_anchor=(0,1),loc='lowerleft',fontsize='large')#pad用于設(shè)置標(biāo)題和圖形的間距plt.title('2011—2022年北京市的空氣質(zhì)量狀況',fontsize=24,pad=40)returnfig,axsurvey(results,category_names)plt.show()2021年長沙市天氣數(shù)據(jù)分析6．探析2011—2021年北京市揚(yáng)沙、浮塵、霧霾天氣狀況探析2011—2021年北京市揚(yáng)沙、浮塵、霧霾天氣狀況，對應(yīng)的代碼及繪制的圖形詳見本書配套的電子活頁2-1。7．探析北京市2016年和2017年有霾天數(shù)季度分布探析北京市2016年和2017年有霾天數(shù)季度分布，對應(yīng)的代碼及繪制的圖形詳見本書配套的電子活頁2-2。【任務(wù)描述】Excel文件“2011—2022年北京天氣數(shù)據(jù).xlsx”“2011—2022年上海天氣數(shù)據(jù).xlsx”“2011—2022年廣州天氣數(shù)據(jù).xlsx”“2011—2022年深圳天氣數(shù)據(jù).xlsx”分別存放了北京、上海、廣州、深圳2011—2022年天氣數(shù)據(jù)，每個文件中都包括以下列：城市、天氣、日期、最低氣溫、最高氣溫、空氣質(zhì)量指數(shù)、風(fēng)向風(fēng)力。針對數(shù)據(jù)集完成以下數(shù)據(jù)分析與可視化操作。（1）獲取各城市2011—2021年下雪天數(shù)分布。（2）構(gòu)建2022年北京市1—4月的“月份”與“天氣”的透視表。（3）繪制北京市2022年1—4月天氣分布的熱力圖。（4）繪制折線圖探析北京2021年每日最高氣溫、最低氣溫的變化。（5）繪制折線圖探析北京、上海、廣州、深圳2022年1月最高氣溫變化趨勢?！救蝿?wù)2-3】2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc02-03.ipynb，然后在單元格中編寫代碼并輸出對應(yīng)的結(jié)果。2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析1．導(dǎo)入模塊導(dǎo)入通用模塊的代碼詳見“本書導(dǎo)學(xué)”。導(dǎo)入其他模塊的代碼如下：importtimeimportjiebaimportdatetimefrommons.utilsimportJsCodeimportmatplotlib.colorsasmcolors2．讀取與瀏覽數(shù)據(jù)讀取數(shù)據(jù)df_bj=pd.read_excel(r'data\2011-2022年北京天氣數(shù)據(jù).xlsx')df_shh=pd.read_excel(r'data\2011-2022年上海天氣數(shù)據(jù).xlsx')d_gzh=pd.read_excel(r'data\2011-2022年廣州天氣數(shù)據(jù).xlsx')df_shzh=pd.read_excel(r'data\2011-2022年深圳天氣數(shù)據(jù).xlsx')data=pd.concat([df_bj,d_gzh,df_shh,df_shzh],sort=True)2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析隨機(jī)瀏覽數(shù)據(jù)data.sample(5)3．?dāng)?shù)據(jù)預(yù)處理調(diào)整數(shù)據(jù)集的列排列順序data=data[["城市","日期","最高氣溫","最低氣溫","天氣","風(fēng)向風(fēng)力","空氣質(zhì)量指數(shù)"]]瀏覽數(shù)據(jù)集的基本信息()拆分日期與星期數(shù)據(jù)df1=data['日期'].str.split('',expand=True,n=1)data[['日期','星期']]=df1data.sample(5)2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析刪除多余字符和多余空格data[['最高氣溫','最低氣溫']]=data[['最高氣溫','最低氣溫']].apply(lambdax:x.str.replace('°',''))data['最高氣溫']=data['最高氣溫'].str.replace('','')data['最低氣溫']=data['最低氣溫'].str.replace('','')添加列“下雪嗎”并生成對應(yīng)的值data.loc[data['天氣'].str.contains('雪'),'下雪嗎']='是'data.fillna('否',inplace=True)data.sample(5)轉(zhuǎn)換“日期”“最高氣溫”“最低氣溫”列數(shù)據(jù)的數(shù)據(jù)類型data['日期']=pd.to_datetime(data['日期'],format='%Y-%m-%d',errors='coerce')data[['最高氣溫','最低氣溫']]=data[['最高氣溫','最低氣溫']].astype('int')()2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析拆分日期數(shù)據(jù)為年、月、日data['年']=data['日期'].dt.yeardata['月']=data['日期'].dt.monthdata['日']=data['日期'].dt.day將數(shù)據(jù)集中的“風(fēng)向風(fēng)力”拆分為“風(fēng)向”和“風(fēng)力”兩列df2=data['風(fēng)向風(fēng)力'].str.split('',expand=True)data[['風(fēng)向','風(fēng)力']]=df2data.sample(5)4．?dāng)?shù)據(jù)分析獲取2011—2021年初雪的時間s_data=data[data['下雪嗎']=='是']s_data[(s_data['月']>=9)].groupby('年').first().reset_index()獲取各城市2011—2021年下雪天數(shù)分布s_data.groupby(['城市','年'])['日期'].count().to_frame('下雪天數(shù)').reset_index()獲取2011—2021年深圳下雪的日期s_data[s_data['城市']=='深圳']2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析構(gòu)建2022年北京市1—4月的“月份”與“天氣”的透視表data_bj=data[(data['年']==2022)&(data['城市']=='北京')]data_bj=data_bj.groupby(['月','天氣'],as_index=False)['日期'].count()data_pivot_bj=pd.pivot(data_bj,values='日期',index='月',columns='天氣')data_pivot_bj=data_pivot_bj.astype('float')#按照索引年月降序排序data_pivot_bj.sort_index(ascending=False,inplace=True)5．?dāng)?shù)據(jù)可視化自定義繪制熱力圖的主要參數(shù)#設(shè)置全局默認(rèn)字體為"微軟雅黑"plt.rcParams['font.family']=['MicrosoftYaHei']#設(shè)置全局軸標(biāo)簽字體的大小plt.rcParams["axes.labelsize"]=14#設(shè)置背景sns.set_style("darkgrid",{"font.family":['MicrosoftYaHei','SimHei']})#自定義色卡cmap=mcolors.LinearSegmentedColormap.from_list("n",['#95B359','#D3CF63','#E0991D','#D96161','#A257D0','#7B1216'])2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析繪制北京市2022年1—4月天氣分布的熱力圖#設(shè)置畫布長寬和dpiplt.figure(figsize=(16,4),dpi=100)#繪制熱力圖ax=sns.heatmap(data_pivot_bj,cmap=cmap,vmax=30,annot=True,#在熱力圖上顯示數(shù)值linewidths=0.5,)#將x軸刻度放在最上面ax.xaxis.set_ticks_position('top')plt.title('北京市2022年1-4月天氣分布',fontsize=16)#圖形標(biāo)題文本和字體大小plt.show()圖2-3北京市2022年1—4月天氣分布的熱力圖2011—2022年北京、上海、廣州、深圳天氣數(shù)據(jù)可視化分析繪制探析北京2021年每日最高氣溫、最低氣溫變化的折線圖繪制探析北京2021年每日最高氣溫、最低氣溫變化折線圖，對應(yīng)的代碼及繪制的圖形詳見本書配套的電子活頁2-3。繪制探析北京、上海、廣州、深圳2022年1月最高氣溫變化趨勢的折線圖繪制探析北京、上海、廣州、深圳2022年1月最高氣溫變化趨勢折線圖，對應(yīng)的代碼及繪制的圖形詳見本書配套的電子活頁2-4。【任務(wù)描述】Excel文件“2021年8月全國主要城市空氣質(zhì)量.xlsx”共有8432行、12列數(shù)據(jù)，列名分別為：地區(qū)、城市、日期、質(zhì)量等級、AQI、當(dāng)天AQI排名、PM2.5、PM10、SO2、NO2、CO、O3。針對該數(shù)據(jù)集完成以下數(shù)據(jù)可視化分析操作。（1）使用Geo類繪制2021年8月1日全國主要城市空氣質(zhì)量指數(shù)地圖。（2）使用Geo類和Timeline類繪制2021年8月全國主要城市空氣質(zhì)量指數(shù)每日輪播地圖。（3）使用Bar類和Timeline類繪制2021年8月全國主要城市PM2.5、PM10、SO2、NO2這4項(xiàng)指標(biāo)每日輪播條形圖。（4）在同一界面中同時展示輪播地圖和輪播條形圖?！救蝿?wù)2-4】探析2021年8月全國主要城市的空氣質(zhì)量狀況【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建tc02-04.ipynb，然后在單元格中編寫代碼并輸出對應(yīng)的結(jié)果。探析2021年8月全國主要城市的空氣質(zhì)量狀況導(dǎo)入模塊importjsonimportreque