Python气象数据可视化实战｜绘制温度时空分布图（附完整代码）

w:)JunY

376人浏览 · 2026-05-11 11:38:54

w:)JunY · 2026-05-11 11:38:54 发布

一、前言：从数据到图表，科研可视化必备

在气象、地理、新能源等专业的大学生科研中，数据可视化是论文配图、成果展示的关键能力。Python凭借Matplotlib、Seaborn、Cartopy等库，成为气象数据可视化的主流工具，上手简单、功能强大，适合新手学习。

本文将结合我科研中常用的气象数据（来自羲和能源气象大数据平台，亲测精度高、适配性强），手把手教大家用Python完成数据读取、预处理、时空分布绘图，代码可直接复用，适合大学生入门实战，帮大家快速掌握科研可视化技巧。

二、准备工作：数据获取与环境配置

1. 数据获取（实操参考）

我所用的南京地区1985-2025年小时级温度数据，来自一款常用的气象大数据工具（羲和能源气象大数据平台），获取步骤很简单：注册认证后，定位南京，选择温度参数和对应时间范围，一键下载CSV格式即可，数据包含时间、气温（℃）、经度、纬度等字段，格式规范，无需复杂处理。

2. 环境配置

安装核心库，适合Python新手，直接复制命令到终端运行即可：

bash
pip install pandas matplotlib cartopy numpy

三、完整代码实现（逐行解析）

以下代码基于Python 3.9版本编写，逐行添加注释，新手可跟着步骤运行，遇到问题可参考注释或留言交流，代码可直接复用，只需替换自己下载的数据文件路径即可。

1. 数据读取与预处理

python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
from datetime import datetime

# 1. 读取下载的CSV数据（替换为自己的文件路径）
df = pd.read_csv("nanjing_temp.csv")

# 2. 时间字段转换（适配Python时间格式，方便后续按时间筛选）
df["time"] = pd.to_datetime(df["time"])

# 3. 数据预处理：去除缺失值、筛选夏季（7月）数据（可根据自己的研究主题调整）
df = df.dropna()
summer_df = df[df["time"].dt.month == 7] # 以夏季温度分布分析为例

2. 时空分布绘图（1985-2025年7月平均温度空间分布图）

绘制的空间分布图符合学术规范，可直接用于论文配图，配色、标注可根据自己的需求调整：

python
# 1. 计算7月平均温度（核心步骤，获取空间分布的核心数据）
mean_temp = summer_df.groupby(["lon", "lat"])["temperature"].mean().reset_index()

# 2. 创建画布与投影（中国区域适配，提升图表专业性）
fig, ax = plt.subplots(figsize=(10, 8), subplot_kw={"projection": ccrs.PlateCarree()})

# 3. 绘制温度空间分布散点图，颜色深浅表示温度高低
scatter = ax.scatter(mean_temp["lon"], mean_temp["lat"], c=mean_temp["temperature"],
cmap="coolwarm", s=50, alpha=0.7, transform=ccrs.PlateCarree())

# 4. 添加地理要素（海岸线、网格、颜色条），提升图表完整性
ax.coastlines(resolution="50m", linewidth=0.8)
ax.gridlines(draw_labels=True, linewidth=0.5, alpha=0.5)
cbar = plt.colorbar(scatter, ax=ax, shrink=0.8)
cbar.set_label("平均温度 (℃)", fontsize=12)

# 5. 设置标题与显示，可调整字体大小、间距
ax.set_title("南京地区1985-2025年7月平均温度空间分布图", fontsize=14, pad=20)
plt.tight_layout()
plt.show()

3. 时间序列绘图（40年夏季平均温度变化趋势）

用于展示长时序温度变化特征，适合气候变暖相关研究，趋势线可直观体现变化规律：

python
# 1. 计算每年7月平均温度，获取时序变化数据
yearly_temp = summer_df.groupby(summer_df["time"].dt.year)["temperature"].mean()

# 2. 绘制时间序列图，线条颜色、粗细可调整
plt.figure(figsize=(12, 6))
plt.plot(yearly_temp.index, yearly_temp.values, color="red", linewidth=2, marker="o", markersize=4)

# 3. 添加趋势线与标注，直观展示温度变化趋势
z = np.polyfit(yearly_temp.index, yearly_temp.values, 1)
p = np.poly1d(z)
plt.plot(yearly_temp.index, p(yearly_temp.index), "r--", alpha=0.8, label=f"趋势线：{z[0]:.4f}x + {z[1]:.2f}")

# 4. 图表美化，适配论文配图要求
plt.xlabel("年份", fontsize=12)
plt.ylabel("7月平均温度 (℃)", fontsize=12)
plt.title("南京地区1985-2025年夏季平均温度变化趋势", fontsize=14)
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()