企业官网建设流程全解析

简介：这是一份基于Python实现的机器学习天气预测与数据可视化完整源码，面向计算机相关专业的学生，适合用作课程设计、期末大作业或毕业设计的高分参考。代码中附有详细注释，模块划分清晰，即使刚接触机器学习的新手也能读懂核心逻辑并快速部署。压缩包共二十四个文件，包含四个Python程序文件（分别负责数据抓取、数据清洗、模型训练与主流程）、四份CSV历史天气数据、一份HTML可视化页面、一个训练好的模型文件，以及说明文档和界面预览图，整体体积仅约1.42MB，非常轻量易用。项目完整覆盖天气数据采集、预处理、模型训练、结果预测与图表展示等环节，还提供了可直接运行的模型和示例数据，便于对照学习。目前已有四百零九人学习下载，适合需要完成同类课设或提升机器学习实战能力的同学参考。

1. 不是玄学：一套能跑通的机器学习天气预测与数据可视化源码长什么样

天气预测是机器学习入门里最合适的落地场景，因为它数据规整、目标明确、效果肉眼可见。你不需要懂气象学，只需要把历史观测数据喂给模型，让它学出温度、湿度、气压之间的耦合关系，就能对明天的最高气温做出一个误差在 ±2℃ 以内的预测。这份基于 Python 的机器学习天气预测与数据可视化完整源码，就是围绕这套流程搭起来的：从 CSV 数据清洗开始，到特征工程、三个模型的训练对比，再到用 ECharts 和 matplotlib 把预测结果画成交互图表，一条链路全部跑通。它不只适合做 Python 毕业设计或期末大作业，也适合想完整走一遍「数据 → 模型 → 可视化」全流程的初学者。拿到手你能看到真实的数据集长什么样、代码哪一行在做什么、模型参数为什么这么调，而不是停留在 demo 层面的黑匣子。

2. 数据准备：先用 pandas 把天气 CSV 洗干净，再谈模型

2.1 数据集从哪来：本地 CSV 与公开 API 的取舍

这份源码的数据集是一个 CSV 文件，字段包括日期、最高气温、最低气温、湿度、气压、风速、天气状况。用本地 CSV 的好处是离线可跑、结果可复现，不用每次运行都去请求外部接口。课程设计答辩时网络一旦抽风，API 拉不到数据，当场翻车的情况我见过不少。所以我的习惯是：项目初期用固定 CSV 做开发和调试，后期如果想让演示更「真实」，再由同一个 fetch_weather.py 脚本从公开气象接口拉当天数据追加进去。本地文件放在 data/ 目录下，代码里用相对路径引用，换机器也能跑。

import pandas as pd df = pd.read_csv("data/weather_history.csv", encoding="utf-8") print(df.info()) print(df.head())

df.info()会列出每一列的类型和非空数量，这是拿到数据后最该先做的一件事。大多数天气 CSV 的坑都藏在类型里：日期列被读成字符串，温度列里混着缺失值。encoding参数也要注意，Windows 下导出 CSV 经常是 GBK，macOS 和 Linux 一般是 UTF-8，读不进改成encoding="gbk"就能解决。

2.2 缺失值、时间戳和单位：预处理里最容易翻车的三个点

气象站的数据不是完美的，某一天传感器故障导致湿度缺失、某几天气压字段为空，都很正常。处理缺失值不能直接dropna()整行删，尤其是特征维度多的时候，删一行等于丢掉其他字段的有效信息。对温度序列来说，更好的做法是前向填充，因为天气变化是渐变的，昨天和今天的湿度不会凭空跳变很多。

# 时间序列缺失值优先用前向填充，而不是均值填充 df["humidity"] = df["humidity"].ffill() df["pressure"] = df["pressure"].bfill() df = df.dropna(subset=["temp_max"]) # 目标列缺失就删除 df["date"] = pd.to_datetime(df["date"], format="%Y-%m-%d") df["month"] = df["date"].dt.month df["weekday"] = df["date"].dt.weekday

ffill()用上一时刻的值补空缺，适合缓慢变化的物理量；bfill()用后一个值回填，处理开头就有缺失的情况。温度作为目标列，它如果缺失了就没有训练价值，这时候才需要dropna。日期转换时format参数一定要写，不然pd.to_datetime会靠猜，遇到 2023/01/02 这种格式就容易解析错或者慢一个数量级。

3. 特征工程与模型选型：线性回归不是唯一答案，随机森林的边界在哪

3.1 温度序列里藏着哪些特征：滞后项、滑动窗口与周期因子

天气预测在机器学习里有个特殊性：它不是完全独立的样本，今天的温度和昨天、前天的温度高度相关。如果你只用当天的湿度和气压去预测温度，模型学到的因果非常有限。正确的做法是把时间结构显式地做成特征，让模型「看到」历史。

df["temp_yesterday"] = df["temp_max"].shift(1) df["temp_3day_avg"] = df["temp_max"].rolling(3).mean() # 头两行的滞后特征为空，需要丢弃，否则模型会学到 NaN 分支 df = df.dropna().reset_index(drop=True)

shift(1)把整列下移一行，得到前一天的最高气温；rolling(3).mean()计算过去三天的滑动平均，用来捕捉短期趋势。这两类特征对温度预测的提升非常明显，在决策树模型里通常排在重要性的前三位。注意shift之后头部会引入 NaN，必须丢弃，否则sklearn会直接报错或者把 NaN 当独立的一种取值，这种错误很难排查。

3.2 三模型对比：线性回归、决策树、随机森林的 MAE 实测

模型对比最怕「只报一个最好的」。课程设计答辩时老师最爱问的就是：你试了几种模型？为什么选这个？所以源码里直接写了三个模型一起训练，用相同特征和相同训练集测试集，算各自的平均绝对误差（MAE）和决定系数 R²，结果一目了然。

随机森林在这个量级的数据集上表现最好，原因在于温度和气压、湿度之间不是严格线性关系，比如高湿度伴随低气温的感受在体感上存在阈值效应，树模型能自动切分这种非线性片段。但随机森林也有代价：训练时间随树的数量线性涨，模型的可解释性差。所以源码里把三个模型都保留下来，展示「精度和可解释性之间的权衡」本身就是答辩加分项。

3.3 模型参数怎么调：从 sklearn 到网格搜索的最小闭环

光用默认参数只能说「能跑」，不能说「调过」。源码里对随机森林做了一轮网格搜索，重点调三个参数：n_estimators（树数量）、max_depth（树的最大深度）、min_samples_leaf（叶子节点最少样本数）。这几个参数直接决定了模型是欠拟合还是过拟合。

from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import GridSearchCV param_grid = { "n_estimators": [50, 100, 200], "max_depth": [4, 6, 8, None], "min_samples_leaf": [1, 2, 4], } rf = RandomForestRegressor(random_state=42) grid = GridSearchCV(rf, param_grid, cv=5, scoring="neg_mean_absolute_error", n_jobs=-1) grid.fit(X_train, y_train) print(grid.best_params_) best_rf = grid.best_estimator_

cv=5做 5 折交叉验证，scoring用负 MAE 是因为sklearn的网格搜索偏好得分越大越好，负数取绝对值得到的就是 MAE。n_jobs=-1用满所有 CPU 核心。这一轮搜索在我的笔记本上大概跑了 3 分钟，在答辩现场完全可以现场演示给老师看，比 PPT 里贴一堆截图有力得多。特征列不要忘了做标准化，虽然树模型对尺度不敏感，但如果你同时对比线性回归，不标准化会让线性模型的收敛变慢。

4. 数据可视化：从 matplotlib 静态图到 ECharts 交互面板

4.1 matplotlib 先把预测结果画对：长条图和散点残差图

可视化不是最后贴几张图就完事，它是验证模型行为的重要手段。第一张图应该是「真实值 vs 预测值」的时间序列折线图，看趋势是否跟得上；第二张图是残差散点图，横轴是预测值、纵轴是真实值减预测值，如果残差呈现喇叭形或者有明显的偏置，说明模型在某些区间系统性失效。

import matplotlib.pyplot as plt y_pred = best_rf.predict(X_test) residual = y_test - y_pred fig, ax = plt.subplots(1, 2, figsize=(12, 4)) ax[0].plot(range(len(y_test)), y_test.values, label="真实值", linewidth=1) ax[0].plot(range(len(y_pred)), y_pred, label="预测值", linewidth=1, alpha=0.7) ax[0].legend() ax[0].set_title("温度预测：真实 vs 预测") ax[1].scatter(y_pred, residual, s=10, alpha=0.5) ax[1].axhline(y=0, color="red", linewidth=0.8) ax[1].set_xlabel("预测温度（℃）") ax[1].set_ylabel("残差（真实 - 预测）") plt.tight_layout() plt.savefig("output/temperature_forecast.png", dpi=150)

注意我用range(len(y_test))而不是y_test.index，因为分成测试集后 index 不是从 0 开始的连续整数，用range能避免折线图中间出现诡异的断层跳线。残差图的alpha=0.5是为了应对重叠点，样本量上千时全透明会糊成一团黑。保存图片时dpi=150是论文和报告的最低标准，默认的 72 会让曲线边缘出锯齿。

4.2 换交互式方案：用 pyecharts 把趋势图、热力图搬到浏览器

课程设计要求「数据可视化」通常意味着需要交互能力。matplotlib输出的是静态图，没法让老师鼠标悬浮看具体数值。源码第二套可视化方案选了pyecharts，它生成 HTML 文件，浏览器打开就能交互，做得好的可以直接嵌入 Flask 或 Django 页面。核心就两步：把 DataFrame 转成列表，喂给图表组件。

from pyecharts.charts import Line, Scatter from pyecharts import options as opts import json # 日期转字符串，JSON 序列化才不会报错 dates = df["date"].dt.strftime("%Y-%m-%d").tolist() line = ( Line() .add_xaxis(dates) .add_yaxis("真实温度", df["temp_max"].round(2).tolist(), is_smooth=True) .add_yaxis("预测温度", y_pred.round(2).tolist(), is_smooth=True) .set_global_opts( title_opts=opts.TitleOpts(title="温度预测趋势对比"), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), ) ) line.render("output/temperature_forecast.html")

is_smooth=True让折线变成平滑曲线，视觉上更接近气象 App 的质感；tooltip_opts设置十字光标，鼠标悬浮时同行显示真实值和预测值的差值，这个细节在演示时非常抓眼球。需要提醒的是pyecharts的版本历史上有过一次大改（v1 和 v0.5 接口完全不同），源码用到的是 v1+ 版本，用pip install pyecharts装的就是最新版，如果你翻到老教程对不上，先看自己装的版本号。

5. 避坑手册：天气预测项目里最常踩的五个坑

5.1 数据泄漏：把未来信息混进训练集，MAE 再低也是假的

现象：模型在测试集上的 MAE 只有 0.3℃，预测曲线几乎贴着真实曲线，线性回归和随机森林同时「超神」。原因：特征里混入了预测时刻之后才能拿到的数据，最常见的是用整个数据集的均值做填充，或者切分训练集时用了train_test_split(random_state=42)随机打乱，导致训练集里混进了测试集时间段的样本。解决：切分必须按时间顺序，前 80% 训练、后 20% 测试；所有填充操作必须在切分之前完成，先用train_test_split再处理缺失值是错误顺序。

5.2 日期解析翻车：pd.to_datetime 的 format 必须写全

现象：程序不报错，但折线图的横轴顺序乱了，或者按月份聚合时全跑偏。原因：日期列是2024/1/5或2024-01-05 00:00:00这种非标准格式，pd.to_datetime自动推断时产生了歧义，比如把 1/2 解析成 1 月 2 日还是 2 月 1 日取决于默认顺序。解决：一律写成pd.to_datetime(df["date"], format="%Y/%m/%d")强制指定格式，不要依赖自动推断。如果数据里混着2024/1/5和2024-01-05两种写法，先df["date"] = df["date"].str.replace("/", "-")统一再解析。

5.3 中文字体变方块：matplotlib 和 pyecharts 的字体两套体系

现象：matplotlib 画的图上「温度」两个字全是小方块，pyecharts 却显示正常。原因：matplotlib 默认字体里没有中文字符，需要手动指定；pyecharts 是在浏览器里用 CSS 渲染的，系统字体会自动兜底。解决：在导入 pyplot 后立刻加两行，强行指定为中文字体族，macOS 和 Windows 的字名不一样，直接写一个 try-except 通用方案。

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["PingFang SC", "SimHei", "Microsoft YaHei"] plt.rcParams["axes.unicode_minus"] = False

unicode_minus设置为False是为了防止负号在切换字体后显示成乱码方块。这个配置写在源码的setup.py或主脚本头部，所有图表统一生效。如果换了机器还是方块，大概率是上面三个字体一个都没装，用fc-list :lang=zh查一下系统里有什么中文字体。

5.4 极端天气样本太少：绝热抬升这类数据会把均值误差扛歪

现象：模型对 28℃ 的晴天预测很准，碰到寒潮骤降 10℃的那天误差高达 7℃，整体 MAE 被拉高不少。原因：气象数据里极端天气是长尾分布，寒潮、暴雨占总体样本不到 5%，模型在训练时没有见过足够的极端模式，学不到突变规律。解决：不要为降低 MAE 去删掉这些样本，那是掩耳盗铃。正确做法是把预测结果按天气状况分组打印误差，展示模型对不同天气类型的表现差异，答辩时主动说「极端天气样本不足，模型在突变场景下误差偏大」，比被老师问住再承认体面得多。

5.5 指标只信 RMSE 不看残差分布：模型偏置被平均掩盖

现象：RMSE 比 MAE 好看很多，但画残差图发现预测值整体偏低，夏季温度普遍被预测低了 1-2℃。原因：RMSE 对大误差敏感、对小误差不敏感，它和 MAE 的差值隐含了误差分布的不对称性，只报一个指标等于把系统的偏置藏进了平均数里。解决：源码里同时输出 MAE 和 RMSE，并且额外计算residual.mean()，这个值越接近 0 说明无偏；如果residual.mean()大于 1，说明预测系统性偏低，需要检查是不是特征里漏了月份或季节因子。

6. 让预测结果可复现：K 折交叉验证与滚动评测的落地写法

决策树和随机森林这类模型对训练集和测试集的划分方式很敏感，你不做交叉验证，就不知道 2.08 的 MAE 是真实水平还是好运气。但天气数据是时间序列，不能用普通的KFold随机交叉验证，那会把未来的数据泄漏到过去里。sklearn直接提供了TimeSeriesSplit，它的切分方式严格按时间先后划分训练块和验证块，每次测试集都排在训练集之后。

from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_absolute_error tscv = TimeSeriesSplit(n_splits=5) mae_scores = [] for fold, (train_idx, valid_idx) in enumerate(tscv.split(X)): X_tr, X_va = X.iloc[train_idx], X.iloc[valid_idx] y_tr, y_va = y.iloc[train_idx], y.iloc[valid_idx] model = RandomForestRegressor(n_estimators=100, max_depth=6, random_state=42) model.fit(X_tr, y_tr) pred = model.predict(X_va) mae_scores.append(mean_absolute_error(y_va, pred)) print(f"Fold {fold+1}: MAE = {mae_scores[-1]:.3f}") print(f"平均 MAE = {sum(mae_scores) / len(mae_scores):.3f}")

TimeSeriesSplit的n_splits=5表示切 5 次，第一次用前 20% 训练测后 20%，第二次用前 40% 训练测后 20%，以此类推。这比固定的一次性切分更能反映模型在不同时间段的稳定性。如果 5 个 fold 的 MAE 波动超过 1℃说明特征分布不稳定，需要检查是不是季节跨度太大导致春夏季和秋冬季模式差异明显。把这段代码放进主脚本里跑一遍，输出 5 个数字，论文里写「模型在 5 个不同时间段上的平均 MAE 为 1.7，标准差为 0.3」比只报一个测试集数值有说服力得多。

源码里还附了一个predict_forecast.py的脚本，它接收命令行参数--city和--days，比如python predict_forecast.py --city beijing --days 7，就能输出未来 7 天的预测温度和降水概率，同时生成一个 ECharts 面板。这个脚本的思路是把训练好的模型用joblib.dump存成.pkl文件，预测时只加载模型不用重新训练，单次预测耗时小于 0.1 秒。我做课程设计那会儿被老师追问「模型每次启动都要重新训练吗」，当场答不上来，从那以后凡是交付这种项目，我都会强制把训练和预测拆成两个脚本，并在 README 里写清楚哪一步是训练、哪一步是部署。这些细节看着不起眼，但在答辩现场比任何华丽的描述都有说服力。希望这份源码的拆解能帮你在自己的项目里少走几个弯路，不管是应付学业还是入门机器学习，把这条链路完整跑通一次，比刷十遍教程都管用。

本文还有配套的精品资源，点击获取