简介：这是一份基于Python的机器学习天气预测与数据可视化完整项目，面向毕业设计、期末大作业及课程设计场景，也可作为机器学习入门实践参考。项目覆盖天气数据采集、清洗、特征处理、模型训练与预测、可视化展示的完整流程，代码注释清晰，新手也能读懂。压缩包共24个文件，体积仅1.42MB，包含4个Python源文件（分别负责数据获取、数据处理、模型训练和主程序）、4个CSV格式的天气数据集、1个已训练好的pkl模型文件、1个HTML前端展示页面，以及12张jpg格式的可视化结果图，还有readme说明文档，便于对照学习与二次开发。目前已有403人学习下载。该项目为个人手打98分高分作品，获导师认可，部署简单，能帮助读者快速理清天气预测类项目的实现思路，是完成毕业设计或课程设计的高质量参考。
1. 天气预测项目为什么值得拆开看
这套基于Python的机器学习天气预测与数据可视化项目，是一个典型的教学型完整工程。源码加数据共24个文件，覆盖了数据采集、预处理、模型训练、结果可视化的完整链路。对于正在做期末大作业、课程设计或毕业设计的同学来说，它的价值不在于某个算法多前沿，而在于把一个真实问题从数据到部署讲清楚了。
项目里最有信息量的部分我个人认为是ProcessData.py到Model.pkl这条线。天气数据本身带有明显的时间序列特征和周期性波动，加上csv里包含的训练集测试集划分，刚好能把回归类模型的训练、评估、调参讲完整。而可视化部分又绑定了HTML页面，不是单纯用matplotlib画两张折线图糊弄过去。下面按数据流顺序把每个模块拆开讲，标注了哪些地方值得照抄、哪些地方容易踩坑。
2. 数据流水线与天气数据的预处理策略
2.1 csv文件结构与字段含义
解压后你会看到date_train.csv、date_test.csv、date_valid.csv三个数据集文件。这三个文件就是整个项目的燃料。训练集和测试集已经按照时间顺序切好，验证集用于模型训练过程中的泛化能力检查，这是标准的监督学习数据划分。
import pandas as pd train_df = pd.read_csv('date_train.csv') test_df = pd.read_csv('date_test.csv') valid_df = pd.read_csv('date_valid.csv') print(train_df.shape, test_df.shape, valid_df.shape) print(train_df.columns.tolist()) print(train_df.head())这段代码用于确认三份数据的基本规模。read_csv是pandas读取csv文件的标准入口，shape返回的是行列数元组，通过它可以直接判断样本量比例是否合理。columns.tolist会把列名转为列表，用来快速核对字段名拼写，避免后续写特征工程时手误。head则查看前五行，第一时间发现数据错位或空值。
2.2 缺失值处理的常见做法
天气数据经常存在连续缺失，这来源于观测站设备故障或传输中断。ProcessData.py里的处理思路通常是先统计缺失率，再决定填充方式，而不是一股脑全部fillna。
missing_ratio = train_df.isnull().mean().sort_values(ascending=False) print(missing_ratio[missing_ratio > 0])isnull()把每个单元格转成布尔值，mean()按列计算缺失比例，sort_values把缺失最严重的列排到前面。这一步的意义在于区分"少量缺失"和"大面积缺失"：缺失率超过30%的列直接删除或做标记，缺失率低于5%的列用前后时间点的均值或中位数填充。常见的填充手段是train_df['温度'] = train_df['温度'].ffill()，ffill是向前填充，适合温度这类缓慢变化的物理量。
2.3 时间戳转换与特征衍生
原始csv里时间字段大多是字符串格式，必须转成datetime类型才能做时间窗口的特征提取。
train_df['日期'] = pd.to_datetime(train_df['日期']) train_df['月'] = train_df['日期'].dt.month train_df['星期'] = train_df['日期'].dt.dayofweek train_df['是否为周末'] = (train_df['星期'] >= 5).astype(int)to_datetime把字符串解析为标准时间对象，dt.month取出月份，dayofweek返回星期几的数字表示，周一为0周日为6。天气预测任务里，节假日效应和季节性周期是最强的两个信号来源。把月份转成数值特征，把星期转成是否为周末的0/1标志，模型就能学到此类的周期性规律。另外气压、湿度、风速这类气象要素存在明显的早晚差异，原始数据里如果包含小时粒度，建议再加一列时段划分。
2.4 训练集与测试集的分布一致性检查
这是很多人在课程设计里忽略的步骤。训练集和测试集如果分布偏差过大，模型在线上的表现会断崖式下跌。检查方式是分别统计关键特征的均值、方差和分位数。
for col in ['最高温度', '最低温度', '湿度']: print(col) print('train:', train_df[col].mean(), train_df[col].std()) print('test:', test_df[col].mean(), test_df[col].std())mean是均值，std是标准差。两组数据在同一特征上的均值差如果超过一个标准差，就要考虑是不是切分时混入了不同季节的数据。天气数据切分时必须在时间轴上顺序切，不能随机打乱。随机切分会导致训练集里出现未来数据，测试集里出现过去数据，在时间序列场景下属于数据泄露，会高估模型表现。
3. 从ProcessData.py到Model.pkl的训练链路
3.1 特征矩阵构建与目标变量选择
train.csv里的weather（天气现象，如晴/多云/小雨）和气温类字段是预测目标的主要候选。如果是回归任务，预测最高温度最常用；如果是分类任务，预测天气现象类别更贴近真实需求。特征矩阵的构建要把原始字段做数值化处理。
import joblib import numpy as np from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import cross_val_score feature_cols = ['月', '星期', '是否为周末', '湿度', '气压', '风速'] X_train = train_df[feature_cols].fillna(train_df[feature_cols].median()) y_train = train_df['最高温度'] model = RandomForestRegressor(n_estimators=300, max_depth=12, random_state=42) scores = cross_val_score(model, X_train, y_train, cv=5, scoring='neg_mean_absolute_error') print('MAE:', -scores.mean())fillna用中位数填充是为了兼容缺失行，median比mean更抗离群值干扰。RandomForestRegressor的n_estimators是树的数量，300棵是一个平衡训练时间和精度的数值；max_depth限制单棵树深度，防止过拟合；random_state固定随机种子保证结果可复现。cross_val_score做五折交叉验证，scoring='neg_mean_absolute_error'表示用平均绝对误差作为评估指标，负号是sklearn的统一约定，数值越小越好。这里不用R2作为唯一指标，是因为天气预测场景中绝对误差更能反映实际可用性。
3.2 为什么选择随机森林和梯度提升的组合
单棵决策树容易过拟合，线性回归对非线性交互捕捉不足。项目里用随机森林作为基线模型，如果精度不够，一般再叠加梯度提升决策树。
from sklearn.ensemble import GradientBoostingRegressor gbr = GradientBoostingRegressor( n_estimators=200, learning_rate=0.05, max_depth=4, subsample=0.8, random_state=42 ) gbr.fit(X_train, y_train) print('训练完成, 特征重要性:', gbr.feature_importances_)GradientBoostingRegressor的learning_rate是每棵树贡献的缩放系数，0.05是偏保守的设置，配合200棵树既能控制过拟合又不会让训练时间失控。subsample是每轮迭代随机抽样的样本比例，0.8让每棵树看到的样本略有不同，增加模型多样性。feature_importances_输出每个特征的贡献度，如果发现月份和气压排在前两位，说明季节性和气压场变化主导气温预测，这是符合气象常识的。
3.3 模型保存与加载的坑
项目里提供了Model.pkl文件，这就是训练完成后序列化保存的产物。使用joblib或pickle保存模型时有一个常见坑：环境依赖版本不一致会导致加载报错。
import joblib joblib.dump(gbr, 'Model.pkl') loaded_model = joblib.load('Model.pkl')joblib.dump把模型对象序列化到磁盘，joblib.load从磁盘恢复模型对象。注意，加载模型时所在的Python环境和训练时保持一致，尤其是sklearn版本。如果版本不一致，常见的报错是ModuleNotFoundError或ValueError: Unknown label type。解决方法是在项目说明里记录依赖版本，或者用joblib.dump时同时保存模型对应的特征列名列表。项目里readme.md应该做了相关说明，实际复现时建议先pip install scikit-learn==版本号再加载。
3.4 交叉验证与滑动窗口验证
时间序列预测不能直接用普通K折交叉验证，因为随机划分会打乱时间顺序，导致模型在未来数据上训练、在过去数据上验证，产生时间穿越问题。
from sklearn.model_selection import TimeSeriesSplit tscv = TimeSeriesSplit(n_splits=5) for train_index, test_index in tscv.split(X_train): X_tr, X_te = X_train.iloc[train_index], X_train.iloc[test_index] y_tr, y_te = y_train.iloc[train_index], y_train.iloc[test_index] gbr.fit(X_tr, y_tr) score = gbr.score(X_te, y_te) print('fold score:', score)TimeSeriesSplit是sklearn提供的专门用于时间序列的交叉验证器，它保证测试集的索引永远大于训练集索引。n_splits=5表示切出5组训练验证对，每一组都逐步往后滚。这样做出来的评估结果才能真实反映模型对未来天气的预测能力。
4. 天气图表可视化与HTML前端的联动
4.1 matplotlib绘图的参数细节
项目包含12张jpg图像文件，这些是模型评估和EDA阶段产出的图表。常见的可视化内容包括气温时序折线图、湿度分布直方图、预测值与真实值散点图。这里给出一个高频使用的绘图模板。
import matplotlib.pyplot as plt import matplotlib matplotlib.rcParams['font.sans-serif'] = ['SimHei'] matplotlib.rcParams['axes.unicode_minus'] = False plt.figure(figsize=(12, 5)) plt.plot(test_df['日期'], y_test, label='真实温度', color='#333333') plt.plot(test_df['日期'], y_pred, label='预测温度', color='#d62728', linestyle='--') plt.xlabel('日期') plt.ylabel('温度 (℃)') plt.title('最高温度预测对比') plt.legend() plt.xticks(rotation=45) plt.tight_layout() plt.savefig('预测对比图.jpg', dpi=150) plt.show()font.sans-serif设置为SimHei是为了让中文标签正常显示，axes.unicode_minus设为False是为了让负号正常显示。figure里的figsize控制画布宽高，dpi=150控制保存分辨率。plot中linestyle='--'把预测线设为虚线，与真实值实线区分。xticks(rotation=45)旋转日期刻度标签，防止重叠。tight_layout自动调整子图间距，避免标签被裁切。
4.2 用HTML组织图表的零依赖方案
项目里weather网.html把图片整合到页面中，这是最轻量的前端展示方式。不需要启动Flask或Django，双击HTML就能在浏览器里查看效果。原理是通过img标签引用本地jpg文件。
<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>天气预测可视化</title> <style> body { background: #f5f7fa; font-family: "Microsoft YaHei"; } .chart-container { max-width: 1000px; margin: 20px auto; background: #fff; padding: 20px; } h1 { text-align: center; color: #2c3e50; } img { width: 100%; border-radius: 8px; } </style> </head> <body> <h1>天气预测与数据可视化</h1> <div class="chart-container"> <img src="预测对比图.jpg" alt="预测对比"> </div> </body> </html>这个页面的核心价值在于展示成果，不需要后端参与就能跑。CSS里max-width限制内容宽度保证大屏下不拉伸变形，margin: 20px auto让容器水平居中，border-radius给图片圆角提升观感。如果想把多张图放进来，复制chart-container这个div追加即可。
4.3 预测误差分布图的三种画法
误差分析是评估模型上限的关键。预测值和真实值的差值分布能直观暴露系统偏差。
error = y_pred - y_test plt.hist(error, bins=30, edgecolor='white', alpha=0.8) plt.axvline(x=0, color='red', linestyle='--', linewidth=1) plt.xlabel('预测误差 (℃)') plt.ylabel('频数') plt.title('预测误差分布') plt.savefig('误差分布图.jpg', dpi=150)hist是直方图函数，bins=30把误差范围切为30个区间，alpha=0.8控制柱子透明度，edgecolor给柱子描边便于区分相邻柱体。axvline在x=0处画一条红色虚线作为零误差参考线，观察误差分布相对这条线的偏移就能判断模型系统性偏高还是偏低。
5. GetData.py与实时天气数据采集
5.1 静态数据与动态采集的取舍
date_train.csv和date_test.csv是打包自带的静态数据，适合复现项目流程。但如果要部署成每日更新的预报系统，就需要用GetData.py从公开天气接口拉取新数据。项目采用requests模块发送HTTP请求，解析JSON响应。
5.2 天气接口调用的最小实现
import requests import pandas as pd from datetime import datetime def fetch_weather(city_code): url = "https://restapi.amap.com/v3/weather/weatherInfo" params = { "key": "你的API_KEY", "city": city_code, "extensions": "all" } resp = requests.get(url, params=params, timeout=10) data = resp.json() forecasts = data.get("forecasts", []) return forecasts result = fetch_weather("110000") print(result)requests.get中的timeout=10是请求超时阈值，防止接口无响应时程序卡死。resp.json()把响应体解析为Python字典，get方法从嵌套字典里安全取值，避免KeyError。extensions参数传all时返回多日预报数据，传base只返回实时天气。项目里如果没有真实的API_KEY，建议把获取到的数据转为csv格式，保持和原有训练数据结构一致。
5.3 新采集数据如何喂给Model.pkl
采集到新数据后，要走和训练时一致的特征工程流程。
def preprocess_new(df): df['日期'] = pd.to_datetime(df['日期']) df['月'] = df['日期'].dt.month df['星期'] = df['日期'].dt.dayofweek df['是否为周末'] = (df['星期'] >= 5).astype(int) features = df[feature_cols].fillna(df[feature_cols].median()) return featuresmonth和dayofweek保证新增数据具备模型在训练时见过的特征。fillna用中位数是为了处理新采集数据可能存在的空值。特征列的顺序必须与原训练时feature_cols完全一致，否则输入模型时列位置错位会得到错误预测结果。
5.4 爬虫脚本的完善点
如果没有现成的API_KEY，用requests直接抓网页时需要处理编码和反爬。
headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" } resp = requests.get(url, headers=headers, timeout=10) resp.encoding = 'utf-8'headers模拟浏览器标识，避免部分站点返回403状态码。resp.encoding手动指定解析编码，防止中文乱码。这类方式适合作为演示补充，不建议在生产环境长期使用，因为页面结构一变脚本就要跟着改。GetData.py在这个项目里的最佳定位是数据补充，而不是核心模块。
6. 模型部署到本地运行时的几个关键检查
6.1 readme.md里最容易遗漏的依赖清单
把项目下载下来后自己动手跑一遍时，最容易卡住的是环境依赖。天气预测的可复现要求每行代码都能在当前环境执行。readme.md里建议标注完整的依赖清单。
pip install pandas numpy scikit-learn matplotlib requests python main.pypython main.py是项目入口，它会读取训练好的Model.pkl并对test数据集做预测，最终生成对比图和HTML页面。无论从哪个环节跑，保证pandas版本不低于1.2、scikit-learn版本不低于0.24是一个安全边界。
6.2 预测结果的验证方法
模型能不能用，最后要看预测值和真实值之间的偏差是否收敛。
from sklearn.metrics import mean_absolute_error, r2_score mae = mean_absolute_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"MAE: {mae:.2f} ℃, R2: {r2:.3f}")mean_absolute_error计算平均绝对误差，单位仍是摄氏度，用于直观描述平均偏差点数；r2_score反映模型对真实值方差的解释比例，越接近1越好。在天气预测场景下，MAE低于2℃、R2高于0.85，可以认为项目达到了课程设计比较优秀的水平。
6.3 把jpg图表嵌入HTML展示的最终技巧
最后收尾阶段，要把六张以上的图整合到一份HTML中，建议先统一输出尺寸。在遍历生成图表时固定figsize和dpi，这样HTML里所有img元素可以共用一套CSS宽度设置，页面效果更整洁。
for idx, (col, dataseries) in enumerate(data_dict.items()): plt.figure(figsize=(12, 5), dpi=120) plt.plot(dataseries['date'], dataseries['value']) plt.title(col) plt.savefig(f'chart_{idx}.jpg') plt.close()enumerate同时拿到序号和内容，f-string拼出文件名。plt.close每画一张图就关闭画布，是为了释放内存，否则循环画几十张图内存占用会持续累积。生成的chart_0.jpg、chart_1.jpg这类命名可以直接写进HTML模板，用Python字符串替换批量生成页面代码，不用手动一条条粘贴。
本文还有配套的精品资源，点击获取
