简介：基于Python机器学习（ML）的天气预测与可视化完整项目，面向计算机相关专业做课程设计或期末大作业的学生，也适合需要项目实战练习的入门学习者。项目围绕真实天气数据，覆盖数据获取、预处理、特征处理、模型训练、预测评估和可视化展示等环节，可直接作为高分课设模板参考。资源共24个文件，核心包含4个Python源码、4个CSV数据集、1个训练好的pkl模型、1个HTML可视化页面及12张效果截图，压缩包仅1.42MB；Python脚本分别承担数据抓取、数据处理、模型训练与主程序调用，CSV提供训练与测试数据，HTML页面用于呈现可视化结果。当前已有248人学习下载，项目经严格调试，下载即可运行，并附带readme说明文档，便于快速了解运行流程。无论用于课程提交还是巩固ML实战能力，这份结构清晰的项目包都能大幅节省从零搭建时间。
1. 天气预测大作业想拿95分，先把“预测什么”想清楚
如果你手里刚拿到一份“基于Python机器学习的天气预测和天气可视化源码+全部数据”，第一件事不是急着跑代码，而是先想清楚：这份作业到底要预测什么。常见的目标变量有三类——最高气温、最低气温、或者次日的平均气温。多数高分大作业选的是“最高气温”，因为它的周期性最强、噪声最小，机器学习模型最容易拟合出漂亮的曲线，评分老师一眼就能看到预测值和真实值高度重合，分数自然就上去了。
另一个反直觉的结论是：这个项目的得分上限不取决于你用了多先进的模型，而取决于三个细节——特征工程做没做、时间序列有没有正确划分、可视化图表有没有让老师看懂你的工作量。神经网络在这个任务上往往打不过堆了滞后特征的随机森林，而这两者的代码量差距是十倍。这篇文章会把这条路径完整走一遍：从数据清洗、特征构造、模型选型，到可视化出图，再到那些能让成绩从85掉到70的隐藏坑。适合正在做课程设计、毕业设计，或者想用一份完整项目练手Python机器学习的读者。
2. 先拆数据和特征工程：天气预测的本质是回归，不是分类
2.1 为什么天气预测必须用回归而不是分类
很多新手拿到天气数据后，第一反应是问“要不要把天气分成晴、阴、雨，然后做分类”。这是一个方向性错误。天气预报在大作业语境下，几乎总是预测一个连续数值——明天的最高气温是多少度，或者后天的湿度是多少。这是典型的回归问题，评估指标用平均绝对误差（MAE）或均方根误差（RMSE），而不是分类准确率。
回归和分类的选择直接影响损失函数、模型接口和评分标准。比如你用sklearn的RandomForestRegressor可以输出“明天的最高温度是23.4摄氏度”，而如果用RandomForestClassifier，它只能告诉你“明天属于‘高温’这个类别的概率是0.65”，这个结果在课程报告里很难展开——你没法画一条“预测值 vs 真实值”的折线图。所以拿到源码后，先看fit()函数里的标签（y）是浮点数还是整数类别。如果是浮点数，方向就对了；如果是类别，说明这份源码本身就有问题，需要你自己重写目标变量。
2.2 核心特征构造：拆日期、补滞后、建滑动窗口
原始天气数据集通常只有几列：日期、最高气温、最低气温、湿度、气压、风速等。如果直接把日期丢给模型，模型只能把它当成一个从1到几千的整数，学到的规律是“时间越靠后温度越高”——这在有季节趋势的数据集上会造成假象。正确的做法是把日期拆成多个循环特征。
import pandas as pd import numpy as np # 假设原始数据只有三列: date, high_temp, low_temp df = pd.read_csv('weather_data.csv', parse_dates=['date']) df['year'] = df['date'].dt.year df['month'] = df['date'].dt.month df['day'] = df['date'].dt.day df['dayofweek'] = df['date'].dt.dayofweek # 周一=0, 周日=6 # 构造滞后特征: 用前1天、前3天、前7天的最高气温作为特征 df['temp_lag1'] = df['high_temp'].shift(1) df['temp_lag3'] = df['high_temp'].shift(3) df['temp_lag7'] = df['high_temp'].shift(7) # 构造滑动窗口均值: 过去7天的平均气温 df['temp_rolling_mean7'] = df['high_temp'].rolling(window=7).mean() # 删除包含NaN的行, 因为前7天没有足够的历史数据 df = df.dropna().reset_index(drop=True) print(df.head())这里的逻辑是：shift()是把过去几天的真实气温“搬”到今天这一行，让模型能看到昨天、三天前、一周前的温度。rolling().mean()则是给模型一个“近期气温水平”的参考。滞后特征和时间窗口是时间序列预测的两大支柱——对天气这种强周期数据，昨天和一周前的温度对明天温度的影响极大，这两个特征能直接解释数据中大部分方差。
参数上需要注意两个点。第一，shift(7)配合dropna()会让你的数据集损失前7行，这在几千条数据里可以忽略不计，但如果你用的是只有30天的微型数据集，就要考虑用fillna(method='bfill')回填而不是直接丢弃。第二，滑动窗口的大小选7而不是3或30，是因为天气的周期性以周为单位最明显——工作日和周末的气温模式差异很小，但冷空气活动通常以7到10天为一个周期。这是天气数据和股票数据的本质区别：股票里你用7日均线，天气里你用7日滑动平均，理由完全不同。
2.3 训练集和测试集划分：这套案例的得分关键
普通机器学习项目里，train_test_split的默认参数是shuffle=True，也就是把数据打乱后再随机划分。这个默认设置在天气预测里是致命的。假设你的数据是2015年到2022年的逐日记录，随机划分会让模型“看到”2022年夏天某几天的数据，然后用它们去“预测”2019年冬天的一个日子——这在作业报告里完全说不通，因为实际的天气预报只有历史数据可用。
from sklearn.model_selection import train_test_split # 正确做法: 按时间顺序划分, 前80%训练, 后20%测试 train_size = int(len(df) * 0.8) train_df = df.iloc[:train_size] test_df = df.iloc[train_size:] # 拆分特征和标签 feature_cols = ['month', 'day', 'dayofweek', 'temp_lag1', 'temp_lag3', 'temp_lag7', 'temp_rolling_mean7'] X_train = train_df[feature_cols] y_train = train_df['high_temp'] X_test = test_df[feature_cols] y_test = test_df['high_temp'] # 对比: 如果用了shuffle=True, 分数会虚高, 但老师只要看图就能识破 # X_train, X_test, y_train, y_test = train_test_split( # df[feature_cols], df['high_temp'], test_size=0.2, random_state=42 # )这里有一个很微妙的问题：如果你在报告里写“因为随机划分在时序数据中是数据泄漏，所以我用了按时间顺序的划分”，导师立刻会认定你理解了这个项目，而不是只会调包。反过来，如果你用了默认的shuffle=True，表面上看MAE更小、图表更漂亮，但只要你把预测曲线画出来就会发现——训练集和测试集的预测值交替出现，毫无时间连续性。这是最容易被一眼识破的作弊行为，除非你想赌老师不仔细看图，否则不要在时间序列上用随机划分。
3. 模型选型和训练：从线性回归到随机森林的梯度
3.1 三个候选模型：线性回归、决策树、随机森林
天气预测任务在大作业场景下，候选模型就三个：线性回归、决策树（或随机森林）、以及如果数据量够大可以试试XGBoost。神经网络（LSTM）在这个任务里表现常常不如随机森林，原因是逐日气温数据的样本量通常只有几千条，而LSTM对这种小样本的时间序列并不能发挥优势。相反，随机森林对特征交互的捕捉能力很强，尤其是“月份”和“滞后温度”之间的交互——它不需要你手动去告诉模型“夏天和冬天对滞后温度的依赖程度不同”。
模型选择还有一个隐藏的考量：报告好写。线性回归的系数表能直接说明“滞后1天温度每升高1度，预测温度上升0.6度”，随机森林的feature_importances_能给出特征重要性条形图。这些都可以直接放进答辩PPT。而LSTM的“不可解释性”会让老师在答辩时问出一连串你答不上来的问题。大作业的原则是：用你讲得清楚的模型，而不是用看起来很高级但讲不清楚的模型。
3.2 跑通训练流程并打印评估指标
下面是完整的最小可运行代码。先加载清洗后的数据，然后同时训练三个模型，输出各自的MAE和R²分数。这一步你不需要调参，先用默认参数跑一遍，目的是建立一个性能基线。
from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from xgboost import XGBRegressor from sklearn.metrics import mean_absolute_error, r2_score # 三个模型, 固定随机种子保证可复现 models = { 'LinearRegression': LinearRegression(), 'RandomForest': RandomForestRegressor( n_estimators=200, max_depth=10, random_state=42, n_jobs=-1 ), 'XGBoost': XGBRegressor( n_estimators=300, learning_rate=0.05, max_depth=6, random_state=42 ) } # 训练并评估 for name, model in models.items(): model.fit(X_train, y_train) y_pred = model.predict(X_test) mae = mean_absolute_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"{name}: MAE = {mae:.3f}°C, R² = {r2:.4f}")第一次跑出来的结果通常是这样的规律：线性回归的MAE在2.5到3.5摄氏度之间，随机森林的MAE会立刻降到2.0以下，XGBoost和随机森林接近但通常略好一点点。R²方面，线性回归可能在0.75左右，而树模型能到0.90以上。这个差距完全来自特征中的“月份”和“滞后温度”之间存在非线性交互——线性回归无法自行捕捉“1月份滞后7天温度对预测的影响方式不同于7月份”。
参数选型的理由是：n_estimators=200对于几千条样本已经足够，再大只会增加训练时间而不会明显降低误差；max_depth=10防止树在单条样本上过拟合，因为叶子节点过多时模型会开始记忆训练集中的噪声；learning_rate=0.05配合n_estimators=300是XGBoost比较稳妥的组合——学习率小一点，树多一点，不容易过拟合。这些参数不需要光头调，默认参数已经能把大作业做到85分，下面这节才是冲95分的关键。
3.3 特征重要性分析：报告里的加分段落
随机森林和XGBoost都自带特征重要性属性，这一行代码值得单独拿出来说，因为它是你报告里“模型解释”章节的核心素材。
import matplotlib.pyplot as plt # 以随机森林为例, 输出特征重要性 importance = models['RandomForest'].feature_importances_ feat_imp_df = pd.DataFrame({ 'feature': feature_cols, 'importance': importance }).sort_values('importance', ascending=False) # 画横向条形图 plt.figure(figsize=(8, 4)) plt.barh(feat_imp_df['feature'], feat_imp_df['importance'], color='skyblue') plt.xlabel('Importance') plt.ylabel('Feature') plt.gca().invert_yaxis() plt.tight_layout() plt.savefig('feature_importance.png', dpi=150) print(feat_imp_df)特征重要性的结论在绝大多数数据集上是稳定的：temp_lag1（滞后1天温度）排名第一，重要性占比通常在40%以上；temp_rolling_mean7（7日滑动均值）排名第二；month（月份）排在第三。这意味着天气预测的本质是“今天的温度强烈影响明天的温度，而季节提供了长期趋势”。你可以把这个结果写进报告的结论段——它比任何模型原理的堆砌都更有说服力。
4. 可视化出图：让评分老师三秒看懂你的工作量
4.1 三张图定江山：折线图、散点图、误差分布图
天气可视化的核心原则是：老师不会盯着你的print()输出看指标，但会一眼扫过你放的每一张图。我建议至少出三张图。第一张是“测试集真实值 vs 预测值”的折线图，时间作为横轴，这证明你的模型能捕捉趋势；第二张是预测值对真实值的散点图，附上y=x斜线，这证明预测没有系统性偏移；第三张是预测误差的直方图，这证明误差集中在0附近而不是有大尾巴。
import matplotlib.pyplot as plt # 用已经训练好的随机森林来预测测试集 y_pred_rf = models['RandomForest'].predict(X_test) # 图1: 时间序列对比折线图 —— 只画最后60天, 太挤了看不清楚 plt.figure(figsize=(12, 4)) test_dates = df['date'].iloc[train_size:].reset_index(drop=True) plt.plot(test_dates[:60], y_test[:60], label='True', color='black', linewidth=1.5) plt.plot(test_dates[:60], y_pred_rf[:60], label='Prediction', color='red', linestyle='--', linewidth=1.5) plt.legend() plt.ylabel('High Temp (°C)') plt.title('True vs Predicted High Temperature (Last 60 Days)') plt.xticks(rotation=45) plt.tight_layout() plt.savefig('pred_vs_true.png', dpi=150) # 图2: 散点图 + y=x 参考线 plt.figure(figsize=(5, 5)) plt.scatter(y_test, y_pred_rf, s=8, alpha=0.5, color='steelblue') plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', label='y = x') plt.xlabel('True Value (°C)') plt.ylabel('Predicted Value (°C)') plt.legend() plt.tight_layout() plt.savefig('scatter_true_pred.png', dpi=150) # 图3: 误差分布直方图 errors = y_pred_rf - y_test plt.figure(figsize=(6, 4)) plt.hist(errors, bins=30, color='gray', edgecolor='white') plt.xlabel('Prediction Error (°C)') plt.ylabel('Count') plt.axvline(x=0, color='red', linestyle='--') plt.tight_layout() plt.savefig('error_hist.png', dpi=150)画图这段代码里有三个容易被忽视的细节。第一，折线图只画最后60天而不是全部测试集——如果画全量数据，预测和真实曲线会因为太密集而糊成一团，老师截图放进报告里根本看不清，分数就会打折。第二，散点图的红虚线是y = x，这条线段的作用是让预测值和真实值的偏离程度一目了然；如果点都集中在对角线附近，哪怕你说MAE只有1.5度，老师也能从图上直接验证。第三，误差直方图如果分布明显偏向正数，说明模型系统性低估了温度，也就是某个关键特征没有被用上——比如没有加入“当天气压”作为特征。
4.2 特征相关性热力图：答辩时的防守依据
如果项目要求提交“天气可视化”，那么相关性热力图是你必须放进报告里的那张图。它展示的是所有数值特征两两之间的皮尔逊相关系数，老师拿这张图来对照你的特征工程是否合理。
import seaborn as sns # 选择数值特征列 plot_cols = ['high_temp', 'low_temp', 'month', 'dayofweek', 'temp_lag1', 'temp_lag3', 'temp_lag7', 'temp_rolling_mean7'] corr_df = df[plot_cols].copy() # 计算相关系数矩阵 corr_matrix = corr_df.corr() # 用热力图展示 plt.figure(figsize=(8, 6)) sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm', linewidths=0.5) plt.tight_layout() plt.savefig('correlation_heatmap.png', dpi=150)这里有一个值得在报告里写的发现：high_temp和temp_lag1的相关系数通常在0.85以上，而high_temp和low_temp的相关系数可能高达0.95。这个“共线性”特征意味着，如果你在特征里同时放high_temp的滞后值和low_temp的滞后值，两个特征会互相打架，部分模型（尤其是线性回归）的参数估计会变得不稳定。我见过有同学的源码里保留了所有原始特征加上六个滞后特征，结果线性回归的系数正负号都反了，报告里根本解释不通。
5. 避坑排查：四个能让成绩从95掉到70的隐藏问题
5.1 坑一：训练集和测试集之间发生了数据泄漏
现象：测试集上的MAE低得离谱，几乎接近0.5摄氏度，R²跑到0.98以上。散点图上的点完美贴合对角线。但你再仔细看，预测曲线的走势和真实曲线几乎逐日重合，连转折点都对得上，误差始终不超过1度。
原因：在构造滞后特征之前就划分了训练集和测试集，导致测试集里的滞后特征使用了训练集的数据。或者更直接——你把整个数据集的均值或标准化参数（scaler.fit_transform）在划分之前就拟合了，让测试集的信息提前混进了训练流程。
解决：标准化必须放在划分之后，滞后特征必须在划分之后单独构造。最稳妥的做法是写一个make_features(data, start_index)函数，对训练集和测试集分别调用。如果你发现源码里有StandardScaler().fit_transform(df[cols])这样的代码出现在train_test_split之前，那这就是泄漏源。
5.2 坑二：日期解析失败导致全是NaN
现象：代码跑起来不报错，但模型预测出来的温度是同一个常数，折线图是一条水平线。检查特征后发现month和day列全是NaN，或者所有值等于1。
原因：pd.read_csv('weather_data.csv', parse_dates=['date'])没生效，日期列实际被读成了字符串；用df['date'].dt.month访问时返回了NaN。还有一种情况是数据集里的日期格式包含了时间戳或者中文年月日，pandas默认解析不了。
解决：先用print(df.dtypes)确认date列的类型是datetime64。如果不是，用pd.to_datetime(df['date'], format='%Y/%m/%d')按实际格式强制转换，这才是最稳妥的做法。不要相信parse_dates总是聪明到能自动识别你的格式。
5.3 坑三：中文标签在图表里乱码，这是大忌
现象：图是画出来了，但标题、坐标轴标签、图例上的中文全部变成了方框和乱码。报告里放这样一张图，老师的第一印象就是“这个作业不够认真”，哪怕你的模型分数再高也会被打折扣。
原因：matplotlib的默认字体不支持中文，需要手动指定中文字体。
解决：在绘图代码最前面加上font setting。
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统 # 或者 Linux: plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei'] plt.rcParams['axes.unicode_minus'] = False # 让负号正常显示这个坑几乎是每年大作业翻车的重灾区。如果你用的是macOS，需要把SimHei换成PingFang SC或者Arial Unicode MS。反正记住：画图前先设字体，而不是画完发现乱码再去猜是哪里的问题。顺带说一句，如果你给老师的源文件里没有这一行字体设置，他本人在自己电脑上一跑就是乱码，这会直接影响评分观感。
5.4 坑四：把年份当作线性特征，模型学到奇怪的东西
现象：模型在训练集上表现很好，但测试集的MAE突然飙升到5度以上，尤其是测试集覆盖的时间段和训练集相隔半年以上时，预测值完全偏离真实值。
原因：年份被当作普通数值特征丢进了模型。如果数据是2015到2022年，模型会学到一个“年份越大温度越高”的趋势——哪怕这个趋势在数据里只有0.1度/年的幅度，模型也会把它放大。当测试集是2023年时，模型会外推出一个毫无依据的偏移量。
解决：如果你不需要跨年预测，直接把year特征从feature_cols里去掉。如果你的数据只有一年，year这个特征根本就是常数，留着只会让模型徒增困惑。我一般只在做跨年度预测时使用dayofyear（一年中的第几天）来捕捉季节性，而不会用实际的公元年份。
6. 用模型持久化收尾：把训练好的模型拿去交作业
最后一章教你一个实用技巧：把训练好的模型和预测流程打包成一个干净的predict.py，老师拿到之后只需要输入“第几天的特征”，就能得到预测温度。这比交一堆.ipynb文件更能体现工程能力。
import joblib # 保存模型和特征列名 joblib.dump(models['RandomForest'], 'weather_model.pkl') joblib.dump(feature_cols, 'feature_columns.pkl') # 使用: 在新环境中加载并预测 loaded_model = joblib.load('weather_model.pkl') loaded_features = joblib.load('feature_columns.pkl') # 假设明天的特征是: month=8, day=20, dayofweek=5, # temp_lag1=31.2, temp_lag3=29.8, temp_lag7=28.5, temp_rolling_mean7=30.1 tomorrow_features = [8, 20, 5, 31.2, 29.8, 28.5, 30.1] tomorrow_temp = loaded_model.predict([tomorrow_features])[0] print(f"明天预测最高气温: {tomorrow_temp:.1f}°C")这份代码虽然短，但把你的项目从“一个能跑的notebook”提升到了“一个能交付的预测工具”。我在最后一步一定会做两件事：把模型文件和数据文件放在同一个目录下，并在README.md里写清楚“运行predict.py之前需要先安装pandas、scikit-learn、joblib这些依赖”。这个习惯帮我挡掉了无数“在我的电脑上跑不起来”的追问。
如果学有余力，还可以给这个项目加一个“多步预测”的demo：用预测出的明天的温度作为新的temp_lag1，连续预测未来3天。这会展示你对时间序列递归预测的理解，也是答辩时最容易被提问的部分。我的经验是把它作为一个可选功能放在代码末尾的注释块里，而不是放在主线流程中，免得完整流程跑起来因为误差累积而被老师质疑。
天气预测这个方向，拿高分靠的不是模型有多新，而是特征工程有没有讲清楚、评估流程有没有避开水泄漏、图有没有让外行看明白。你把这些细节打磨到位，哪怕用的只是随机森林默认参数，也能稳稳站上90分。希望帮到你。
本文还有配套的精品资源，点击获取
