当前位置：首页 > article >正文

机器学习入门实战 3 - 数据可视化

article 2025/2/25 19:33:01

📌 数据可视化实战——全球气温与二氧化碳排放的关系

🚀 主题：全球气温变化与二氧化碳排放的相关性分析

作为一名数据分析师，您受邀为环保组织提供一份全球气温变化与 CO₂ 排放趋势的可视化分析报告。您的目标是：

全球气温是否在上升？
二氧化碳排放量是否在增加？
二者是否存在相关性？全球变暖是否可能由 CO₂ 排放引起？

通过数据可视化，我们将探索全球气候变化与人类活动的关系，看看数据能否回答这些问题！📊

📌 1. 获取数据

🔹 全球气温数据

💡 数据来源

我们使用 Berkeley Earth 提供的全球气温数据集
数据下载地址：Kaggle: Climate Change Earth Surface Temperature Data
文件名：GlobalTemperatures.csv

💡 数据格式

dt,LandAverageTemperature,LandAndOceanAverageTemperature
1750-01-01,3.034,7.233
1750-02-01,3.083,7.282
...

dt：日期
LandAndOceanAverageTemperature：全球陆地和海洋平均气温（摄氏度）

🔹 全球二氧化碳排放数据

💡 数据来源

我们使用 Kaggle 提供的 CO₂ 数据
数据下载地址：Kaggle: Global CO₂ Emissions Dataset
文件名：co2_emissions.csv

💡 数据格式

Year,Emissions
1900,280
1950,310
2000,370
2022,415

Year：年份
Emissions：全球二氧化碳排放量（百万吨）

📌 2. 读取数据并进行预处理

import pandas as pd

# 读取气温数据
df_temp = pd.read_csv("GlobalTemperatures.csv")

# 确保日期格式正确
df_temp['dt'] = pd.to_datetime(df_temp['dt'])

# 提取年份
df_temp['Year'] = df_temp['dt'].dt.year

# 按年份计算平均气温
df_temp = df_temp.groupby('Year')['LandAndOceanAverageTemperature'].mean().reset_index()

# 读取二氧化碳数据
df_co2 = pd.read_csv("co2_emissions.csv")

# 过滤 1900 年以后的数据（保证数据匹配）
df_co2 = df_co2[df_co2["Year"] >= 1900]

# 合并数据
df = pd.merge(df_temp, df_co2, left_on="Year", right_on="Year")

# 查看数据
print(df.head())

✅ 我们现在拥有了一个数据集，包含年份、全球气温和二氧化碳排放量！

📌 3. 全球气温变化趋势

💡 我们先看看全球气温是否在上升？

import matplotlib.pyplot as plt

# 解决中文显示问题
plt.rcParams["font.sans-serif"] = ["SimHei"]  # Windows 和 Mac 可能需要不同字体
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题

plt.figure(figsize=(12,6))

# 绘制全球气温趋势
plt.plot(df["Year"], df["LandAndOceanAverageTemperature"], color="red", linestyle="-", marker="o", markersize=3, label="全球平均气温")

# 设置标题和标签
plt.title("全球气温变化趋势（1900-2022）", fontsize=14)
plt.xlabel("年份", fontsize=12)
plt.ylabel("平均气温（°C）", fontsize=12)
plt.legend()
plt.grid(True)

plt.show()

✅ 观察结果

是否有长期上升趋势？
过去几十年的气温变化是否加快？

📌 4. 二氧化碳排放趋势

💡 二氧化碳排放量是否在增加？

plt.figure(figsize=(12,6))

# 绘制 CO₂ 排放趋势
plt.plot(df["Year"], df["Emissions"], color="blue", linestyle="-", marker="o", markersize=3, label="全球二氧化碳排放量")

# 设置标题和标签
plt.title("全球二氧化碳排放趋势（1900-2022）", fontsize=14)
plt.xlabel("年份", fontsize=12)
plt.ylabel("二氧化碳排放量（百万吨）", fontsize=12)
plt.legend()
plt.grid(True)

plt.show()

✅ 观察结果

CO₂ 是否随着时间增长而增加？
是否有加速增长的趋势？

📌 5. 计算气温和 CO₂ 相关性

💡 如果二者有相关性，说明 CO₂ 可能与全球变暖有关！

# 计算相关性
correlation = df[['LandAndOceanAverageTemperature', 'Emissions']].corr()
print(correlation)

✅ 示例输出

                                LandAndOceanAverageTemperature  Emissions
LandAndOceanAverageTemperature                        1.000000   0.894481
Emissions                                             0.894481   1.000000

📌 解释

相关性系数 0.8944 接近 1.0，说明 CO₂ 排放量和全球气温存在高度正相关！
这意味着 CO₂ 增加可能推动了全球变暖。

📌 6. 使用 Seaborn 画相关性热图

Seaborn 是 Python 的一个高级数据可视化库，基于 matplotlib，用于创建更美观、统计学意义更强的图表。
💡 可视化 CO₂ 排放量与全球气温的关系

import seaborn as sns

plt.figure(figsize=(8,6))
sns.heatmap(correlation, annot=True, cmap="coolwarm", fmt=".2f")

plt.title("全球气温与二氧化碳排放的相关性", fontsize=14)
plt.show()