Python+Matplotlib实战：用气象数据绘制专业级污染玫瑰图（附完整数据集）

Python+Matplotlib实战：用气象数据绘制专业级污染玫瑰图（附完整数据集）

最近在分析一个城市的环境监测数据时，我遇到了一个典型问题：如何直观地展示不同风向、风速条件下污染物浓度的分布规律？传统的折线图或散点图在这里显得力不从心，它们无法同时清晰地表达风向（角度）、风速（半径）和污染物浓度（颜色）这三个维度的信息。这时，一种被称为“污染玫瑰图”的专业可视化工具进入了我的视野。它本质上是一种极坐标下的等高线填充图，能够将复杂的气象-污染关系以一幅直观、美观的图形呈现出来，是环境科学、气象分析和城市规划领域从业者进行数据解读和报告呈现的利器。

如果你也经常需要处理类似的风速、风向和污染物浓度数据，并且希望摆脱基础图表的束缚，制作出可以直接用于专业报告或学术论文的图表，那么本文将为你提供一套完整的、可直接复用的解决方案。我们将从真实数据集的读取与预处理开始，深入讲解风向弧度转换、数据网格化等核心技巧，并重点攻克极坐标轴设置、色标条定制以及图表整体美化等工业级难题。文末还会提供一个精心设计的Excel数据模板，帮助你快速上手，将这套方法应用到自己的实际项目中。

1. 环境准备与数据理解

在开始编码之前，确保你的工作环境已经就绪。我们将使用Python的核心科学计算和可视化库。如果你使用Anaconda，那么大部分库已经预装；如果使用原生Python，可以通过pip进行安装。

pip install numpy pandas matplotlib openpyxl

这里我们额外安装了openpyxl，是为了更好地支持新版Excel文件的读取。接下来，让我们先理解一下我们将要处理的数据结构。一份典型的气象-污染观测数据通常包含时间戳、风速、风向和一种或多种污染物浓度（如PM2.5、PM10、SO2等）。风向通常以角度（0-360度）表示，其中0度或360度代表正北，90度代表正东，以此类推。

注意：原始数据质量是可视化的基石。在绘图前，务必检查数据是否存在缺失值（NaN）、异常值（如风速为负、风向超出0-360度范围）或明显的记录错误。一个简单的数据质量检查流程可以避免后续分析得出误导性结论。

我们的目标是将这些离散的观测点，转化为一个在极坐标网格上连续的颜色分布图。这个过程可以分解为几个关键步骤：

1. 数据加载与清洗：从文件（如Excel、CSV）中读取数据，并进行必要的清洗。
2. 坐标转换与分箱：将风向从角度转换为弧度，并将风速和风向数据划分到预定义的网格区间中。
3. 数据聚合：计算每个网格单元内污染物浓度的平均值（或其他统计量，如最大值、百分位数）。
4. 网格数据生成：为绘图创建规则的风向-风速网格点矩阵。
5. 图形绘制与美化：在极坐标轴上绘制填充等高线，并添加必要的图表元素（如色标条、方向标注、标题等）。

2. 数据处理：从原始观测到规则网格

假设我们已经获得了一份名为air_quality_meteo.xlsx的Excel数据文件，其中包含timestamp, wind_speed, wind_direction, PM2_5等字段。我们的第一项任务就是将其读入Pandas DataFrame并进行初步探查。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 加载数据，指定时间列为索引
file_path = './data/air_quality_meteo.xlsx'
df = pd.read_excel(file_path, index_col='timestamp')
print(df.head())
print(f"数据形状: {df.shape}")
print(df.describe())

加载数据后，我们首先处理风向。Matplotlib的极坐标系统使用弧度制，且默认0弧度指向正东（与数学极坐标一致），并以逆时针方向为正方向。然而，气象学惯例是0度指向正北，并以顺时针方向为正。为了符合惯例，我们需要进行转换。

# 将风向从角度转换为弧度
df['wind_direction_rad'] = np.radians(df['wind_direction'])

# 调整弧度方向：使0弧度对应正北，并改为顺时针方向为正。
# 首先，将“北风（0度）”转换为数学极坐标的“90度”（即π/2弧度）。
# 然后，为了变为顺时针，我们取负值。
df['wind_direction_rad'] =