风向为分类值时如何绘制风玫瑰图及WindGustDir与RainTomorrow关联分析
报错原因与修复
报错的核心是WindGustDir字段为字符串类型(存储N/S/E/W等方向标识),但windrose库的bar方法要求方向参数为数值型的角度值,类型不匹配导致比较时报错。
修复代码
# 1. 定义风向字符串到角度的映射 dir_to_deg = { 'N': 0, 'NNE': 22.5, 'NE': 45, 'ENE': 67.5, 'E': 90, 'ESE': 112.5, 'SE': 135, 'SSE': 157.5, 'S': 180, 'SSW': 202.5, 'SW': 225, 'WSW': 247.5, 'W': 270, 'WNW': 292.5, 'NW': 315, 'NNW': 337.5 } # 2. 转换风向为角度,同时过滤空值避免后续报错 plot_df = raw_df.dropna(subset=['WindGustDir', 'Rainfall']).copy() plot_df['WindGustDeg'] = plot_df['WindGustDir'].map(dir_to_deg) # 3. 重新绘制风玫瑰图 from windrose import WindroseAxes ax = WindroseAxes.from_ax() ax.bar(plot_df.WindGustDeg, plot_df.Rainfall, normed=True, opening=0.8, edgecolor='white') ax.set_legend(title='降雨量 (mm)') plt.show()
可搭配WindGustDir使用的字段
做RainTomorrow预测时,优先搭配和降水、气流强相关的字段:
- WindGustSpeed:阵风风速,风速和水汽输送强度直接相关,和风向结合能判断水汽来源与输送能力
- Humidity9am、Humidity3pm:湿度,高湿度环境搭配特定来向的风,更容易形成降水
- Pressure9am、Pressure3pm:气压,低压区域配合风向更易出现降雨天气
- Cloud9am、Cloud3pm:云量,风向带来的水汽多少会直接反映在云量指标上
- Rainfall:当日降雨量,结合风向可判断降水系统的移动趋势,预测次日是否继续降雨
WindGustDir和RainTomorrow的关联分析方法
1. 列联表+卡方检验
先统计不同风向对应的次日降雨概率,再用卡方检验判断相关性是否显著:
import scipy.stats as stats # 生成不同风向的次日降雨比例表 cross_tab = pd.crosstab(raw_df['WindGustDir'], raw_df['RainTomorrow'], normalize='index') print(cross_tab.sort_values('Yes', ascending=False)) # 卡方检验,p值小于0.05说明二者相关性显著 chi2, p, dof, expected = stats.chi2_contingency(pd.crosstab(raw_df['WindGustDir'], raw_df['RainTomorrow'])) print(f"卡方值:{chi2:.2f},p值:{p}")
2. 可视化对比
用分组柱状图直观展示不同风向的降雨概率差异:
cross_tab = cross_tab.reset_index() sns.barplot(data=cross_tab, x='WindGustDir', y='Yes', palette='Blues_d') plt.xticks(rotation=45) plt.ylabel('次日降雨概率') plt.show()
3. 特征重要性评估
将WindGustDir做独热编码后和其他特征一起训练随机森林、XGBoost等分类模型,查看特征重要性排名,就能判断风向对预测结果的贡献度。
4. IV值计算
计算WindGustDir的信息价值(IV),一般IV值大于0.1就说明该特征对二分类目标有不错的预测能力。
内容的提问来源于stack exchange,提问作者Ruchir Mandora
相关产品推荐
相关产品推荐

