تحلیل داده‌های آب‌وهوا با پایتون (قدم‌به‌قدم برای مبتدی‌ها)

📌 مقدمه:

در این آموزش می‌خواهیم یاد بگیریم که چطور با استفاده از پایتون، یک دیتاست ساده آب‌وهوا را تحلیل کنیم.
ابزارهایی که استفاده می‌کنیم:

• زبان برنامه‌نویسی پایتون 🐍

• کتابخانه‌ی Pandas برای کار با داده‌ها 📊

• کتابخانه‌ی Matplotlib برای رسم نمودار 📈

اگر مثل من تازه‌کار هستید، نگران نباشید. قدم‌به‌قدم با هم پیش می‌رویم!

مرحله اول: آماده‌سازی محیط

قبل از شروع باید مطمئن شوید که کتابخانه‌های زیر نصب شده‌اند:

pip install pandas matplotlib

مرحله دوم: ساخت دیتاست آب‌وهوا

اول باید داده‌ها را تعریف کنیم.
در این مثال ما میانگین دما و میزان بارش چند ماه را وارد می‌کنیم.

import pandas as pd  # کتابخانه pandas را وارد می‌کنیم

# ساخت داده به صورت دیکشنری
data = {
    'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun'],
    'Temperature': [3, 6, 12, 18, 24, 30],  # دمای میانگین ماهانه
    'Rainfall': [50, 40, 55, 30, 20, 10]   # میزان بارش ماهانه
}

# ساخت دیتافریم
df = pd.DataFrame(data)

# نمایش دیتافریم
print(df)

  Month  Temperature  Rainfall
0   Jan            3        50
1   Feb            6        40
2   Mar           12        55
3   Apr           18        30
4   May           24        20
5   Jun           30        10

مرحله سوم: محاسبه آمار کلی

حالا می‌خواهیم ببینیم میانگین دما و بارش چقدر است.

# میانگین دما
print("میانگین دما:", df['Temperature'].mean())

# میانگین بارش
print("میانگین بارش:", df['Rainfall'].mean())

میانگین دما: 15.5
میانگین بارش: 34.166666666666664

مرحله چهارم: رسم نمودار دما

در این مرحله با Matplotlib یک نمودار خطی ساده از دما رسم می‌کنیم.

import matplotlib.pyplot as plt  # وارد کردن matplotlib

# رسم نمودار دما
plt.plot(df['Month'], df['Temperature'], marker='o')

# عنوان و برچسب‌ها
plt.title('Average Monthly Temperature')
plt.xlabel('Month')
plt.ylabel('Temperature (°C)')

plt.show()

مرحله پنجم: رسم نمودار بارش

حالا می‌توانیم میزان بارش را هم با نمودار ستونی نمایش دهیم.

# رسم نمودار ستونی بارش
plt.bar(df['Month'], df['Rainfall'], color='skyblue')

# عنوان و برچسب‌ها
plt.title('Average Monthly Rainfall')
plt.xlabel('Month')
plt.ylabel('Rainfall (mm)')

plt.show()

مرحله ششم: ترکیب دو نمودار (پیشرفته‌تر)

اگر بخواهید حرفه‌ای‌تر شوید، می‌توانید هر دو را در یک نمودار ترکیبی رسم کنید:

fig, ax1 = plt.subplots()

# محور اول: دما
ax1.plot(df['Month'], df['Temperature'], color='red', marker='o')
ax1.set_xlabel('Month')
ax1.set_ylabel('Temperature (°C)', color='red')

# محور دوم: بارش
ax2 = ax1.twinx()
ax2.bar(df['Month'], df['Rainfall'], alpha=0.3)
ax2.set_ylabel('Rainfall (mm)', color='blue')

plt.title('Temperature and Rainfall')
plt.show()

نتیجه‌گیری

ما در این آموزش:

• با Pandas دیتافریم ساختیم

• آمار کلی گرفتیم

• نمودار خطی و ستونی کشیدیم

• و حتی دو نمودار را ترکیب کردیم.

همه‌ی این‌ها قدم‌های ساده‌ای هستند که پایه‌ی تحلیل داده‌های واقعی را تشکیل می‌دهند. از همین امروز می‌توانید دیتاست‌های واقعی (مثل فایل‌های CSV) را دانلود کنید و با همین روش تحلیل کنید!

✨ ایده برای تمرین بیشتر:

• دیتای ماه‌های بیشتر اضافه کنید.

• نمودارهای جذاب‌تری با Seaborn بسازید.

• خروجی نمودار را در یک فایل تصویری ذخیره کنید.

• این آموزش را با دوستانتان به اشتراک بگذارید!