使用 Matplotlib 在 Python 中分析和可视化地震数据

---

使用 Python 的 matplotlib 库分析地震数据可以提供关于地震频率、震级和位置的宝贵见解，这有助于预测和减轻其影响。在本文中，我们将探讨如何使用 Python 和 Matplotlib（一个流行的数据可视化库）来分析和可视化地震数据。我们将逐步向您展示如何将地震数据加载到 Python 中，清理和预处理数据，以及创建可视化效果以更好地理解数据中的模式和趋势。

介绍

与数据的文字描述相比，人类大脑更容易理解数据的视觉表示。当我们看到图片时，更容易理解它。数据集是关于特定主题的原始信息集合。在本文中，我们有一个地震数据集，它以 CSV 文件的形式存在。我们需要分析和可视化数据集以了解数据集中的趋势和模式，以便我们可以预测未来可能发生的情况。例如，在本文中，我们将使用地震数据集，使用 matplotlib，我们将分析和可视化数据以了解过去几年地震的强度模式，然后我们可以预测未来地震的强度。

为了可视化和分析数据集，我们使用一个名为 Matplotlib 的 Python 库。我们将详细讨论什么是 matplotlib 以及如何使用它来分析和可视化数据集。

数据可视化

图形为检查数据提供了良好的工具，这对于呈现结果至关重要。数据可视化这个术语比较新。它反映了一个概念，即它不仅仅是事实的图形表示（而不是使用文本形式）。

这对于识别和理解数据集，以及对趋势、错误数据、异常值等进行分类特别有用。只需少量主题专业知识，数据可视化就可以使用绘图和图表来传达和说明重要的联系。

Matplotlib

在 Python 中，有一个名为 Matplotlib 的包，用于数据可视化，并且基于 Numpy 数组。它对于图形用户界面、shell 脚本、web 应用程序等非常有用。

2002 年，John D. Hunter 最初开发了 matplotlib。它是在类似 BSD 的许可下提供的，并且有一个活跃的开发人员社区在开发它。2003 年发布了该程序的第一个版本，而今天，2019 年 7 月 1 日，发布了该程序的最新版本 3.1.1。

随着 Matplotlib 1.2 版的发布，增加了对 Python3 的支持。当前也是最后一个与 Python 2.6 兼容的 Matplotlib 版本是 1.4 版。

数据集

本文中使用的数据集取自 CORGIS 数据集项目，文件名是 earthquake.csv。

我们将在接下来的代码中分析和准备数据集。

使用 matplotlib 分析和可视化地震数据

现在我们将看到如何使用 Python 和 matplotlib 分析和可视化地震数据。

导入库和数据集

我们将首先导入所有重要的库。

Pandas − 它有助于分析数据集并将数据帧存储为二维数组格式。

Seaborn/Matplotlib − 这两者都用于可视化数据

import pandas as pdd
import numpy as npp
import matplotlib.pyplot as pltt
import seaborn as sbb

现在让我们加载数据集。我们将数据集加载到 Python 数据帧中，以便可以轻松访问它。

df1 = pdd.read_csv('C:/Users/Tutorialspoint/Downloads/earthquakes.csv')
df1.shape

输出

(8394,19)

我们将查看列中的数据，以了解数据中存在多少空值以及列中数据的类型。

df1.info()

输出

为了了解数据集的分布情况，我们将查看数据集的一些统计量。

df1.describe()

输出

从上述数据集描述中，我们可以得出结论，地震发生的最大震级为 7.7，最大深度为 622。

探索性数据分析

此分析用于使用图表和图表来探索数据中的趋势和模式。

pltt.figure(figsize=(10, 5))
x1 = df1.groupby('time.year').mean()['location.depth']
x1.plot.bar()
pltt.show()

输出

从上面的条形图中，我们可以注意到，2016 年以后地震次数增加，2017 年以后连续三年逐渐减少，然后增加，2021 年以后再次减少。

fig1 = pltt.figure()
ax1 = fig1.add_axes([.1, .1, 2, 1])
ax1.plot(df1['impact.magnitude'])

输出

pltt.figure(figsize=(10, 5))
sbb.lineplot(data=df1,
   x='time.month',
   y='impact.magnitude')
pltt.show()

输出

我们可以看到，地震的震级每个月都在减小。

pltt.subplots(figsize=(15, 5))
 
pltt.subplot(1, 2, 1)
sbb.distplot(df1['location.depth'])
 
pltt.subplot(1, 2, 2)
sbb.boxplot(df1['location.depth'])
pltt.show()

输出

从分布图可以看出，存在多个异常值，这可以使用箱线图来验证。然而，最重要的收获是，地震发生深度的分布存在左偏。

pltt.subplots(figsize=(15, 5))
 
pltt.subplot(1, 2, 1)
sbb.distplot(df1['impact.magnitude'])
 
pltt.subplot(1, 2, 2)
sbb.boxplot(df1['impact.magnitude'])
 
pltt.show()

输出

pltt.figure(figsize=(20, 10))
sbb.scatterplot(data=df1,
   x='location.latitude',
   y='location.longitude',
   hue='impact.magnitude')
pltt.show()

输出

现在，我们将查看数据的散点图：

import plotly.express as pxx
import pandas as pdd
 
fig_w = pxx.scatter_geo(df1, lat='location.latitude',
   lon='location.longitude',
   color="impact.magnitude",
   scope='usa')
fig_w.show()

输出

从上图可以看出，美国哪些地区更容易发生地震。

结论

在本文中，我们学习了 Python 的 matplotlib 库以及如何使用它。我们还使用 matplotlib 库分析和可视化了地震数据集。