Unit 6: 台灣氣象數據 AI 分析

Step 1: 載入氣象數據

# 匯入資料處理套件
import pandas as pd
# 匯入繪圖套件
import matplotlib.pyplot as plt
# 匯入統計視覺化套件
import seaborn as sns

# 載入氣象 CSV 數據
df = pd.read_csv('data/all_cities_weather.csv')
# 將日期欄位轉換為 datetime 格式
df['Date'] = pd.to_datetime(df['Date'])
# 從日期中提取月份
df['Month'] = df['Date'].dt.month

# 定義季節判斷函數
def get_season(month):
    if month in [3,4,5]: return '春季'      # 3-5月為春季
    elif month in [6,7,8]: return '夏季'    # 6-8月為夏季
    elif month in [9,10,11]: return '秋季'  # 9-11月為秋季
    else: return '冬季'                      # 12-2月為冬季

# 使用 apply 將季節函數套用到每一列
df['Season'] = df['Month'].apply(get_season)

# 顯示數據時間範圍和包含的城市
print(f"時間範圍: {df['Date'].min()} ~ {df['Date'].max()}")
print(f"城市: {df['City'].unique()}")

Step 2: 溫度趨勢視覺化

# 建立畫布，設定大小為 14x6 英吋
fig, ax = plt.subplots(figsize=(14, 6))

# 迴圈繪製每個城市的溫度趨勢線
for city in df['City'].unique():
    city_data = df[df['City'] == city]  # 篩選該城市資料
    # 繪製折線圖：X 軸為日期，Y 軸為平均溫度
    ax.plot(city_data['Date'], city_data['Temp_Avg'], label=city, linewidth=1.5)

# 設定圖表標題和軸標籤
ax.set_title('台灣各城市每日平均溫度趨勢', fontsize=16)
ax.set_xlabel('日期')
ax.set_ylabel('溫度 (°C)')
# 顯示圖例（左上角）
ax.legend(loc='upper left')
# 顯示網格線（透明度 30%）
ax.grid(True, alpha=0.3)

# 自動調整版面並儲存圖表
plt.tight_layout()
plt.savefig('output/溫度趨勢.png', dpi=300)

Step 3: 熱力圖分析

# 匯入 seaborn 統計視覺化套件
import seaborn as sns

# 建立樞紐表：以月份為列、城市為欄，計算平均溫度
temp_pivot = df.groupby(['Month', 'City'])['Temp_Avg'].mean().unstack()

# 建立畫布
fig, ax = plt.subplots(figsize=(12, 8))
# 繪製熱力圖
sns.heatmap(temp_pivot,
            annot=True,        # 顯示數值標籤
            fmt='.1f',         # 數值格式：小數點後1位
            cmap='RdYlBu_r',   # 色彩映射：紅黃藍反轉（熱=紅，冷=藍）
            cbar_kws={'label': '溫度 (°C)'},  # 色條標籤
            ax=ax)

# 設定標題和軸標籤
ax.set_title('各城市月平均溫度熱力圖', fontsize=16)
ax.set_xlabel('城市')
ax.set_ylabel('月份')

# 儲存圖表
plt.tight_layout()
plt.savefig('output/溫度熱力圖.png', dpi=300)

Step 4: AI 氣象分析

# 匯入 LangChain OpenAI 模組
from langchain_openai import ChatOpenAI
# 匯入提示模板類別
from langchain_core.prompts import ChatPromptTemplate

# 初始化語言模型
llm = ChatOpenAI(model="gpt-5.6-luna")

# 依城市分組計算統計數據
stats = df.groupby('City').agg({
    'Temp_Avg': ['mean', 'max', 'min'],  # 平均、最高、最低溫度
    'Rainfall': 'sum',                    # 總降雨量
    'Humidity': 'mean'                    # 平均濕度
}).round(1)  # 四捨五入到小數點後1位

# 建立氣象分析提示模板
weather_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是氣象分析專家，請用繁體中文分析"),
    ("human", """根據以下台灣氣象統計數據：
{stats}

請提供：
1. 各城市氣候特色分析
2. 適合旅遊的季節建議
3. 降雨趨勢觀察""")
])

# 使用 LCEL 串接並執行
chain = weather_prompt | llm
response = chain.invoke({"stats": stats.to_string()})
# 輸出 AI 分析結果
print(response.content)

Step 5: AI 天氣建議系統

# 匯入 JSON 輸出解析器
from langchain_core.output_parsers import JsonOutputParser

# 建立天氣建議提示模板（指定 JSON 輸出格式）
advice_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是天氣建議專家。根據天氣數據提供建議。
輸出 JSON：{{"city": "城市", "activity": "建議活動", "warning": "注意事項"}}"""),
    ("human", "城市：{city}\n平均溫度：{temp}°C\n降雨機率：{rain}%\n濕度：{humidity}%")
])

# 初始化 JSON 解析器
parser = JsonOutputParser()
# 串接完整鏈：提示模板 → 語言模型 → JSON 解析
advice_chain = advice_prompt | llm | parser

# 取得台北最新一筆資料（iloc[-1] 表示最後一列）
taipei_latest = df[df['City'] == '台北'].iloc[-1]

# 執行 AI 建議鏈
result = advice_chain.invoke({
    "city": "台北",
    "temp": taipei_latest['Temp_Avg'],
    # 根據降雨量判斷降雨機率
    "rain": 30 if taipei_latest['Rainfall'] > 0 else 10,
    "humidity": taipei_latest['Humidity']
})

# 輸出 AI 建議結果
print(f"建議活動：{result['activity']}")
print(f"注意事項：{result['warning']}")

Step 6: AI 季節分析報告

def generate_seasonal_report(df, city):
    """
    產生城市季節分析報告
    參數：df=資料框, city=目標城市名稱
    """
    # 篩選指定城市的資料
    city_data = df[df['City'] == city]

    # 依季節分組計算統計數據
    seasonal_stats = city_data.groupby('Season').agg({
        'Temp_Avg': 'mean',   # 平均溫度
        'Rainfall': 'sum',     # 總降雨量
        'Humidity': 'mean'     # 平均濕度
    }).round(1)

    # 建立報告生成提示模板
    report_prompt = ChatPromptTemplate.from_template(
        """分析 {city} 的四季氣候數據：
{stats}

請產生一份簡潔的季節旅遊指南（每季 2-3 句話）"""
    )

    # 串接鏈並使用字串輸出解析器
    chain = report_prompt | llm | StrOutputParser()
    # 執行並回傳結果
    return chain.invoke({"city": city, "stats": seasonal_stats.to_string()})

# 呼叫函數產生台北季節報告
report = generate_seasonal_report(df, "台北")
print(report)

Unit 6 專案總結

← 返回課程首頁