简介：这是一份面向计算机相关专业学生与机器学习初学者的Python天气预测项目，源自导师指导并通过的高分期末大作业，适合用作期末大作业、课程设计或毕业设计参考。项目覆盖数据采集、清洗、特征工程、模型训练与评估、结果可视化完整流程，包含数据处理、模型训练与预测、可视化展示等模块，并配有详细文档说明，代码结构清晰，便于学习与二次开发。压缩包共24个文件，主要有4个Python脚本、4个CSV数据集、1个Markdown说明文档、1个HTML可视化页面及12张效果截图，整体仅1.42MB，轻量但功能完整。目前已有737人学习下载，说明其实用性获得了认可。下载后可直接运行，也可按文档说明修改数据或模型参数，对想快速完成机器学习大作业的同学是省时省力的选择。

1. 为什么期末大作业选"天气预测"：这个选题到底值不值得做

先说结论：天气预测是我见过最适合当机器学习期末大作业的题目之一，尤其对Python课程来说。它不像图像识别那样需要显卡和数据量，也不像自然语言处理那样要碰词向量和Transformer，它的核心算法朴素、数据集容易获取、可视化结果直观，评委一眼就能看出你做了什么东西。

我当年选这个题的时候，主要是看中三点：第一，天气数据是典型的时间序列数据，可以讲清楚回归、分类、特征工程这些核心概念；第二，公开数据集非常多，不需要自己爬虫采集，省掉大量时间；第三，预测结果可以用图表直观呈现，"温度预测曲线"这种图放在答辩PPT里，比一堆准确率数字有说服力得多。

但这里有个很容易踩的坑：很多人把"天气预测"理解成"预测明天会不会下雨"，然后直接套分类模型。其实天气预测可以拆成好几个方向——预测具体温度（回归问题）、预测天气类别（分类问题）、预测未来多天的变化趋势（时间序列问题）。不同方向对应的模型、评估指标、代码结构完全不同。我建议期末大作业选"温度预测"作为主任务，因为回归任务评估起来直观，MSE和R²讲起来不费劲，而且还能顺带演示特征相关性分析，内容非常充实。

一句话总结这个选题的定位：它是一个"数据预处理占大头、模型不必太复杂、结果容易可视化"的典型入门级机器学习项目，特别适合一个人在一到两周内从零完成。

2. 数据从哪来：三步搞定数据集，不用爬虫也不用手敲

数据集是整个作业的地基，但大部分同学的误区是一上来就想着爬天气网站，结果爬虫反爬、字段解析、数据清洗折腾了三天，机器学习本身反而没时间写了。其实有两条更靠谱的路，我分别说一下。

2.1 最省事方案：直接用现成的CSV数据集

Kaggle和GitHub上有很多现成的天气历史数据集，最经典的是"Daily Weather Observations"这类，字段通常包括日期、最低温度、最高温度、平均温度、湿度、气压、风速、天气状况等。这类数据集的优势是已经做过基本清洗，缺失值不多，拿来就能用。

如果你用的是国内网络环境，Kaggle有时候访问不太稳定，还有一个替代办法：直接用Python的第三方库 sklearn 自带的波士顿房价数据集练手？不行，那个和天气没关系。我建议你搜索"weather dataset csv"或者直接去GitHub找"weather prediction dataset"，很多仓库直接提供了 weather.csv ，下载下来就能用。实在不行， seaborn 库自带了一个叫 flights 的数据集，虽然不是天气，但结构可以作为模拟数据来练代码流程。

我的经验是：直接把数据集文件放进项目文件夹，用 pd.read_csv() 读进来，先别管数据质量，跑通整个流程之后，再回头处理异常值。

2.2 兜底方案：自己构造一份带时间趋势的模拟数据

如果你实在找不到合适的数据集，或者想展示自己"造数据"的能力（这个在答辩时反而可能是加分项），可以用Python手动生成一份带季节周期和随机噪声的温度数据：

import numpy as np
import pandas as pd

# 生成365天的日期序列
dates = pd.date_range(start='2023-01-01', periods=365, freq='D')
# 温度：以年为周期，平均15度，振幅12度
day_of_year = dates.dayofyear.values
temperature = 15 + 12 * np.sin(2 * np.pi * day_of_year / 365) + np.random.normal(0, 2, 365)

df = pd.DataFrame({'date': dates, 'temperature': temperature})
df.to_csv('weather_simulated.csv', index=False)

这样生成的模拟数据自带明显的季节性规律，线性回归、决策树都能拟合出不错的趋势，用来交作业完全够用。但注意，如果导师对数据真实性有要求，你必须在文档里写清楚"这是模拟数据，用于演示建模流程"，别误导人。

2.3 拿到数据后的第一件事：先画图，别急着建模

这是很多新手最容易忽略的一步。数据读进来第一件事应该是做探索性数据可视化（EDA），把温度随时间的折线图、湿度和温度的关系散点图画出来，一方面你能直观判断数据是否合理，另一方面这些图可以直接放进报告里，作为"数据探索"章节的内容。

我常用的代码很简单：

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False

df['temperature'].plot(figsize=(12, 4), title='温度时序图')
plt.xlabel('日期')
plt.ylabel('温度（°C）')
plt.show()

注意：中文乱码是Python可视化的老问题，如果运行环境是Linux服务器，SimHei字体经常不存在，建议改成设置中文字体路径，或者干脆把图例和标题写成英文，省心不少。

3. 特征工程怎么做：从"日期字符串"里挖出四个有效特征

数据拿到之后，真正的机器学习工作才开始。天气数据里最有价值的信息往往藏在"日期"这一个字段里，很多新手直接把这个字段删掉，等于把最重要的特征丢了。

3.1 把日期拆解成可用的数值特征

日期本身是字符串，模型不认识，但我们可以从日期中提取出多个数值特征：

df['year'] = df['date'].dt.year
df['month'] = df['date'].dt.month
df['day'] = df['date'].dt.day
df['dayofyear'] = df['date'].dt.dayofyear

其中 dayofyear （一年中的第几天）是最有价值的特征，因为温度随季节变化本质上就是随 dayofyear 变化的。有了这个特征，线性回归就能学到一个近似正弦的曲线。另外， month 和 day 可以作为辅助特征，让模型学到月内的小波动。

如果你想让模型更强大，还可以构造"滞后特征"，也就是前一天的天气值。比如用"昨天的温度"来预测"今天的温度"，这在时间序列预测里非常常用：

df['temp_yesterday'] = df['temperature'].shift(1)
df = df.dropna()  # 删除第一行（因为没有前一天数据）

3.2 相关性分析：让你的报告有说服力

做特征工程之后，强烈建议做一次相关性分析，输出一张热力图。这不仅是建模前的必要步骤，更是报告中"分析特征与目标变量关系"这一章节的天然素材。

import seaborn as sns

corr = df[['temperature', 'month', 'day', 'dayofyear', 'temp_yesterday']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('特征相关性热力图')
plt.show()

正常情况下你会发现 dayofyear 和 temp_yesterday 与目标温度的相关性都很高，而 day 几乎不相关。这个结果就能支撑你后面的建模策略：核心特征用 dayofyear 和 temp_yesterday ，次要特征可以尝试加 month 。

3.3 特征工程的三个坑

• 坑一： shift(1) 之后不删空值，模型会报错（NaN没法训练），而且很多人会忘记这件事。
• 坑二：训练集和测试集切分时，时间序列数据不能随机打乱！必须按时间顺序切分，比如前80%作训练，后20%作测试。随机切分会导致"用未来的数据预测过去"，结果虚高，答辩时一问就露馅。
• 坑三：标准化和归一化不能在整个数据集上做，要先fit训练集再transform测试集，否则会有数据泄漏。虽然树模型不在乎这个，但如果用了线性回归或SVR，这个错误会导致评估结果偏乐观。

4. 模型选型和对比：线性回归、决策树、随机森林谁更适合

天气温度预测本质是回归任务，可选的模型很多，但大作业不需要上深度学习，经典机器学习模型完全足够。我建议至少对比三个模型，这样报告里可以画对比表格，显得考虑全面。

4.1 三个模型的基本定位

线性回归是最简单的基准模型，它假设特征和目标之间是线性关系。由于 dayofyear 和温度之间本质是正弦关系，线性回归只能学到一个整体趋势，精度不会太高，但它的可解释性最强，答辩时你可以指着回归系数说"dayofyear每增加一天，温度平均变化多少"，这种东西很加分。

决策树可以捕捉非线性关系，拟合能力比线性回归强，但单棵树的泛化能力一般，容易过拟合。随机森林是决策树的集成版本，通过多棵树投票降低方差，通常在结构化数据上是默认首选。对天气温度预测这种数据量不大的任务，随机森林效果往往最好。

4.2 完整训练和评估代码

我给出一个可以直接复制的训练脚本，包含数据切分、模型训练、评估指标计算：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error, r2_score

features = ['month', 'day', 'dayofyear', 'temp_yesterday']
X = df[features]
y = df['temperature']

# 时间序列切分：按顺序切，不shuffle
split_idx = int(len(df) * 0.8)
X_train, X_test = X.iloc[:split_idx], X.iloc[split_idx:]
y_train, y_test = y.iloc[:split_idx], y.iloc[split_idx:]

models = {
    'LinearRegression': LinearRegression(),
    'DecisionTree': DecisionTreeRegressor(max_depth=6, random_state=42),
    'RandomForest': RandomForestRegressor(n_estimators=100, max_depth=10, random_state=42)
}

for name, model in models.items():
    model.fit(X_train, y_train)
    pred = model.predict(X_test)
    mse = mean_squared_error(y_test, pred)
    r2 = r2_score(y_test, pred)
    print(f"{name}: MSE={mse:.4f}, R²={r2:.4f}")

4.3 结果解读与模型调参

运行之后，你大概率会看到线性回归R²在0.7到0.8之间，决策树和随机森林能到0.9以上。这个结果非常理想：既有差距可以对比，又不会差距大到让人觉得数据有问题。

调参方面，新手别一上来就GridSearchCV网格搜索，那是耗时大户。先把 max_depth 控制在5到15之间， n_estimators 设为100左右就够了。如果发现训练集R²远高于测试集R²，说明过拟合了，减小 max_depth ；如果两者都低，说明特征不够，回去检查特征工程。

有一个提升效果的简单技巧：加入"月份"作为类别特征并做独热编码，同时把 dayofyear 做周期变换（比如 sin(2π * dayofyear / 365) ），线性回归也能拟合出很好的季节性曲线：

df['sin_dayofyear'] = np.sin(2 * np.pi * df['dayofyear'] / 365)
df['cos_dayofyear'] = np.cos(2 * np.pi * df['dayofyear'] / 365)

4.4 可视化：画一张预测值对比真实值的散点图

模型跑完，一定要有可视化结果。我推荐画出测试集上的"真实值vs预测值"散点图，或者时间序列对比折线图。后者更直观，一眼就能看出预测曲线跟着真实曲线走，这张图就是你报告的核心成果图。

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 5))
plt.plot(y_test.values[:100], label='真实温度', marker='o', markersize=3, linestyle='-')
plt.plot(pred[:100], label='预测温度', marker='x', markersize=3, linestyle='--')
plt.xlabel('样本序号')
plt.ylabel('温度（°C）')
plt.title('随机森林模型：真实温度 vs 预测温度')
plt.legend()
plt.show()

5. 源码结构和文档撰写：大作业能不能拿高分，看的是这层"包装"

很多同学代码写得不错，但最后成绩不理想，问题出在交付物组织太乱。期末大作业的评分通常看三样东西：源码能否直接运行、文档是否完整、答辩能否讲清楚。下面一个个说。

5.1 推荐的项目目录结构

一个清晰的项目目录能让老师对你的印象分直接上一个档次：

weather_prediction/
├── data/
│   ├── weather.csv                 # 原始数据集
│   └── weather_processed.csv       # 清洗后的数据
├── src/
│   ├── data_preprocessing.py       # 数据预处理和特征工程
│   ├── train_model.py              # 模型训练和评估
│   └── visualize.py                # 可视化
├── output/
│   ├── correlation_heatmap.png     # 相关性热力图
│   ├── prediction_curve.png        # 预测结果曲线图
│   └── model_comparison.csv        # 模型对比结果
├── requirements.txt                # 依赖库列表
├── README.md                       # 项目说明
└── 实验报告.docx

如果导师允许用Jupyter Notebook，也可以改成单个 .ipynb 文件，分块展示数据探索、特征工程、建模、评估全流程。用Notebook的好处是代码和图示混排，文档都不用单独写图表解释了，但坏处是代码容易变成"面条式"，我建议还是用py脚本+报告的经典结构。

5.2 requirements.txt 怎么写

这个文件一定要有，它保证老师在别的电脑上能直接复现你的环境。内容不需要写死版本号，但最好指定大版本：

numpy>=1.21
pandas>=1.3
matplotlib>=3.5
seaborn>=0.11
scikit-learn>=1.0

5.3 文档说明怎么写：不要写"这是一个天气预测项目"这种废话

实验报告或项目文档，最忌讳大段空话。我见过很多同学写"本项目使用了机器学习技术，通过Python实现天气预测，达到良好效果"，这种话一点信息量都没有。我建议报告按以下逻辑组织，每章都要有实际数据和结论支撑：

• 项目背景：为什么选这个题，目标是什么（预测明天的最高温度？还是预测未来7天温度？）
• 数据来源与探索：数据多少条、哪些字段、有没有缺失值、数据的分布图
• 特征工程：构造了哪些特征，相关性分析结果
• 建模与评估：用了哪些模型，评估指标（MSE、R²）对比表格
• 结论与展望：哪个模型最好，为什么，后续可以怎么改进

其中"评估指标对比表格"是报告的杀手锏，建议直接用Markdown语法放进文档：

模型	MSE	R²
线性回归	5.23	0.76
决策树	2.41	0.89
随机森林	1.87	0.91

5.4 README.md 是给老师的第一印象

README不要写太长，但要让人三分钟能跑起来。我建议写五块内容：项目简介（3句话）、环境依赖、运行方法（先执行哪个脚本再执行哪个）、数据集说明、结果展示。运行方法部分要精确到命令行：

pip install -r requirements.txt
python src/data_preprocessing.py
python src/train_model.py
python src/visualize.py

5.5 答辩时会被问到的三个高频问题

提前准备这三个问题的答案，答辩就成功了一半：

1. 为什么不用LSTM等深度学习模型？——回答：大作业数据量较小，经典机器学习模型在精度和计算资源上性价比更高，并且可解释性更强。如果一定要提LSTM，可以说"后续可以扩展的方向"。
2. 为什么用R²而不是只用准确率？——回答：这是回归任务，准确率没有意义，R²表示模型解释了目标变量方差的百分比。
3. 数据量这么少，会不会过拟合？——回答：用了交叉验证和限制树的深度来控制过拟合，测试集上的表现证明泛化能力较好。

6. 踩坑实录：我在写这个项目时遇到的5个真实问题

6.1 日期解析报错

读CSV时如果日期列是字符串格式，直接 pd.to_datetime() 有时候会报 Unknown string format 。解决方法是加上 format 参数：

df['date'] = pd.to_datetime(df['date'], format='%Y-%m-%d')

这个问题通常在数据来自不同地区、日期格式混合（比如有的是 2023/1/1 ，有的是 2023-01-01 ）时出现。一个更省心的办法是用 pd.to_datetime(df['date'], errors='coerce') ，解析失败会变成NaT，然后再删掉这些行。

6.2 中文乱码改了字体还是报错

Windows下SimHei字体一般没问题，但如果你用的是Mac或Linux，SimHei不存在，图表中的中文会变成方块。解决方案是改用系统自带中文字体，Mac下用 Arial Unicode MS ，Linux下可以先查一下 fc-list :lang=zh 列出可用字体。另外 axes.unicode_minus=False 一定要加，否则负号会显示成方框。

6.3 模型评估结果"好得离谱"

如果你发现R²接近0.99，先别高兴。大概率触发了数据泄漏。常见原因有两个：一是随机切分测试集导致未来数据混入训练集；二是在整个数据集上做了标准化再切分。检查办法很简单：把预测值和真实值画散点图，如果点完美落在对角线上，基本可以确定泄漏了。

6.4 shift(1) 导致最后一行预测不了

这是时间序列预测特有的问题：你用了 temp_yesterday 做特征，意味着预测时需要知道前一天的温度，这在实际应用场景中有局限。如果答辩老师问到"那我想预测未来7天怎么办"，你可以回答：第一天的预测可以用真实值，后续天数的预测值可以作为输入递推下去。这个回答不仅化解了问题，还展示了你的思考深度。

6.5 随机森林训练超慢

如果数据集有几十万行，随机森林在单机上可能跑几分钟。大作业一般不需要那么多数据，你可以用 df.sample(n=20000, random_state=42) 抽样，或者减少 n_estimators 到50。如果还是慢，检查一下是不是特征里混进了字符串类型，模型会把字符串当成类别，导致树的分裂计算量暴增。

7. 最终交付：这份代码还能怎么扩展

如果你时间充裕，想让这份大作业更有亮点，我推荐三个低成本扩展方向，每个都不需要太多额外代码，但能明显提升项目的完整度。

第一个方向是引入更多的气象字段。如果原始数据里有湿度、风速、气压，可以把它们都作为特征加入模型，然后做一个"仅用日期特征"和"日期+气象特征"的对比实验，证明气象数据对预测精度有提升。这个对比本身就是一段很漂亮的实验分析。

第二个方向是做一个简单的可视化交互界面。用Streamlit或Flask写一个20行代码的网页，用户输入日期，返回预测温度。这种"能跑起来的Demo"在答辩现场演示效果远胜于PPT里的截图。Streamlit的代码非常简洁：

import streamlit as st
st.title('天气温度预测')
day = st.date_input('选择日期')
pred = model.predict(...)
st.write(f'预测温度: {pred[0]:.1f} °C')

第三个方向是预测多个气象变量，比如同时预测温度和湿度，用多输出回归模型 MultiOutputRegressor 包装一下即可。这能体现你对机器学习更深入的理解。

不过提醒一句：扩展可以做，但不要喧宾夺主。大作业的核心始终是主线流程——数据、特征、模型、评估、结论，把这五步的每一步做扎实，拿到一个好的成绩完全不成问题。

我自己的实际体会是，天气预测这个选题最大的价值不是算法有多深，而是它帮助你完整走了一遍"从原始数据到模型落地"的机器学习全流程。这个过程走完，你再去学深度学习或者其他算法，会发现很多东西都通了。这也是为什么我愿意花这么多篇幅把它讲透——它真的值得每个选它的人认真做一次。

本文还有配套的精品资源，点击获取