如何用python对全球多年气温进行线性回归并画出分布图

在Python中，我们可以使用pandas库处理全球多年的气温数据，matplotlib库用于绘制线性和分布图，而statsmodels库则可以完成线性回归分析。以下是一个简单的步骤指南：

1. **数据准备**:
- 首先，你需要获取包含全球多年气温的数据集。可以从像NASA、NOAA这样的网站下载CSV文件，或者使用公开的数据源如World Bank等。

import pandas as pd
df = pd.read_csv('global_temperatures.csv')  # 假设数据已经整理好

2. **数据清洗**:
- 检查并处理缺失值、异常值，以及确认时间序列的顺序是否正确。

df = df.dropna()  # 删除缺失值

3. **线性回归**:
- 对于年份和平均气温之间可能存在线性关系，可以提取出来做线性回归分析。

import statsmodels.api as sm

X = df['Year'].values.reshape(-1, 1)
y = df['AverageTemperature'].values

# 添加截距项
X = sm.add_constant(X)

model = sm.OLS(y, X).fit()
print(model.summary())  # 查看模型参数和统计信息

4. **结果可视化**:
- 使用matplotlib创建散点图展示原始数据，然后添加回归线。

import matplotlib.pyplot as plt

plt.scatter(df['Year'], df['AverageTemperature'])
plt.plot(df['Year'], model.predict(sm.add_constant(df['Year'])))
plt.xlabel('年份')
plt.ylabel('平均气温')
plt.title('全球气温线性回归')
plt.show()

5. **分布图**:
- 如果你想看气温的具体分布情况，可以用matplotlib的hist函数制作直方图。

plt.hist(df['AverageTemperature'], bins=10, alpha=0.5)
plt.xlabel('平均气温')
plt.ylabel('频率')
plt.title('全球平均气温分布')
plt.show()