calplot은 파이썬에서 시계열 데이터를 시각적으로 표현할 수 있는 라이브러리입니다. 이 라이브러리를 사용하면 GitHub의 기여도 그래프와 유사한 캘린더 형태의 히트맵을 쉽게 만들 수 있습니다. 이번 포스팅에서는 Meteostat 라이브러리를 사용하여 날씨 데이터를 가져오고 캘린더 형태로 시각화하는 방법을 소개합니다. 라이브러리를 통해 연도별 데이터를 직관적으로 표현합니다. 특히, 평균 기온과 일교차를 시각화하는 과정을 다룹니다.

1 사용한 기술 및 라이브러리

• Meteostat: 기상 데이터를 편리하게 가져오는 라이브러리로, 특정 지역의 기상 관측소 데이터를 활용합니다.
• Calplot: 캘린더 형식으로 데이터를 시각화할 수 있는 강력한 도구입니다.

2 초기 설정

필요한 상수와 폰트를 설정해야 합니다. 서울 날씨를 가져오기 위해서는 GPS 좌표를 상수로 제공해야 하고 한글 폰트를 설정해 그래프에서 한글이 깨지지 않도록 합니다. 날씨 데이터는 2020년부터 2024년까지 4년치를 불러오도록 하겠습니다.

2.1 초기 설정

먼저, 필요한 상수와 한글 폰트를 설정합니다. 서울의 GPS 좌표를 기반으로 데이터를 가져오며, 한글 폰트를 설정해 그래프에서 한글이 깨지지 않도록 합니다.

from datetime import datetime

import calplot
import matplotlib.pyplot as plt
import pandas as pd
from meteostat import Daily, Point, Stations

# Constants
NAME: str = "서울" # 지역 이름
GPS: tuple[float, float] = (37.5667, 126.9667) # GPS 좌표
START: datetime = datetime(2020, 1, 1) # 조회 시작
END: datetime = datetime(2024, 12, 31) # 조회 끝

# 한글 폰트 설정
plt.rcParams['font.family'] = 'Pretendard Variable'
plt.rcParams['axes.unicode_minus'] = False

3 기상 관측소 데이터와서 편집하기

Meteostat 라이브러리를 사용하여 서울 근처 기상 관측소 데이터를 선택합니다. 날씨 데이터를 가져온 뒤에는 일교차(최고 기온(tmax)과 최저 기온(tmin)의 차이), 눈/비 여부(강수량(prcp) 또는 적설량(snow)이 있는 경우 1, 없는 경우 NaN)에 대한 데이터를 열을 추가해줍니다.

stations: Stations = Stations()

# Get nearby weather stations based on latitude and longitude
nearby_stations: Stations = stations.nearby(GPS[0], GPS[1]) # GPS 튜플 언패킹

# Fetch the first station's data
station_data: pd.DataFrame = nearby_stations.fetch(1)

# Print station information
print(f"선택된 관측소: {station_data['name'].values[0]}")

# Use the coordinates of the selected station
location: Point = Point(
 station_data['latitude'].values[0],
 station_data['longitude'].values[0]
)

# Fetch weather data
weather_data: pd.DataFrame = Daily(location, start=START, end=END).fetch()

# 일교차 계산
weather_data['diurnal_range'] = weather_data['tmax'] - weather_data['tmin']

# 눈이나 비가 온 날은 1로, 오지 않은 날은 NaN으로 표기하는 새로운 열 추가
weather_data['rain_or_snow'] = weather_data.apply(
 lambda row: 1 if (row['prcp'] > 0 or row['snow'] > 0) else float('nan'), axis=1
)

# Display the last few rows of the data
weather_data.tail()

선택된 관측소: Seoul

4 시각화 하기

4.1 평균 기온 캘린더 플롯

calplot을 사용해 연도별 평균 기온을 캘린더 형태로 시각화합니다. 색상 맵은 coolwarm으로 설정해 표현합니다.

# 데이터 시각화
calplot.calplot(weather_data['tavg'],
 cmap='coolwarm',
 yearascending=True,
 yearlabel_kws={'fontsize': 16},
 suptitle=f'{NAME} 평균 기온',
 suptitle_kws={'fontsize': 20, 'y': 1.05})
plt.show()

위 시각화 결과를 보면 2021년 1월달의 평균 기온이 유난히 낮았다는 것과 2024년 12월의 평균기온이 상당히 높다는 것을 알 수 있습니다. 그리고 여름이 계속 더워지고 있다는 추세가 보이는 것 같습니다.

4.2 일교차 캘린더 플롯

일반적으로 일교차는 봄과 가을이 심하다고 알고있는데 실제로 그런지 확인해보겠습니다. 일교차 데이터를 캘린더 플롯으로 표현하고 색상 맵은 YlGn으로 설정해 녹색 계열로 변화를 나타냅니다.

# 데이터 시각화
calplot.calplot(weather_data['diurnal_range'],
 cmap='YlGn',
 yearascending=True,
 yearlabel_kws={'fontsize': 16},
 suptitle=f'{NAME} 일교차',
 suptitle_kws={'fontsize': 20, 'y': 1.05})
plt.show()

일교차는 더운 기간(7-9월) 제외하고는 패턴을 찾기 힘들어 보입니다. 그리고 가을 보다 봄(3-4월)이 확실히 일교차가 심한 것을 알 수 있네요.

5 마치며

이 글에서는 calplot을 활용해 서울의 날씨 데이터를 효과적으로 시각화하는 방법을 보여줬습니다. calplot은 날씨 데이터 이외에도 건강 및 피트니스 데이터, 생산성 및 업무 관리 데이터, 환경 모니터링 데이터등의 시계열 데이터를 효과적으로 시각해서 데이터의 패턴과 추세를 직관적으로 파악하는 데 큰 도움을 줍니다. 그러면 데이터 분석과 의사 결정에 큰 도움이 될 것입니다. 여러분의 분야에서도 calplot을 활용해 새로운 통찰을 발견해보세요.