Białe Święta – ile ich było?
Zainspirowany rozmowami przy świątecznym stole popełniłem analizę, która miała dać odpowiedź na pytanie – ile razy w ciągu mojego życia miałem okazję przeżyć „białe Święta". Czyli takie z mrozem i śniegiem.
Efektem tej analizy są 2 heatmapy, które możesz zobaczyć poniżej.
Heatmapa: Grubość pokrywy śnieżnej
Grubość pokrywy śnieżnej w okresie Świąteczno-Noworocznym w Płocku w latach 1990-2023.
Heatmapa: Temperatura
Temperatura w okresie Świąteczno-Noworocznym w Płocku w latach 1990-2023.
Analiza krok po kroku (VIDEO)
A tutaj znajdziesz nagranie, w którym krok po kroku pokazuję w jaki sposób można przeanalizować dane pogodowe i przygotować taką wizualizację.
Uwaga: Daj znać, czy taka forma treści jest dla Ciebie ciekawa. Zapis całej analizy jest długi, ale pokazuje wszystkie kroki, które były potrzebne, żeby znaleźć odpowiedź na postawione pytanie.
Narzędzia użyte w projekcie
- BigQuery - do przetwarzania i analizy danych pogodowych
- SQL - zapytania do agregacji i filtrowania danych
- Python - tworzenie wizualizacji (Pandas, Matplotlib, Seaborn)
- Google Cloud - publiczne datasety z danymi pogodowymi
Kluczowe kroki analizy
1. Pozyskanie danych
Pierwszym krokiem było znalezienie odpowiedniego źródła danych pogodowych. BigQuery oferuje publiczne datasety z danymi historycznymi NOAA (National Oceanic and Atmospheric Administration).
2. Filtrowanie okresu
Skupiłem się na okresie świąteczno-noworocznym: - 24-26 grudnia (Wigilia, pierwszy i drugi dzień Świąt) - 31 grudnia - 1 stycznia (Sylwester i Nowy Rok)
3. Agregacja danych
Zapytania SQL do agregacji: - Średniej temperatury na dzień - Grubości pokrywy śnieżnej - Filtrowanie po lokalizacji (Płock)
4. Wizualizacja w Pythonie
Użyłem biblioteki Seaborn do stworzenia heatmap, które pokazują: - Jak zmieniała się temperatura w poszczególnych latach - Kiedy faktycznie był śnieg podczas Świąt
Co pokazują wyniki?
Analizując dane z ostatnich 30+ lat można zauważyć kilka ciekawych trendów:
- Białe Święta stają się rzadsze - pokrywa śnieżna w okresie świątecznym pojawia się coraz rzadziej
- Temperatury rosną - zimy są łagodniejsze niż w latach 90.
- Większa zmienność - niektóre lata są bardzo mroźne, inne wyjątkowo ciepłe
Czy możesz to powtórzyć?
Absolutnie! Wszystkie dane są publicznie dostępne w BigQuery. Możesz:
- Zmienić lokalizację na swoją miejscowość
- Rozszerzyć zakres dat
- Dodać dodatkowe metryki (opady, ciśnienie, etc.)
- Stworzyć własne wizualizacje
Podsumowanie
To była świetna zabawa z danymi! Projekt pokazuje, jak BigQuery i Python mogą być używane do analizy rzeczywistych danych i odpowiadania na codzienne pytania.
Czy taka forma treści jest dla Ciebie ciekawa? Daj znać w komentarzach!
PS: Wszystkiego, co najlepsze w Nowym Roku! 🎊
Materiały dodatkowe
Pytania? Problemy z kodem? Śmiało pisz - chętnie pomogę! ⛄❄️