R语言天气可视化应用

在很多人看来，R语言还只是个玩具，完全不具备企业级应用的能力。说这些话的人，根本就不了解R语言，更不清楚如何做企业级应用开发。从我最早接触R语言时，就把R做为可视化引擎嵌入到了晒粉丝的微博应用中；后来又开发了数据挖掘算法竞赛网站，并把R语言做为算法引擎，并支持在线编程及运行；我做的第三个R语言应用就是本文要给大家分享的每日中国天气微博应用，这次同样是把R做为可视化引擎，并让R完成爬虫、XML文档解析及数据处理等的任务；当然，我还实现了第四个、第五个、第六个以R为核心的应用，都是量化投资方面的，会在下一本书《R的极客理想-量化投资篇》再介绍给大家。
从我的使用经验来看，R语言已经具备了企业级应用的能力，但我并不是要用R语言完成所有编程任务。在我的项目环境中，大都是多种编程语言配合使用的，只有发挥各自语言的特性优势，才是未来的发展方向。
本文所介绍的每日中国天气微博应用开发，将分为3篇介绍R语言和PHP语言的混合编程，第一篇为R语言功能实现，第二篇为R包开发，第三篇为用PHP构建微博应用。本文是第一篇。
目录
    项目介绍
    系统架构设计
    R语言程序现实
1. 项目介绍
谈到多语言混编，同如在计算机领域跨学科一样，是我所一直倡导一种工作模式。当编程语言百花齐放，各种细分市场的小众语言如雨后春笋般地成长起来，比起通用型编程语言来说，这些小众语言在特定的领域中有着非常明显的优势。 比如统计应用，如果用Java写个逻辑回归程序感觉深不见底，而用R语言实现逻辑回归就是个很平常的一件事情。 再比如做一个Web网站，用PHP或Nodejs实现轻而易举，如果用Java做不仅代码量大，而且程序复杂。 所以，对于一个应用来说，一种通用的语言并不一定是最好的解决方案，如果能实现多种语言的结合，那么你做出来的应用可以很酷，很不一样！
对于本文要介绍的 每日中国天气 这个新浪微博应用，就是一种多语言混编的实现。
项目介绍
这个项目的出发点很简单，就是通过可视化技术，展示中国每个省份的天气情况，给准备旅游的朋友，提供一种出行的提示。
要做实现这个应用，我们首先要列出，要实现哪些功能，会遇到哪些问题等。
    天气数据：数据从哪里找到，如何下载，如何存储。
    定时任务：天气数据需要每日更新，图片需要每日新生成。
    地图和天气可视化：要把中国行政区图和天气数据结合在一起画图，让用户一眼就能看明白。
    Web展示：通过可视化技术，我们生成的只是一张静态图片，如何发布到Web端进行展示。
    微博：通过结合新浪微博，让更多的用户看到并使用这个应用。
    用户交互：用户可以查看不同日期、不同类型的图片，用户还可以通过微博分享。
    虽然是个很小的应用，但五脏俱全，我们也需要完整的思考，如何才能实现这个应用呢！
2. 系统架构设计
从上面的功能描述中，单独使用一种语言也可以实现的。 如果单独用PHP开发，做一个Web网站非常容易，连接新浪微博也有现成的SDK可以调用，爬取数据及存储也不麻烦，那么如何实现地图和天气数据的可视化，似乎就是卡在这里了。 如果单独用R开发，爬取数据及存储同样很容易实现，地图和天气数据的可视化也是很方便就能画出来，但是用R做Web网站，那就会遇到很大的瓶颈了，因为R是单线程同步的计算模型，Web应用的高并发特点，会直接让R程序崩溃的。 所以，综合上面的问题，如果R语言和PHP语言能结合在一起使用，不仅能避开每种语言不擅长的地方，还能在擅长的领域发挥出每种语言的特性，我们将通过多语言的混编技术做出很不一样的应用来。

为了实现应用的功能需求，我们要设计一套系统架构。

系统架构解释：

    通过定时器启动爬虫程序，到Yahoo的天气数据源下载数据。

    爬虫下载数据到本地服务器进行解析，存储应用相关的数据到CSV文件。

    可视化程序，读入天气数据及地图数据，生成静态的图片作为可视化输出。

    最终用户通过新浪微博，加载Web应用，看到了可视化生成的静态图片。

    最终用户通过新浪微博分享了这个应用，让更多的人看到这个应用。

下面按照语言的优势，把应用架构以语言的特性来划分，让R语言实现爬虫、处理数据和可视化，让PHP完成Web开发、新浪API接入和用户交互。

由于我们这个应用，不需要让R和PHP直接进行通信，那么复杂度就会变得小很多了，像我之前做的晒粉丝应用，是3种语言的结合包括了R, PHP, Java，通过Java实现中间程序的调度，让R和PHP能够实现通信。

我们通过语言的划分，就可以扬长避短，让每种语言在最擅长的领域，完成最擅长的事情。

对于后台技术应用，定时器可以用Linux系统的CRON实现；然后用R语言程序来爬取数据，通过RCurl包来完成；爬取后的数据为XML格式，再通过R语言用XML包进行解析，以CSV格式进行本地存储；接下来，再用R语言处理数据，加载地图包ggmap、mapdata、maptools，最后配合plot()函数实现图片的输出，保存在本地服务器上。

对于前端的PHP应用来说，用PHP做一个Web网站很简单，使用YII快速开发框架；用PHP的新浪微博SDK进行API操作，实现新浪登陆，新浪分享等功能；最后Nginx + Spawn构建出PHP运行时环境，让Nginx完成负载均衡和图片加载，并配合PHP的访问规则，实现功能的切换。

合理的架构设计加上适应的语言的分工，就能轻松实现了 每日中国天气 这样的一个微博应用。其实，我们可以用这种多语言混搭的方式，创建出各种创新型的网站应用，但前提是先能掌握多种语言。

这里我想再多说一句，通常我认识的程序员，都是在自己的技术领域中无限畅快，一旦他们掌握了一种语言的核心技术，并有了一些开发经验后，往往不愿意再去学第二种语言。 对这些人来说，总觉得自己就是世界的中心，自己有能力实现的所有的功能。这些也都是有理想的程序员，只不过他们进入了一个误区，被现有的技术给迷住了，看不到、也不愿意看到外面的世界已经变了。我曾经就是这样的！

我承认Java是一种无所不能的编程语言，但是如果你所有程序都用Java实现，难道不觉得又费时又费力吗？通用性越强，反而专有领域的应用性就越差。这也是我从Java单一的技术路线走出来的原因。其实，在精通一门语言后，再去学习另外一门新的语言，就不是那么难了。但如果只是沉醉于已掌握的技术，很快就会被一代新人，一代新工具所超越的。

3. R语言程序现实

下面就开始介绍R语言的部分程序开发，在写代码之前，我们需要先梳理开发流程，做一下程序设计，R语言都需要实现哪些功能，用到哪些第三方R包。

我用一幅图来说明程序之间的调用关系，R语言的程序实现一共包括了6个部分，爬虫程序、本地存储，地图加载、数据可视化处理、生成静态图、生成可交互的静态图。

上图中，分别标出了每个步骤用的到R包或者功能函数，同时我们可以按照这个流程来定义功能函数，这样我们就把整个应用程序都规划好，最后再对应的写代码就不难了。


3.1 爬虫部分

对于爬虫部分来说，就是定时下载每个城市的或地区的天气数据，并解析数据，只保留我们需要的字段，并以CSV的格式存储。互联网上有很多免费公开的天气数据源，对我来说，最方便的数据源有2个，一个是Yahoo的天气数据，另一个Google的天气数据，但由于Google的API从中国大陆会经常会访问不到，所以我在这里选择Yahoo的天气数据源进行访问。

yahoo天气数据源的访问地址，如下所示。

http://weather.yahooapis.com/forecastrss?w=WOEID

其中WOEID代表城市对应的代码，如果想查看北京的天气数据，北京对应的WOEID为2151330，可以访问用浏览器访问 http://weather.yahooapis.com/forecastrss?w=2151330 。

我们通过浏览器打开地址，就可以看到这个数据，数据是以XML格式进行发布的。

我们要解析这个XML文件，从中找到我们需要数据进行提邓。在R语言中，通过RCurl包实现HTTP的网络访问，抓取到整个的XML文档数据，然后通过XML包解析XML文档的DOM树，就能找到我们需要的数据了。

本文的系统环境

    Win7 64bit

    R: 3.1.1 x86_64-w64-mingw32/x64 (64-bit)

当我们把业务逻辑和技术实现都想清楚了，就可以动手写代码了，只十几行代码就能完成爬虫和XML文档解析的功能。

> library(RCurl)        # 加载类库
> library(XML)
>
> getWeather<-function (x){
+     url<-paste('http://weather.yahooapis.com/forecastrss?w=',x,'&u=c',sep="")       # yahoo的数据源地址
+     doc = xmlTreeParse(getURL(url),useInternal = TRUE)                              # 解析XML文档
+
+     ans<-getNodeSet(doc, "//yweather:atmosphere")
+     humidity<-as.numeric(sapply(ans, xmlGetAttr, "humidity"))                       # 温度
+     visibility<-as.numeric(sapply(ans, xmlGetAttr, "visibility"))                   # 能见度
+     pressure<-as.numeric(sapply(ans, xmlGetAttr, "pressure"))                       # 气压
+     rising<-as.numeric(sapply(ans, xmlGetAttr, "rising"))                           # 气压变动
+
+     ans<-getNodeSet(doc, "//item/yweather:condition")
+     code<-sapply(ans, xmlGetAttr, "code")                                           # 天气情况
+
+     ans<-getNodeSet(doc, "//item/yweather:forecast[1]")
+     low<-as.numeric(sapply(ans, xmlGetAttr, "low"))                                 # 最高气温
+     high<-as.numeric(sapply(ans, xmlGetAttr, "high"))                               # 最低气温
+
+     print(paste(x,'==>',low,high,code,humidity,visibility,pressure,rising))
+     cbind(low,high,code,humidity,visibility,pressure,rising)                        # 以data.frame格式返回
+ }

运行程序，查看返回结果。

> w<-getWeather(2151330)    # 执行爬虫程序
[1] "2151330 ==> 9 13 21 59 4.1 1016.4 0"

> w                         # 返回的结果集
     low high code humidity visibility pressure rising
[1,] "9" "13" "21" "59"     "4.1"      "1016.4" "0"

对于功能需求来说，一个城市只保存7个字段就行了，其他的XML文档的数据可以全部过滤掉不管。


3.2 本地存储

我们通过爬虫下载并过滤后的数据，已经是data.frame的格式了，通过write.csv()函数就把这些数据输出到本地文件系统中保存起来，做为数据的备份。

我们在处理本地存储的过程中，除了要生成一个CSV文件，还包括了 文件命名，把多个城市的数据合并到一个文件存储的问题。下面我们需要再定义两个函数，filename()函数用于新生成文件的命名，loadDate()函数用于多个城市数据的加载，合并在一个文件中保存。

城市列表应该是我们需要提单准备好的，我这里只选取了中国的34个城市作为我们要获得的城市天气数据的信息。如果想爬取更多的城市天气数据的信息，那么补充这个列表就行了。

城市列表数据文件WOEID.csv。

beijing,2151330,北京,北京市,116.4666667,39.9
shanghai,2151849,上海,上海市,121.4833333,31.23333333
tianjin,2159908,天津,天津市,117.1833333,39.15
chongqing,20070171,重庆,重庆市,106.5333333,29.53333333
harbin,2141166,哈尔滨,黑龙江省,126.6833333,45.75
changchun,2137321,长春,吉林省,125.3166667,43.86666667
shenyang,2148332,沈阳,辽宁省,123.4,41.83333333
hohhot,2149760,呼和浩特,内蒙古自治区,111.8,40.81666667
shijiazhuang,2171287,石家庄,河北省,114.4666667,38.03333333
wulumuqi,26198317,乌鲁木齐,新疆维吾尔自治区,87.6,43.8
lanzhou,2145605,兰州,甘肃省,103.8166667,36.05
xining,2138941,西宁,青海省,101.75,36.63333333
xian,2157249,西安,陕西省,108.9,34.26666667
yinchuan,2150551,银川,宁夏回族自治区,106.2666667,38.33333333
zhengzhou,2172736,郑州,河南省,113.7,34.8
jinan,2168327,济南,山东省,117,36.63333333
taiyuan,2154547,太原,山西省,112.5666667,37.86666667
hefei,2127866,合肥,安徽省,117.3,31.85
wuhan,2163866,武汉,湖北省,114.35,30.61666667
changsha,26198213,长沙,湖南省,113,28.18333333
nanjing,2137081,南京,江苏省,118.8333333,32.03333333
chengdu,2158433,成都,四川省,104.0833333,30.65
guiyang,2146703,贵阳,贵州省,106.7,26.58333333
kunming,2160693,昆明,云南省,102.6833333,25
nanning,2166473,南宁,广西壮族自治区,108.3333333,22.8
lasa,26198235,拉萨,西藏自治区,91.16666667,29.66666667
hangzhou,2132574,杭州,浙江省,120.15,30.23333333
nanchang,26198151,南昌,江西省,115.8666667,28.68333333
guangzhou,2161838,广州,广东省,113.25,23.13333333
fuzhou,2139963,福州,福建省,119.3,26.08333333
taipei,2306179,台北,台湾省,121.5166667,25.05
haikou,2162779,海口,海南省,110.3333333,20.03333333
hongkong,24865698,香港,香港特别行政区,114.1666667,22.3
macau,20070017,澳门,澳门特别行政区,113.5,22.2

字段解释：

    第一列，城市的英文名

    第二列，WOEID代码

    第三列，城市的中文名

    第四列，城市所在的省中文名

    第五列，经度(默认为东经)

    第六列，纬度(默认为北纬)

用于生成数据文件的R语言的函数实现。

> filename<-function(date=Sys.time()){            # 文件根据日期来命名
+     paste(format(date, "%Y%m%d"),".csv",sep="")
+ }

> loadDate<-function(date){                       # 读取城市列表，调用爬虫函数，合并数据保存到一个文件中。
+     print(paste('Date','==>',date))
+     city<-read.csv(file="WOEID.csv",header=FALSE,fileEncoding="utf-8", encoding="utf-8")  # 加载城市列表
+     names(city)<-c("en","woeid","zh",'prov','long','lat')
+     city<-city[-nrow(city),]
+
+     wdata<-do.call(rbind, lapply(city$woeid,getWeather))
+     w<-cbind(city,wdata)
+     write.csv(w,file=filename(date),row.names=FALSE,fileEncoding="utf-8")
+ }

运行程序loadDate()的函数，程序会根据城市列表的数据，调用getWeather()函数自动爬取我们定义的所有城市的天气数据。

> date=Sys.time();date              # 选择日期
[1] "2014-10-01 13:01:08 CST"

> loadDate(date)                    # 爬取数据
[1] "Date ==> 2014-10-01 13:01:08"
[1] "2151330 ==> 9 13 21 59 4.1 1016.4 0"
[1] "2151849 ==> 18 23 30 57 9.99 1015.92 0"
[1] "2159908 ==> 12 22 30 58 9.99 1017 0"
[1] "20070171 ==> 16 22 26 79 NA 1013.6 0"
[1] "2141166 ==> 2 13 34 29 9.99 1015.92 0"
[1] "2137321 ==> 3 6 11 81 9.99 1015.92 1"
[1] "2148332 ==> 7 16 34 27 9.99 1015.92 0"
[1] "2149760 ==> 4 19 30 59 9.99 982.05 0"
[1] "2171287 ==> 12 14 11 94 2.49 982.05 2"
[1] "26198317 ==> 12 23 34 52 9.99 1015.92 2"
[1] "2145605 ==> 6 17 20 82 8 812.73 0"
[1] "2138941 ==> 3 21 32 63 9 745.01 0"
[1] "2157249 ==> 13 23 11 91 2.99 1017.9 0"
[1] "2150551 ==> 8 22 28 60 7 1016.8 0"
[1] "2172736 ==> 13 19 32 52 8 1015.92 0"
[1] "2168327 ==> 14 22 32 49 NA 1017 0"
[1] "2154547 ==> 9 18 20 88 1.59 982.05 2"
[1] "2127866 ==> 17 23 34 60 9.99 1015.92 2"
[1] "2163866 ==> 19 26 28 78 6 982.05 2"
[1] "26198213 ==> 21 28 28 65 9.99 982.05 2"
[1] "2137081 ==> 15 23 34 57 9.99 1015.92 2"
[1] "2158433 ==> 19 27 20 69 4.01 1015.92 0"
[1] "2146703 ==> 18 26 28 73 9.99 1015.92 0"
[1] "2160693 ==> 13 23 28 64 9.99 1015.92 2"
[1] "2166473 ==> 24 32 30 62 9.99 982.05 0"
[1] "26198235 ==> -1 15 30 50 NA 643.41 0"
[1] "2132574 ==> 16 23 30 53 9.99 1015.92 0"
[1] "26198151 ==> 21 27 20 75 7 1016.4 0"
[1] "2161838 ==> 25 31 28 58 8 982.05 2"
[1] "2139963 ==> 21 29 28 65 9.99 982.05 0"
[1] "2306179 ==> 24 28 28 70 9.99 982.05 0"
[1] "2162779 ==> 24 31 30 58 9.99 982.05 0"
[1] "24865698 ==> 26 30 30 59 9.99 982.05 2"

程序运行完成后，会在当前目录生成一个名字为20141001.csv文件。打开20141001.csv文件，这个文件就是接下来用于生成可视化图片的基础数据了。

"en","woeid","zh","prov","long","lat","low","high","code","humidity","visibility","pressure","rising"
"beijing",2151330,"北京","北京市",116.4666667,39.9,"9","13","21","59","4.1","1016.4","0"
"shanghai",2151849,"上海","上海市",121.4833333,31.23333333,"18","23","30","57","9.99","1015.92","0"
"tianjin",2159908,"天津","天津市",117.1833333,39.15,"12","22","30","58","9.99","1017","0"
"chongqing",20070171,"重庆","重庆市",106.5333333,29.53333333,"16","22","26","79",NA,"1013.6","0"
"harbin",2141166,"哈尔滨","黑龙江省",126.6833333,45.75,"2","13","34","29","9.99","1015.92","0"
"changchun",2137321,"长春","吉林省",125.3166667,43.86666667,"3","6","11","81","9.99","1015.92","1"
"shenyang",2148332,"沈阳","辽宁省",123.4,41.83333333,"7","16","34","27","9.99","1015.92","0"
"hohhot",2149760,"呼和浩特","内蒙古自治区",111.8,40.81666667,"4","19","30","59","9.99","982.05","0"
"shijiazhuang",2171287,"石家庄","河北省",114.4666667,38.03333333,"12","14","11","94","2.49","982.05","2"
"wulumuqi",26198317,"乌鲁木齐","新疆维吾尔自治区",87.6,43.8,"12","23","34","52","9.99","1015.92","2"
"lanzhou",2145605,"兰州","甘肃省",103.8166667,36.05,"6","17","20","82","8","812.73","0"
"xining",2138941,"西宁","青海省",101.75,36.63333333,"3","21","32","63","9","745.01","0"
"xian",2157249,"西安","陕西省",108.9,34.26666667,"13","23","11","91","2.99","1017.9","0"
"yinchuan",2150551,"银川","宁夏回族自治区",106.2666667,38.33333333,"8","22","28","60","7","1016.8","0"
"zhengzhou",2172736,"郑州","河南省",113.7,34.8,"13","19","32","52","8","1015.92","0"
"jinan",2168327,"济南","山东省",117,36.63333333,"14","22","32","49",NA,"1017","0"
"taiyuan",2154547,"太原","山西省",112.5666667,37.86666667,"9","18","20","88","1.59","982.05","2"
"hefei",2127866,"合肥","安徽省",117.3,31.85,"17","23","34","60","9.99","1015.92","2"
"wuhan",2163866,"武汉","湖北省",114.35,30.61666667,"19","26","28","78","6","982.05","2"
"changsha",26198213,"长沙","湖南省",113,28.18333333,"21","28","28","65","9.99","982.05","2"
"nanjing",2137081,"南京","江苏省",118.8333333,32.03333333,"15","23","34","57","9.99","1015.92","2"
"chengdu",2158433,"成都","四川省",104.0833333,30.65,"19","27","20","69","4.01","1015.92","0"
"guiyang",2146703,"贵阳","贵州省",106.7,26.58333333,"18","26","28","73","9.99","1015.92","0"
"kunming",2160693,"昆明","云南省",102.6833333,25,"13","23","28","64","9.99","1015.92","2"
"nanning",2166473,"南宁","广西壮族自治区",108.3333333,22.8,"24","32","30","62","9.99","982.05","0"
"lasa",26198235,"拉萨","西藏自治区",91.16666667,29.66666667,"-1","15","30","50",NA,"643.41","0"
"hangzhou",2132574,"杭州","浙江省",120.15,30.23333333,"16","23","30","53","9.99","1015.92","0"
"nanchang",26198151,"南昌","江西省",115.8666667,28.68333333,"21","27","20","75","7","1016.4","0"
"guangzhou",2161838,"广州","广东省",113.25,23.13333333,"25","31","28","58","8","982.05","2"
"fuzhou",2139963,"福州","福建省",119.3,26.08333333,"21","29","28","65","9.99","982.05","0"
"taipei",2306179,"台北","台湾省",121.5166667,25.05,"24","28","28","70","9.99","982.05","0"
"haikou",2162779,"海口","海南省",110.3333333,20.03333333,"24","31","30","58","9.99","982.05","0"
"hongkong",24865698,"香港","香港特别行政区",114.1666667,22.3,"26","30","30","59","9.99","982.05","2"

数据一共有10列，字段解释：

    en，城市英文名

    woeid， Yahoo天气API定义的WOEID，用于匹配城市

    zh，城市中文名

    prov，城市所在省的中文名

    long，经度(中国处于东经，不区别东经西经)

    lat，纬度(中国处于北纬，不区别南纬北纬)

    low，最低温度

    high，最高温度

    code，天气概括代码

    humidity，湿度

    visibility，能见度

    pressure，大气压

    rising，气压变动

这样数据就准备好了，那么接下来就是把天气数据对应到中国行政区地图上了。


3.3 中国地国加载

R语言通过第三方的地图R包，可以很方便的实现基于地图的可视化或基于地理信息的数据处理。那么R语言是如何做到的呢，是通过maps, mapdata, maptools这3个包合作完成的。

我们调用maptools包的readShapePoly()函数，加载中国行政区地图的数据信息，保存在map的变量中，直接用plot()函数就可以看到可视化的效果了。地图数据是我提前下载好的，保存放在mapdata目录中，一共全部3个文件bou2_4p.dbf，bou2_4p.shp和bou2_4p.shx。

> library(maps)
> library(mapdata)
> library(maptools)

> map<-readShapePoly('mapdata/bou2_4p.shp')     # 加载中国行政区地图数据
> plot(map)                                     # 画出中国行政区图

是不是很神奇，2行就画出是中国行政区地图的轮廓，我们再继续来分析map这个变量。先检查一下的map的类型，发现是sp包中定义的SpatialPolygonsDataFrame类型的。

> class(map)                                    # 查看map对象类型
[1] "SpatialPolygonsDataFrame"
attr(,"package")
[1] "sp"

SpatialPolygonsDataFrame类型我们并不熟悉，再用pryr包的otype查检一下，面向对象系统的类型。

> library(pryr)
> otype(map)        # 发现是S4类型的data.frame
[1] "S4"

R语言基于S4的面向对象编程 http://blog.fens.me/r-class-s4/ 一文，我们已经掌握了S4类型的基础知识，在知道map是一个S4类型的实例后，大概就能猜出这个对象如何使用了。另外从命名上看，SpatialPolygonsDataFrame类型，应该是用data.frame存储了SpatialPolygons的类型的数据。 先通过length()函数和names()函数，从data.frame的角度查看一下map对象，包括7列925行。

> length(map)       # 一共有925条记录
[1] 925

> names(map)        # data.frame包括有7列
[1] "AREA"       "PERIMETER"  "BOU2_4M_"   "BOU2_4M_ID" "ADCODE93"
[6] "ADCODE99"   "NAME"

再通过str()函数查看map对象第一行数据的静态结构。

#省略

从这两个维度的观察，我们基本清楚map的结构，map里每一行是一个SpatialPolygonsDataFrame对象，包括5个属性，用于存储地图数据信息。取第一行数据data属性，查看结果，发现是黑龙江省的行政区地图数据。

> map[1,]@data
    AREA PERIMETER BOU2_4M_ BOU2_4M_ID ADCODE93 ADCODE99     NAME
0 54.447    68.489        2         23   230000   230000 黑龙江省

用第一行数据画图。

> plot(map[1,])

如果取前100行数据画图，那么应该是部分中国省的行政区地图了，果然如我所料。

> plot(map[1:100,])

由于本文并不是地图包的详细介绍，只要了解到map对象的基本使用就行了，稍后在博客中我会单独介绍用R做地图可视化的开发。

3.4 数据可视化

完成了地图数据加载后，再接下来就是数据可视化了。数据可视化，我认为要分成2部分操作，一部分是数据处理，另一部分是可视化输出。

我们先想一下要怎么进行数据处理，才能把天气数据和地图数据结合起来呢。我们的目标是要画出中国各省天气概况，会用到过之前过滤出的数据中code的数据，code的数据都是代码，我们还要定义code代码和实际意义的映射关系。

Yahoo的源数据中，一共定义了49种天气情况，如code.csv文件所示，根据描述我把相似的天气情况进行合并，最后保留18种天气概况特征。code代码映射文件为lablecode.csv。

code.csv文件。

#省略

字段解释：

    code，源数据天气特征代码

    en，英文描述

    zh，中文描述

    type，分类代码

lablecode.csv文件。

#省略

字段解释：

    type，分类代码

    alias，用于显示的别名

有了天气特征定义后，我们再把特征匹配到不同的颜色，并增加图例及文字描述，就生成了最终的中国各省天气概况的静态图片了。

#省略

运行程序，生成静态图片。

> data<-read.csv(file=filename(date),header=TRUE,fileEncoding="utf-8", encoding="utf-8")   # 定义数据源
> path=''                                                                                  # 定义输出路径
> summary(data,output=TRUE,path=path)      # 生成中国各省天气概况图
RStudioGD
        2

代码量大概100行左右，就可以生成这么复杂的天气和地图结合的图片，R真的很神奇！
3.5 可交互的静态图

这是锦上添花的一步，静态图片对于一般应用来说就够了。但如果图片还能动起来，是不是会更吸引人呢？我们可以尝试生成基于HTML5的、有动态效果的图，通过recharts包调Echarts库实现基于HTML5的动画，生成会动的可交互的图片。

由于recharts包没有发布的CRAN，我们需要用devtools包通过Github安装这个包。

> library(devtools)                     # 加载devtools
> install_github("taiyun/recharts")     # 下载安装recharts包
> library(recharts)                     # 加载recharts包

由于上面的天气概况是由离散值组成的，利用echarts的库，我们做一个连续值的可视化例子，比如白天气温和夜间气温。定义weather_html()函数，提供气温数据并调用recharts包，实现可视化的输出。

#省略

运行程序，以HTML输出中国各省白天气温。

> date<-as.Date('20141001',format='%Y%m%d')     # 设置日期
> data<-read.csv(file=filename(date),header=TRUE,fileEncoding="utf-8", encoding="utf-8")      # 加载数据
> path=''                                                                                     # 设置文件输出路径

> weather_html(data,type='high',output=FALSE,path='')           # 输出中国各省白天气温
[1] "气温"
[1] "chart path C:\\Users\\ADMINI~1\\AppData\\Local\\Temp\\RtmpqCHFPY"

程序会自动打开浏览器，呈现HTML的网页。

运行程序，以HTML输出中国各省夜间气温。在网页中，通过鼠标对地图进行交互，移动左下角的温度条，选择最高温度30，最低温度8.8，中国地图中由西南到东北变为灰色，说明这些地区的温度不在8.8到30度之间。当鼠标路过海南省的时候，海南省呈现黄色，并提示出温度为23度。
> weather_html(data,type='low', output=FALSE,path='')           # 中国各省夜间气温
[1] "气温"
[1] "chart path C:\\Users\\ADMINI~1\\AppData\\Local\\Temp\\RtmpqCHFPY"

如果不需要在浏览器中打开，只能想存储生成的网页，可以在程序中设置output为TRUE，当前目录下会生成20141001_night.html的文件。