如何用WINDOWS API 调用一个文件?求可编译运行的完整程序

Posted 2023-04-23

1、求:创建一个空白的窗口，鼠标单击客户区，能打开“记事本”文件。 2、ShellExecute(hwnd, LPCWSTR("open"), LPCWSTR("C:\WINDOWS\NOTEPAD.EXE"), NULL, NULL, SW_SHOWNORMAL); 这个函数哪里有问题?在WM_LBUTTONDOWN中调用吗?

参考技术A 1、在WM_LBUTTONDOWN中关联即可。
2、这个程序的问题在于你的路径，在c语言里，\代表转义字符，并不是真正的\，应该是\\代表一个\，所以C:\\WINDOWS\\NOTEPAD.EXE才是对的

如何用 Python 和 API 收集与分析网络数据？

 

 

 

 

 

摘自 https://www.jianshu.com/p/d52020f0c247

 

本文以一款阿里云市场历史天气查询产品为例，为你逐步介绍如何用 Python 调用 API 收集、分析与可视化数据。希望你举一反三，轻松应对今后的 API 数据收集与分析任务。

 

市场

我们尝试的，是他们找到的阿里云市场的一款 API 产品，提供天气数据。

它来自于易源数据，链接在

https://market.aliyun.com/products/57096001/cmapi010812.html?spm=5176.78296.785945.1.34095d76eCg8wb#sku=yuncode481200005

 

 

 

这是一款收费 API ，100次调用的价格为1分钱。

作为作业练习，100次调用已经足够了。

这价格，他们表示可以接受。

我自己走了一遍流程。

点击“立即购买”按钮。

你会被引领到付费页面。如果你没有登录，可以根据提示用淘宝账号登录。

支付1分钱以后，你会看到如下的成功提示。

 

之后，系统会提示给你一些非常重要的信息。

 

注意上图中标红的字段。

这是你的AppCode，是后面你调用 API 接口获取数据，最为重要的身份认证手段，请点击“复制”按钮把它存储下来。

点击上图中的商品名称链接，回到产品介绍的页面。

 

这个产品的 API 接口，提供多种数据获取功能。

学生们尝试利用的，是其中“利用id或地名查询历史天气”一项。

 

 

请注意这张图里，有几样重要信息：

• 调用地址：这是我们访问 API 的基本信息。就好像你要去见朋友，总得知道见面的地址在哪里；
• 请求方式：本例中的 GET ，是利用 HTTP 协议请求传递数据的主要形式之一；
• 请求参数：这里你要提供两个信息给 API 接口，一是“地区名称”或者“地区id”（二选一），二是月份数据。需注意格式和可供选择的时间范围。

我们往下翻页，会看到请求示例。

默认的请求示例，是最简单的 curl 。

 

 

如果你的操作系统里面已经安装了 curl （没有安装的话，可以点击这个链接，寻找对应的操作系统版本下载安装），尝试把上图中 curl 开头的那一行代码拷贝下来，复制到文本编辑器里面。

就像这样：

curl -i -k --get --include \'https://ali-weather.showapi.com/weatherhistory?area=%E4%B8%BD%E6%B1%9F&areaid=101291401&month=201601\'  -H \'Authorization:APPCODE 你自己的AppCode\'

 

然后，一定要把其中的“你自己的AppCode”这个字符串，替换为你真实的 AppCode 。

把替换好的语句复制粘贴到终端窗口里面运行。

运行结果，如下图所示：

 

 

看见窗口下方包含中文的数据了吗？

利用 API 获取数据，就是这么简单。

既然终端执行一条命令就可以，那我们干嘛还要编程呢？

好问题！

因为我们需要的数据，可能不是一次调用就能全部获得。

你需要重复多次调用 API ，而且还得不断变化参数，积累获得数据。

每次若是都这样手动执行命令，效率就太低了。

API 的提供方，会为用户提供详细的文档与说明，甚至还包括样例。

 

 

上图中，除了刚才我们使用的 curl ，还包括以下语言访问 API 接口的样例说明：

• Java
• C#
• PHP
• Python
• Object C

我们以 Python 作为例子，点开标签页看看。

 

 

你只需要把样例代码全部拷贝下来，用文本编辑器保存为“.py”为扩展名的 Python 脚本文件，例如 demo.py 。

 

 

再次提醒，别忘了，把其中“你自己的AppCode”这个字符串，替换为你真实的 AppCode，然后保存。

在终端下，执行：

python demo.py

如果你用的是 2.7 版本的 Python ，就立即可以正确获得结果了。

 

 

为什么许多学生做不出来结果呢？

我让他们实际跑了一下，发现确实有的学生粗心大意，忘了替换自己的 AppCode 。

但是大部分同学，由于安装最新版本的 Anaconda （Python 3.6版），都遇到了下面的问题：

 

 

你可能会认为这是因为没有正确安装 urllib2 模块，于是执行

pip install urllib2

你可能会看到下面的报错提示：

 

 

你也许尝试去掉版本号，只安装 urllib，即：

pip install urllib

但是结果依然不美妙：

 

 

有些 Python 开发者看到这里，可能会嘲笑我们：Python 3版本里面，urllib 被拆分了啊！地球人都知道，你应该……

请保持一颗同理心。

想想一个普通用户，凭什么要了解不同版本 Python 之间的语句差异？凭什么要对这种版本转换的解决方式心里有数？

在他们看来，官方网站提供的样例，就应该是可以运行的。报了错，又不能通过自己的软件包安装“三板斧”来解决，就会慌乱和焦虑。

更进一步，他们也不太了解 JSON 格式。

虽然，JSON已是一种非常清晰的、人机皆可通读的数据存储方式了。

他们想了解的，是怎么把问题迁移到自己能够解决的范围内。

例如说，能否把 JSON 转换成 Excel 形式的数据框？

如果可以，他们就可以调用熟悉的 Excel 命令，来进行数据筛选、分析与绘图了。

他们还会想，假如 Python 本身，能一站式完成数据读取、整理、分析和可视化全流程，那自然更好。

但是，样例，样例在哪里呢？

在我《Python编程遇问题，文科生怎么办？》一文中，我曾经提到过，这种样例，对于普通用户的重要性。

没有“葫芦”，他们又如何“照葫芦画瓢”呢？

既然这个例子中，官方文档没有提供如此详细的代码和讲解样例，那我就来为你绘制个“葫芦”吧。

下面，我给你逐步展示，如何在 Python 3 下，调用该 API 接口，读取、分析数据，和绘制图形。

环境

首先我们来看看代码运行环境。

前面提到过，如果样例代码的运行环境，和你本地的运行环境不一，计时代码本身没问题，也无法正常执行。

所以，我为你构建一个云端代码运行环境。（如果你对这个代码运行环境的构建过程感兴趣，欢迎阅读我的《如何用iPad运行Python代码？》一文。）

请点击这个链接（http://t.cn/R3us4Ao），直接进入咱们的实验环境。

你不需要在本地计算机安装任何软件包。只要有一个现代化浏览器（包括Google Chrome, Firefox, Safari和Microsoft Edge等）就可以了。全部的依赖软件，我都已经为你准备好了。

打开链接之后，你会看见这个页面。

 

 

这个界面来自 Jupyter Lab。

图中左侧分栏，是工作目录下的全部文件。

右侧打开的，是咱们要使用的ipynb文件。

根据我的讲解，请你逐条执行，并仔细观察运行结果。

本例中，我们主要会用到以下两个新的软件包。

首先是号称“给人用”（for humans）的HTTP工具包requests。

 

 

这款工具，不仅符合人类的认知与使用习惯，而且对 Python 3 更加友好。作者 Kenneth Reitz 甚至在敦促所有的 Python 2 用户，赶紧转移到 Python 3 版本。

The use of Python 3 is highly preferred over Python 2. Consider upgrading your applications and infrastructure if you find yourself still using Python 2 in production today. If you are using Python 3, congratulations — you are indeed a person of excellent taste. —Kenneth Reitz

 

我们将用到的一款绘图工具，叫做 plotnine 。

它实际上本不是 Python 平台上的绘图工具，而是从 R 平台的 ggplot2 移植过来的。

要知道，此时 Python 平台上，已经有了 matplotlib, seaborn, bokeh, plotly 等一系列优秀的绘图软件包。

那为什么还要费时费力地，移植 ggplot2 过来呢？

因为 ggplot2 的作者，是大名鼎鼎的 R 语言大师级人物 Hadley Wickham 。

 

 

他创造 ggplot2，并非为 R 提供另一种绘图工具，而是提供另一种绘图方式。

ggplot2 完全遵守并且实现了 Leland Wilkinson 提出的“绘图语法”（Grammar of Graphics），图像的绘制，从原本的部件拆分，变成了层级拆分。

 

 

这样一来，数据可视化变得前所未有地简单易学，且功能强大。

我会在后文的“代码”部分，用详细的叙述，为你展示如何使用这两个软件包。

我建议你先完全按照教程跑一遍，运行出结果。

如果一切正常，再将其中的数据，替换为你自己感兴趣的内容。

之后，尝试打开一个空白 ipynb 文件，根据教程和文档，自己敲代码，并且尝试做调整。

这样会有助于你理解工作流程和工具使用方法。

下面我们来看代码。

代码

首先，读入HTTP工具包requests。

import requests

第二句里面，有“Your AppCode here”字样，请把它替换为你自己的AppCode，否则下面运行会报错。

appcode = \'Your AppCode here\'

我们尝试获取丽江5月份的天气信息。

在API信息页面上，有城市和代码对应的表格。

位置比较隐蔽，在公司简介的上方。

 

 

我把这个 Excel 文档的网址放在了这里（http://t.cn/R3T7e39），你可以直接点击下载。

下载该 Excel 文件后打开，根据表格查询，我们知道“101291401”是丽江的城市代码。

 

 

我们将其写入areaid变量。

日期我们选择本文写作的月份，即2018年5月。

areaid = "101291401"
month = "201805"

下面我们就设置一下 API 接口调用相关的信息。

 

 

根据API信息页面上的提示，我们的要访问的网址为：https://ali-weather.showapi.com/weatherhistory，需要输入的两个参数，就是刚才已经设置的areaid和month。

另外，我们需要验证身份，证明自己已经付费了。

点击上图中蓝色的“API 简单身份认证调用方法（APPCODE）”，你会看到以下示例页面。

 

 

看来我们需要在HTTP数据头(header)中，加入 AppCode。

我们依次把这些信息都写好。

url = \'https://ali-weather.showapi.com/weatherhistory\'
payload = {\'areaid\': areaid, \'month\': month}
headers = {\'Authorization\': \'APPCODE {}\'.format(appcode)}

下面，我们就该用 requests 包来工作了。

requests 的语法非常简洁，只需要指定4样内容：

• 调用方法为“GET”
• 访问地址 url
• url中需要附带的参数，即 payload （包含 areaid和month的取值）
• HTTP数据头(header)信息，即 AppCode

r = requests.get(url, params=payload, headers=headers)

执行后，好像……什么也没有发生啊！

我们来查看一下：

r

Python 告诉我们：

<Response [200]>

返回码“200”的含义为访问成功。

回顾一下，《如何用R和API免费获取Web数据？》一文中，我们提到过：

以2开头的状态编码是最好的结果，意味着一切顺利；如果状态值的开头是数字4或者5，那就有问题了，你需要排查错误。

既然调用成功，我们看看 API 接口返回的具体数据内容吧。

调用返回值的 content 属性：

r.content

 

 

这一屏幕，密密麻麻的。

其中许多字符，甚至都不能正常显示。这可怎么好？

没关系，从 API 信息页上，我们得知返回的数据，是 JSON 格式。

 

 

那就好办了，我们调用 Python 自带的 json 包。

import json

用 json 包的字符串处理功能（loads）解析返回内容，结果存入 content_json。

content_json = json.loads(r.content)

看看 content_json 结果：

content_json

 

 

可以看到，返回的信息很完整。而且刚刚无法正常显示的中文，此时也都显现了庐山真面目。

下一步很关键。

我们把真正关心的数据提取出来。

我们不需要返回结果中的错误码等内容。

我们要的，是包含每一天天气信息的列表。

观察发现，这一部分的数据，存储在 \'list\' 中，而 \'list\' ，又存储在 \'showapi_res_body\' 里面

所以，为选定列表，我们需要指定其中的路径：

content_json[\'showapi_res_body\'][\'list\']

 

 

冗余信息都被去掉了，只剩下我们想要的列表。

但是对着一个列表操作，不够方便与灵活。

我们希望将列表转换为数据框。这样分析和可视化就简单多了。

大不了，我们还可以把数据框直接导出为 Excel 文件，扔到熟悉的 Excel 环境里面，去绘制图形。

读入 Python 数据框工具 pandas 。

import pandas as pd

我们让 Pandas 将刚刚保留下来的列表，转换为数据框，存入 df 。

df = pd.DataFrame(content_json[\'showapi_res_body\'][\'list\'])

看看内容：

df

 

 

此时，数据显示格式非常工整，各项信息一目了然。

写到这里，你基本上搞懂了，如何读取某个城市、某个月份的数据，并且整理到 Pandas 数据框中。

但是，我们要做分析，显然不能局限在单一月份与单一城市。

每次加入一组数据，如果都得从头这样做一遍，会很辛苦。而且语句多了，执行起来，难免顾此失彼，出现错误。

所以，我们需要把刚刚的代码语句整合起来，将其模块化，形成函数。

这样，我们只需要在调用函数的时候，传入不同的参数，例如不同的城市名、月份等信息，就能获得想要的结果了。

综合上述语句，我们定义一个传入城市和月份信息，获得数据框的完整函数。

def get_df(areaid, areaname_dict, month, appcode):

    url = \'https://ali-weather.showapi.com/weatherhistory\'
    payload = {\'areaid\': areaid, \'month\': month}
    headers = {\'Authorization\': \'APPCODE {}\'.format(appcode)}

    r = requests.get(url, params=payload, headers=headers)

    content_json = json.loads(r.content)

    df = pd.DataFrame(content_json[\'showapi_res_body\'][\'list\'])
    df[\'areaname\'] = areaname_dict[areaid]

    return df

注意除了刚才用到的语句外，我们为函数增加了一个输入参数，即areaname_dict。

它是一个字典，每一项分别包括城市代码，和对应的城市名称。

根据我们输入的城市代码，函数就可以自动在结果数据框中添加一个列，注明对应的是哪个城市。

当我们获取多个城市的数据时，某一行的数据说的是哪个城市，就可以一目了然。

反之，如果只给你看城市代码，你很快就会眼花缭乱，不知所云了。

但是，只有上面这一个函数，还是不够高效。

毕竟我们可能需要查询若干月、若干城市的信息。如果每次都调用上面的函数，也够累的。

所以，我们下面再编写一个函数，帮我们自动处理这些脏活儿累活儿。

def get_dfs(areaname_dict, months, appcode):
    dfs = []
    for areaid in areaname_dict:
        dfs_times = []
        for month in months:
            temp_df = get_df(areaid, areaname_dict, month, appcode)
            dfs_times.append(temp_df)
        area_df = pd.concat(dfs_times)
        dfs.append(area_df)
    return dfs

说明一下，这个函数接受的输入，包括城市代码-名称字典、一系列的月份，以及我们的 AppCode。

它的处理方式，很简单，就是个双重循环。

外层循环负责遍历所有要求查询的城市，内层循环遍历全部指定的时间范围。

它返回的内容，是一个列表。

列表中的每一项，都分别是某个城市一段时间（可能包含若干个月）的天气信息数据框。

我们先用单一城市、单一月份来试试看。

还是2018年5月的丽江。

areaname_dict = {"101291401":"丽江"}
months = ["201805"]

我们将上述信息，传入 get_dfs 函数。

dfs = get_dfs(areaname_dict, months, appcode)

看看结果：

dfs

 

 

返回的是一个列表。

因为列表里面只有一个城市，所以我们只让它返回第一项即可。

dfs[0]

这次显示的，就是数据框了：

 

 

测试通过，下面我们趁热打铁，把天津、上海、丽江2018年初至今所有数据都读取出来。

先设定城市：

areaname_dict = {"101030100":"天津", "101020100":"上海", "101291401":"丽江"}

再设定时间范围：

months = ["201801", "201802", "201803", "201804", "201805"]

咱们再次执行 get_dfs 函数。

dfs = get_dfs(areaname_dict, months, appcode)

看看这次的结果：

dfs

结果还是一个列表。

列表中的每一项，对应某个城市2018年年初到5月份本文写作时，这一段时间范围天气数据。

 

 

假设我们要综合分析几个城市的天气信息，那么就可以把这几个数据框整合在一起。

用到的方法，是 Pandas 内置的 concat 函数。

它接收一个数据框列表，把其中每一个个数据框沿着纵轴（默认）连接在一起。

df = pd.concat(dfs)

看看此时的总数据框效果：

df

这是开头部分：

 

 

这是结尾部分：

 

 

3个城市，4个多月的数据都正确读取和整合了。

下面我们尝试做分析。

首先，我们得搞清楚数据框中的每一项，都是什么格式：

df.dtypes

aqi                object
aqiInfo            object
aqiLevel           object
max_temperature    object
min_temperature    object
time               object
weather            object
wind_direction     object
wind_power         object
areaname           object
dtype: object

所有的列，全都是按照 object 处理的。

什么叫 object ？

在这个语境里，你可以将它理解为字符串类型。

但是，咱们不能把它们都当成字符串来处理啊。

例如日期，应该按照日期类型来看待，否则怎么做时间序列可视化？

AQI的取值，如果看作字符串，那怎么比较大小呢？

所以我们需要转换一下数据类型。

先转换日期列：

df.time = pd.to_datetime(df.time)

再转换 AQI 数值列：

df.aqi = pd.to_numeric(df.aqi)

看看此时 df 的数据类型：

df.dtypes

aqi                         int64
aqiInfo                    object
aqiLevel                   object
max_temperature            object
min_temperature            object
time               datetime64[ns]
weather                    object
wind_direction             object
wind_power                 object
areaname                   object
dtype: object

这次就对了，日期和 AQI 都分别变成了我们需要的类型。其他数据，暂时保持原样。

有的是因为本来就该是字符串，例如城市名称。

另一些，是因为我们暂时不会用到。

下面我们绘制一个简单的时间序列对比图形。

读入绘图工具包 plotnine 。

注意我们同时读入了 date_breaks，用来指定图形绘制时，时间标注的间隔。

import matplotlib.pyplot as plt
%matplotlib inline
from plotnine import *
from mizani.breaks import date_breaks

正式绘图：

(ggplot(df, aes(x=\'time\', y=\'aqi\', color=\'factor(areaname)\')) + geom_line() +
 scale_x_datetime(breaks=date_breaks(\'2 weeks\')) +
 xlab(\'日期\') +
 theme_matplotlib() +
 theme(axis_text_x=element_text(rotation=45, hjust=1)) +
 theme(text=element_text(family=\'WenQuanYi Micro Hei\'))
 )

我们指定横轴为时间序列，纵轴为 AQI，用不同颜色的线来区分城市。

绘制时间的时候，以“2周”作为间隔周期，标注时间上的数据统计量信息。

我们修改横轴的标记为中文的“日期”。

因为时间显示起来比较长，如果按照默认样式，会堆叠在一起，不好看，所以我们让它旋转45度角，这样避免重叠，一目了然。

为了让图中的中文正常显示，我们需要指定中文字体，这里我们选择的是开源的“文泉驿微米黑”。

数据可视化结果，如下图所示。

 

png

怎么样，这张对比图，绘制得还像模像样吧？

从图中，你可以分析出什么结果呢？

反正我看完这张图，很想去丽江。

小结

读过本教程，希望你已经掌握了以下知识：

• 如何在 API 云市场上，根据提示选购自己感兴趣的产品；
• 如何获取你的身份验证信息 AppCode ；
• 如何用最简单的命令行 curl 方式，直接调用 API 接口，获得结果数据；
• 如何使用 Python 3 和更人性化的 HTTP 工具包 requests 调用 API 获得数据；
• 如何用 JSON 工具包解析处理获得的字符串数据；
• 如何用 Pandas 转换 JSON 列表为数据框；
• 如何将测试通过后的简单 Python 语句打包成函数，以反复调用，提高效率；
• 如何用 plotnine （ggplot2的克隆）绘制时间序列折线图，对比不同城市 AQI 历史走势；
• 如何在云环境中运行本样例，并且照葫芦画瓢，自行修改。

希望这份样例代码，可以帮你建立信心，尝试自己去搜集与尝试 API 数据获取，为自己的科研工作添砖加瓦。

如果你希望在本地，而非云端运行本样例，请使用这个链接（http://t.cn/R3usDi9）下载本文用到的全部源代码和运行环境配置文件（Pipenv）压缩包。

如果你知道如何使用github，也欢迎用这个链接（http://t.cn/R3usEti）访问对应的github repo，进行clone或者fork等操作。

 

 

当然，要是能给我的repo加一颗星，就更好了。

讨论

你之前尝试过用 Python 和 API 获取数据吗？你使用了哪些更好用的软件包进行数据获取、处理、分析与可视化呢？你还使用过哪些其他的数据产品市场？欢迎留言，把你的经验和思考分享给大家，我们一起交流讨论。

喜欢请点赞。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。

如果你对数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。

 

 

ps:由于这个没有给源码，我自己画了一个图 ，欠缺的地方就是没有根据areaname分类，因为不知如何对这个做比配。

 

import urllib, sys
import ssl
import requests
import json
import pandas as pd
import matplotlib.pyplot as plt
from plotnine import *
from mizani.breaks import date_breaks
#%matplotlib inline
import matplotlib.pyplot as plt
import datetime
from matplotlib.dates import DayLocator, DateFormatter



appcode = \'68ea7c5f5aee4f66af328df6d8ec15f6\'




def get_df(areaid,areaname_dict,month,appcode):

    url = \'https://ali-weather.showapi.com/weatherhistory\'
    payload = {\'areaid\': areaid, \'month\': month}
    headers = {\'Authorization\': \'APPCODE {}\'.format(appcode)}
    r = requests.get(url, params=payload, headers=headers)
    #print(r.content)
    content_json = json.loads(r.content)
    #print(content_json)
    #print(content_json[\'showapi_res_body\'][\'list\'])

    df=pd.DataFrame(content_json[\'showapi_res_body\'][\'list\'])
    df[\'areaname\'] = areaname_dict[areaid]
    df[\'areaid\'] = areaid
    return df

def get_dfs(areaname_dict,months,appcode):
    dfs=[]
    for areaid in areaname_dict:
        dfs_times=[]
        for month in months:
            temp_df = get_df(areaid,areaname_dict,month,appcode)
            dfs_times.append(temp_df)
        area_df = pd.concat(dfs_times)
        dfs.append(area_df)
    return dfs


#areaid = "101020600"
#months = [\'201902\']

# areaname_dict={"101020600":"浦东"}
areaname_dict = {"101030100":"天津", "101020100":"上海", "101291401":"丽江"}
months = ["201801", "201802", "201803", "201804", "201805"]


dfs=get_dfs(areaname_dict,months,appcode)
df=pd.concat(dfs)
df.time = pd.to_datetime(df.time)
df.aqi = pd.to_numeric(df.aqi)
#df.areaname=pd.to(df.areaname)
print(df)
print(df.dtypes)




# pit=(ggplot(df, aes(x=\'time\', y=\'aqi\', color=\'factor(areaname)\')) + geom_line() +
#  scale_x_datetime(breaks=date_breaks(\'2 weeks\')) +
#  xlab(\'日期\') +
#  theme_matplotlib() +
#  theme(axis_text_x=element_text(rotation=45, hjust=1)) +
#  theme(text=element_text(family=\'WenQuanYi Micro Hei\'))
#  )
colors = [\'b\',\'g\',\'r\',\'orange\']






x = df.time
y = df.aqi
plt.figure(figsize=(12,6))
plt.plot(x, y,\'b\',label=\'api月分布图\')
plt.xlabel(\'日期\')
plt.ylabel(\'api\')
plt.grid(True)
# 设置X轴的时间间隔，MinuteLocator、HourLocator、DayLocator、WeekdayLocator、MonthLocator、YearLocator
plt.gca().xaxis.set_major_locator(DayLocator(interval=5))
# 设置X轴的时间显示格式
plt.gca().xaxis.set_major_formatter(DateFormatter(\'%y/%m/%d\'))
# 自动旋转X轴的刻度，适应坐标轴
plt.gcf().autofmt_xdate()
plt.show()

　最后结果

 

import urllib, sys
import ssl
import requests
import json
import pandas as pd
import matplotlib.pyplot as plt
from plotnine import *
from mizani.breaks import date_breaks
#%matplotlib inline
import matplotlib.pyplot as plt
import datetime
from matplotlib.dates import DayLocator, DateFormatter



appcode = \'68ea7c5f5aee4f66af328df6d8ec15f6\'




def get_df(areaid,areaname_dict,month,appcode):

    url = \'https://ali-weather.showapi.com/weatherhistory\'
    payload = {\'areaid\': areaid, \'month\': month}
    headers = {\'Authorization\': \'APPCODE {}\'.format(appcode)}
    r = requests.get(url, params=payload, headers=headers)
    #print(r.content)
    content_json = json.loads(r.content)
    #print(content_json)
    #print(content_json[\'showapi_res_body\'][\'list\'])

    df=pd.DataFrame(content_json[\'showapi_res_body\'][\'list\'])
    df[\'areaname\'] = areaname_dict[areaid]
    df[\'areaid\'] = areaid
    return df

def get_dfs(areaname_dict,months,appcode):
    dfs=[]
    for areaid in areaname_dict:
        dfs_times=[]
        for month in months:
            temp_df = get_df(areaid,areaname_dict,month,appcode)
            dfs_times.append(temp_df)
        area_df = pd.concat(dfs_times)
        dfs.append(area_df)
    return dfs


#areaid = "101020600"
#months = [\'201902\']

# areaname_dict={"101020600":"浦东"}
areaname_dict = {"101030100":"天津", "101020100":"上海", "101291401":"丽江"}
months = ["201801", "201802", "201803", "201804", "201805"]


dfs=get_dfs(areaname_dict,months,appcode)
df=pd.concat(dfs)
df.time = pd.to_datetime(df.time)
df.aqi = pd.to_numeric(df.aqi)
#df.areaname=pd.to(df.areaname)
print(df)
print(df.dtypes)




# pit=(ggplot(df, aes(x=\'time\', y=\'aqi\', color=\'factor(areaname)\')) + geom_line() +
#  scale_x_datetime(breaks=date_breaks(\'2 weeks\')) +
#  xlab(\'日期\') +
#  theme_matplotlib() +
#  theme(axis_text_x=element_text(rotation=45, hjust=1)) +
#  theme(text=element_text(family=\'WenQuanYi Micro Hei\'))
#  )
colors = [\'b\',\'g\',\'r\',\'orange\']

for i in len(df.areaname):
    print(i)

if df.areaname==\'天津\':
    colors=\'b\'
    print(\'tianjing\')
elif df.areaname==\'上海\':
    colors=\'g\'
    print(\'shanghai\')
elif df.areaname==\'丽江\':
    colors=\'c\'
    print(\'lijing\')




x = df.time
y = df.aqi
plt.figure(figsize=(12,6))
plt.plot(x, y,\'b\',label=\'api月分布图\')
plt.xlabel(\'日期\')
plt.ylabel(\'api\')
plt.grid(True)
# 设置X轴的时间间隔，MinuteLocator、HourLocator、DayLocator、WeekdayLocator、MonthLocator、YearLocator
plt.gca().xaxis.set_major_locator(DayLocator(interval=5))
# 设置X轴的时间显示格式
plt.gca().xaxis.set_major_formatter(DateFormatter(\'%y/%m/%d\'))
# 自动旋转X轴的刻度，适应坐标轴
plt.gcf().autofmt_xdate()
plt.show()