让我们来看看如何创建一个可视化，显示二氧化碳浓度如何在大气中进化。首先，我们从地球系统研究实验室网站获取如下：
将 pandas 导入为 pd
data_url = 'ftp://aftp.cmdl.noaa.gov/products/trends/co2/co2_weekly_mlo.txt'
co2_data = pd。read_csv（data_url，sep = '\ s +'，comment = '＃'，na_values = - 999.99，
names = [ 'year'，'month'，'day'，'decimal'，'ppm'，
'days'，'1_yr_ago'， '10_yr_ago'，'since_1800' ]）
co2_data [ 'timestamp' ] = co2_data。申请（拉姆达 X：PD。时间戳（年 = INT（X，年），
一个月 = INT（X。一个月），
天 = INT（X。天）），
轴 = 1）
co2_data = co2_data [[ 'timestamp'，'ppm' ]]。set_index（'timestamp'）。ffill（）
然后，我们按年份和月份对其进行分组，同时将结果存储在矩阵中，其中每个元素代表特定年份和月份的浓度：
导入 numpy 为 np
导入 matplotlib。作为plt的pyplot
从 日历 导入 month_abbr
co2_data = co2_data [ '1975'：'2018' ]
n_years = co2_data。指数。一年。max（）- co2_data。指数。一年。min（）
z = np。那些（（n_years + 1，12））* NP。分钟（co2_data。PPM）
对于 d，y 在 co2_data中。GROUPBY（[ co2_data。指数。今年，co2_data。指数。月）：
z [ co2_data。指数。一年。max（）- d [ 0 ]，d [ 1 ] - 1 ] = y。mean（）[ 0 ]
plt。图（figsize =（10，14））
plt。令pColor（NP。flipud（Ž），CMAP = 'hot_r' ）
plt。yticks（NP。人气指数（0，n_years + 1）+ 0.5，
范围（co2_data。索引。年。分钟（），co2_data。索引。年。最大（）+ 1））;
plt。xticks（NP。人气指数（13）- 0.5，month_abbr）
plt。XLIM（（0，12））
plt。colorbar（）。set_label（'大气中的二氧化碳浓度ppm'）
plt。show（）
这种可视化使我们能够一目了然地逐月比较二氧化碳水平。例如，我们看到4月到6月的时期比其他时期更快，这意味着它每年都包含最高级别。相反，从9月到10月的时期变得更加缓慢，这意味着它是二氧化碳水平最低的时期。此外，看着颜色条我们注意到43年来增加了80 ppm。
这对地球有害吗？阅读汉森等人。（2008年）我们可以将低于300 ppm的二氧化碳水平分类为安全，水平在300和350 ppm之间是危险的，而超过350 ppm的水平被认为是灾难性的。根据这一点，图表是一个悲伤的图片，说明水平如何从危险转变为灾难性的！