讓我們來看看如何創建一個可視化，顯示二氧化碳濃度如何在大氣中進化。首先，我們從地球系統研究實驗室網站獲取如下：
將 pandas 導入爲 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。申請（拉姆達 X：PD。時間戳（年 = INT（X，年），
一個月 = INT（X。一個月），
天 = INT（X。天）），
軸 = 1）
co2_data = co2_data [[ 'timestamp'，'ppm' ]]。set_index（'timestamp'）。ffill（）
然後，我們按年份和月份對其進行分組，同時將結果存儲在矩陣中，其中每個元素代表特定年份和月份的濃度：
導入 numpy 爲 np
導入 matplotlib。作爲plt的pyplot
從 日曆 導入 month_abbr
co2_data = co2_data [ '1975'：'2018' ]
n_years = co2_data。指數。一年。max（）- co2_data。指數。一年。min（）
z = np。那些（（n_years + 1，12））* NP。分鐘（co2_data。PPM）
對於 d，y 在 co2_data中。GROUPBY（[ co2_data。指數。今年，co2_data。指數。月）：
z [ co2_data。指數。一年。max（）- d [ 0 ]，d [ 1 ] - 1 ] = y。mean（）[ 0 ]
plt。圖（figsize =（10，14））
plt。令pColor（NP。flipud（Ž），CMAP = 'hot_r' ）
plt。yticks（NP。人氣指數（0，n_years + 1）+ 0.5，
範圍（co2_data。索引。年。分鐘（），co2_data。索引。年。最大（）+ 1））;
plt。xticks（NP。人氣指數（13）- 0.5，month_abbr）
plt。XLIM（（0，12））
plt。colorbar（）。set_label（'大氣中的二氧化碳濃度ppm'）
plt。show（）
這種可視化使我們能夠一目瞭然地逐月比較二氧化碳水平。例如，我們看到4月到6月的時期比其他時期更快，這意味着它每年都包含最高級別。相反，從9月到10月的時期變得更加緩慢，這意味着它是二氧化碳水平最低的時期。此外，看着顏色條我們注意到43年來增加了80 ppm。
這對地球有害嗎？閱讀漢森等人。（2008年）我們可以將低於300 ppm的二氧化碳水平分類爲安全，水平在300和350 ppm之間是危險的，而超過350 ppm的水平被認爲是災難性的。根據這一點，圖表是一個悲傷的圖片，說明水平如何從危險轉變爲災難性的！