Python 实战：骑行数据可视化分析（Pandas+Matplotlib）

项目概述：

本文从零开始，讲解如何解析骑行设备导出的 FIT 文件，并使用 Python（fitparse、pandas、matplotlib）对骑行数据进行清洗、分析与可视化。通过生成海拔、速度、卡路里等多维度图表，帮助骑手直观了解运动表现，从而科学地调整训练策略。文章提供了完整的可运行代码，适合运动科学爱好者、数据分析初学者参考。
本文导读

技术栈

本数据分析项目使用一下Python库：

• fitparse：用于读取保存原始数据的骑行文件
• pandas：用于读取csv文件
• matplotlib：用于数据可视化

pipinstallfitparse pandas matplotlib

代码实现

一、数据读取与预处理

从fit文件中获取数据：

# 读取fit文件fitfile=fitparse.FitFile("MAGENE_C506SE_2026-03-12_151516_1396807.fit")# 存储列表records=[]forrecordinfitfile.get_messages("record"):# 筛选出类型为record的数据record_data={}# 遍历record数据中的所有数据字段fordatainrecord:# 如果该字段的值不为空ifdata.valueisnotNone:# data.name: 字段名# data.value: 字段值record_data[data.name]=data.value# 添加到列表中records.append(record_data)

2.保存在csv文件中

# 转换为dataframe, 方便存储df=pd.DataFrame(records)df.to_csv('骑行数据.csv',index=False,encoding='utf-8-sig')print("骑行数据.csv文件已保存")

二、数据可视化

导入必要的库

importmatplotlib matplotlib.use('TkAgg')importmatplotlib.pyplotaspltimportpandasaspd

matplotlib.use('TkAgg')：设置matplotlib使用TkAgg后端，在Tkinter界面显示图形

使用matplotlib的rcParams进行全局配置

①设置中文字体

# 设置中文字体plt.rcParams['font.sans-serif']=['SimHei','Microsoft Yahei','DejaVu Sans']

②解决负号显示问题

# 解决负号显示问题plt.rcParams['axes.unicode_minus']=False

plt.rcParams['axes.unicode_minus']设置为False的时候，matplotlib会采取ASCII显示负号

读取文件、将时间转换为datetime类型

# 读取文件data=pd.read_csv('骑行数据.csv',encoding='utf-8-sig')# 将“时间”列转换为 datetime 类型data['时间']=pd.to_datetime(data['时间'],format='%Y/%m/%d %H:%M',errors='coerce')

将errors中的参数设置为coerce，当无法显示时间时，会表示为NAT或者NaN

查看基本数据信息

print(data.head(5))print(data.info())print(data.shape)

data.head(5)查看前五行的字段和数据信息
data.info()查看数据的摘要信息
data.shape查看数据的形状(行、列)

创建画布、子图和总标题

# 创建画布和子图 - 3行2列的子图, subplots函数返回两个参数fig,axes=plt.subplots(3,2,figsize=(14,12))# 总标题plt.suptitle('骑行数据分析',fontsize=20)

figsize(14, 12)设置图形的大小，14：宽， 12： 高

绘制折线图

# 1. 海拔vs距离# 设置子图在布局中的位置 - 首行首列ax1=axes[0,0]# 绘制折线图ax1.plot(data['距离'],data['海拔'],color="blue",linewidth=1)# 设置x轴ax1.set_xlabel('距离 (km)',fontsize=9)# 设置y轴ax1.set_ylabel('海拔 (m)',fontsize=9)# 设置标题ax1.set_title('海拔-距离')# 添加网格线ax1.grid(True,alpha=0.6,linestyle='--')# 2. 速度vs距离# 设置在布局中的位置ax2=axes[0,1]# 绘制折线图ax2.plot(data['距离'],data['速度'],color="red",linewidth=1)# 设置x轴ax2.set_xlabel('距离 (km)',fontsize=9)# 设置y轴ax2.set_ylabel('速度 (km/h)',fontsize=9)# 设置标题ax2.set_title('速度-距离')# 添加网格线ax2.grid(True,alpha=0.6,linestyle='--')# 3. 卡路里vs距离ax3=axes[1,0]ax3.plot(data['距离'],data['卡路里'],color="green",linewidth=1)ax3.set_xlabel('距离 (km)',fontsize=9)ax3.set_ylabel('卡路里 (kcal)',fontsize=9)ax3.set_title('卡路里-距离')ax3.grid(True,alpha=0.6,linestyle='--')# 4. 等级vs距离ax4=axes[1,1]ax4.plot(data['距离'],data['等级'],color="black",linewidth=1)ax4.set_xlabel('距离 (km)',fontsize=9)ax4.set_ylabel('等级',fontsize=9)ax4.set_title('等级-距离')ax4.grid(True,alpha=0.6,linestyle='--')# 5. 体温vs距离ax5=axes[2,0]ax5.plot(data['距离'],data['体温'],color="purple",linewidth=1)ax5.set_xlabel('距离 (km)',fontsize=9)ax5.set_ylabel('体温 (°C)',fontsize=9)ax5.set_title('体温-距离')ax5.grid(True,alpha=0.6,linestyle='--')

axes[行, 列]子图在整个图片中的位置设置，行和列都是从0开始

ax1.plot(data['距离'], data['海拔'], color="blue", linewidth=1)
x轴数据源：data[‘距离’]
y轴数据源：data[‘海拔’]
color=“blue”: 设置线条颜色为蓝色
linewidth: 设置线条宽度

ax1.set_xlabel('距离', fontsize=9)设置x轴的标题
ax1.set_ylabel('海拔', fontsize=9)设置y轴的标题
ax1.set_title('海拔-距离')设置子图的标题

ax1.grid(True, alpha=0.6, linestyle='--')True：显示网格线 alpha：透明度 linestyle：线条样式

绘制散点图

# 6. 速度vs海拔散点图ax6=axes[2,1]# 散点图 - c:按强度等级着色sc=ax6.scatter(data['速度'],data['海拔'],c=data['等级'],cmap='coolwarm',s=20,alpha=0.6)# 设置x轴ax6.set_xlabel('速度 (km/h)',fontsize=9)# 设置y轴ax6.set_ylabel('海拔',fontsize=9)# 设置标题ax6.set_title('速度-海拔散点图')# 添加网格线ax6.grid(True,alpha=0.6,linestyle='--')

scatter(x, y, c, cmap, s, alpha)
x: x轴的数据源
y: y轴的数据源
c: 按强度等级着色
cmap：散点的颜色
s：散点的大小
alpha：透明度

显示、保存图片

# 自动调节子参数plt.tight_layout()# 保存图片, 分辨率600plt.savefig('骑行数据分析.png',dpi=600,bbox_inches="tight")# 显示图片plt.show()

dpi图片的分辨率，分辨率越高，图片的线条清晰度越高
bbox_inches="tight": 使用tight进行保存，裁剪空白部分

可视化最终效果

图表解读：

1. 海拔-距离图：在约15km处有一个明显的爬坡（海拔上升），随后下降。

2. 速度-距离图：对应爬坡段，速度明显下降，说明爬坡对速度影响显著；下坡段速度回升。

3. 卡路里-距离图：卡路里消耗随距离增加呈上升趋势，符合运动生理学规律。

4. 等级-距离图：等级（强度）波动较大，爬坡段等级升高，下坡段等级降低。

5. 体温-距离图：体温总体平稳，但在高强度区间略有上升。

6. 散点图：高等级（暖色）的点集中在较低海拔区域，可能是平路冲刺阶段；低海拔区域也有部分高等级点，可能与加速有关。

加载数据的完整代码

importfitparseimportpandasaspd# 读取fit文件fitfile=fitparse.FitFile("MAGENE_C506SE_2026-03-12_151516_1396807.fit")# 存储列表records=[]forrecordinfitfile.get_messages("record"):# 筛选出类型为record的数据record_data={}# 遍历record数据中的所有数据字段fordatainrecord:# 如果该字段的值不为空ifdata.valueisnotNone:# data.name: 字段名# data.value: 字段值record_data[data.name]=data.value# 添加到列表中records.append(record_data)# 转换为dataframe, 方便存储df=pd.DataFrame(records)df.to_csv('骑行数据.csv',index=False,encoding='utf-8-sig')print("骑行数据.csv文件已保存")

数据可视化的完整代码

importmatplotlib matplotlib.use('TkAgg')importmatplotlib.pyplotaspltimportpandasaspd# 设置中文字体plt.rcParams['font.sans-serif']=['SimHei','Microsoft Yahei','DejaVu Sans']# 解决负号显示问题plt.rcParams['axes.unicode_minus']=False# 读取文件data=pd.read_csv('骑行数据.csv',encoding='utf-8-sig')# 将“时间”列转换为 datetime 类型data['时间']=pd.to_datetime(data['时间'],format='%Y/%m/%d %H:%M',errors='coerce')# 查看数据基本信息 - 前5行数据、摘要信息、形状print(data.head(5))print(data.info())print(data.shape)# 创建画布和子图 - 3行2列的子图, subplots函数返回两个参数fig,axes=plt.subplots(3,2,figsize=(14,12))# 总标题plt.suptitle('骑行数据分析',fontsize=20)# 1. 海拔vs距离# 设置子图在布局中的位置 - 首行首列ax1=axes[0,0]# 绘制折线图ax1.plot(data['距离'],data['海拔'],color="blue",linewidth=1)# 设置x轴ax1.set_xlabel('距离 (km)',fontsize=9)# 设置y轴ax1.set_ylabel('海拔 (m)',fontsize=9)# 设置标题ax1.set_title('海拔-距离')# 添加网格线ax1.grid(True,alpha=0.6,linestyle='--')# 2. 速度vs距离# 设置在布局中的位置ax2=axes[0,1]# 绘制折线图ax2.plot(data['距离'],data['速度'],color="red",linewidth=1)# 设置x轴ax2.set_xlabel('距离 (km)',fontsize=9)# 设置y轴ax2.set_ylabel('速度 (km/h)',fontsize=9)# 设置标题ax2.set_title('速度-距离')# 添加网格线ax2.grid(True,alpha=0.6,linestyle='--')# 3. 卡路里vs距离ax3=axes[1,0]ax3.plot(data['距离'],data['卡路里'],color="green",linewidth=1)ax3.set_xlabel('距离 (km)',fontsize=9)ax3.set_ylabel('卡路里 (kcal)',fontsize=9)ax3.set_title('卡路里-距离')ax3.grid(True,alpha=0.6,linestyle='--')# 4. 等级vs距离ax4=axes[1,1]ax4.plot(data['距离'],data['等级'],color="black",linewidth=1)ax4.set_xlabel('距离 (km)',fontsize=9)ax4.set_ylabel('等级',fontsize=9)ax4.set_title('等级-距离')ax4.grid(True,alpha=0.6,linestyle='--')# 5. 体温vs距离ax5=axes[2,0]ax5.plot(data['距离'],data['体温'],color="purple",linewidth=1)ax5.set_xlabel('距离 (km)',fontsize=9)ax5.set_ylabel('体温 (°C)',fontsize=9)ax5.set_title('体温-距离')ax5.grid(True,alpha=0.6,linestyle='--')# 6. 速度vs海拔散点图ax6=axes[2,1]# 散点图 - c:按强度等级着色sc=ax6.scatter(data['速度'],data['海拔'],c=data['等级'],cmap='coolwarm',s=20,alpha=0.6)# 设置x轴ax6.set_xlabel('速度 (km/h)',fontsize=9)# 设置y轴ax6.set_ylabel('海拔',fontsize=9)# 设置标题ax6.set_title('速度-海拔散点图')# 添加网格线ax6.grid(True,alpha=0.6,linestyle='--')# 自动调节子参数plt.tight_layout()# 保存图片, 分辨率600plt.savefig('骑行数据分析.png',dpi=600,bbox_inches="tight")# 显示图片plt.show()

常见问题与注意事项

• 文件路径错误
  请确保FIT文件存在于当前工作目录，或使用绝对路径。建议将文件放在与脚本相同的文件夹中。

• 中文显示乱码
  如果图表中的中文显示为方框，说明系统中没有代码中指定的字体（如SimHei）。可以安装相应字体，或更换为系统已有的中文字体（如 ‘Arial Unicode MS’ on macOS）。

• 时间转换失败
  如果CSV中的时间格式与代码中的 format 不匹配，errors=‘coerce’ 会将无效时间设为 NaT。请检查原始数据的时间格式，必要时调整 format 参数。

• 图片保存为空白
  如果在 plt.show() 之后调用 plt.savefig()，可能保存空白图片。请确保 savefig 在 show 之前，或使用 plt.savefig 后不调用 show。

总结与拓展

本文从零开始，演示了如何解析FIT文件、保存为CSV，并使用Matplotlib进行多维度数据可视化。最终生成包含6个子图的骑行分析图表，帮助骑手直观了解运动表现。