AQI空气质量分析与预测的相关资料

1047521767

AQI分析与预测AQI全称是Air Quality Index，指空气质量指数，用来衡量空气清洁或者污染的程度，值越小，表示空气质量越好。
本文的分析目标是：
' e0 P: @5 N) p* s/ K/ }0 X1 N" d一、描述性统计
那些城市的空气质量较好/较差？空气质量在地理位置分布上，是否具有一定的规律？二、推断统计
* C2 A2 g1 n+ v8 d! \临海城市的空气质量是否优于内陆城市？三、相关系数分析
空气质量主要受哪些因素的影响？四、区间估计
全国城市空气质量普遍处于哪种水平？五、统计建模
怎样预测一个城市的空气质量？导包并读取数据：import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns
sns.set(style="darkgrid")plt.rcParams["font.family"] = "SimHei"plt.rcParams["axes.unicode_minus"] = False
3 u6 H0 K6 P4 e5 x& M9 l" y3 F0 fdata = pd.read_csv("data/data.csv")print(data.shape)data.head()
4 T0 }! W3 e. ?- q" P; v1 X
数据集描述：

City：城市名

) M, T! ^" m9 h( y& fAQI：空气质量指数
( R' I' s& [3 a5 S
9 e# `+ s$ e3 D! L  \5 l% \0 aPrecipitation：降雨量

! X8 a" D1 n: C2 Q" G- _GDP：人均生产总值

Tempearture：温度
& S- }$ x* q3 O. e
Longitude/Latitude：经/纬度
  R% Z' N$ d2 H. U$ M, w; {9 D
& m8 j  l7 D* _% B6 |Altitude：海拔高度
0 V  w. t0 V$ ]( `% }8 [( r+ m
PopulationDensity：人口密度

) B6 L& P* }5 m  B% [' gCoastal：是否沿海

3 m. N2 ]) F" V. s0 tGreenCoverageRate：绿化覆盖率
" I. ^9 N' B) u( \
; L% |: d3 W" i; p* p% x& ?Incineration(10,000ton)：焚烧量（w吨）

数据清洗
检查缺失值：
) d" p% |* d) A4 r, C) m. M' D5 Y数据集描述：

City：城市名

AQI：空气质量指数
7 z. T( d3 q/ B- ^0 \
Precipitation：降雨量
: a' _2 O- s/ x) Q5 I0 f  v2 p
* x2 X/ s3 b6 X  m5 uGDP：人均生产总值

/ ?5 p3 x/ {/ F0 g/ C) B, e7 c6 `Tempearture：温度

( Q' |1 t/ Y& W0 I1 zLongitude/Latitude：经/纬度

Altitude：海拔高度

PopulationDensity：人口密度
9 V" F& N# ~* j
9 G/ z( i5 C5 T! w" w" d' [Coastal：是否沿海

* u9 x; h3 i% M+ aGreenCoverageRate：绿化覆盖率

' N" S: ?: v# Q7 R% M' L  SIncineration(10,000ton)：焚烧量（w吨）

# w$ b1 {" T2 ^, b数据清洗
* k" P+ U+ |! x* q. j/ ~! N+ j检查缺失值：
) I* x( Q  D# r+ K) Mdata.isnull().sum(axis=0)
# i' l' G( Z$ V/ ^3 f

! w* ~: K  I9 @4 B) |6 k
5 P! a( X; n* ^/ I  s6 X1 A
查看含缺失值列数据的分布：
#print(data["Precipitation"].skew())#偏度  
sns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
plt.title("分布密度图")
0.27360760671177387
% ?, t; P$ g9 q$ W7 U
9 U; v" I9 w$ m7 ?3 u; y5 }

$ ~5 D' l1 A3 r( L- @5 N4 i

数值型变量，数据呈现右偏分布，所以使用中位数填充。

对缺失值进行中位数填充

data.fillna({"Precipitation":data["Precipitation"].median()},inplace=True)
检查异常值的三种方法

• data.describe() 查看数据的描述：分位数、均值与标准差
• 基于正太分布 ±三个标准差涵盖99.7%的数据
• 箱线图（四分位距IQR=Q3-Q1，上下边界：Q3/Q1 ±1.5IQR）
  

查看数据集的偏度：

6 A9 z- W8 t% o% S' @' V; _4 Hdata.skew()
2 n; K; Y# v. B; h7 ~( |/ n- N: b
0 Z8 M5 ]7 p* O7 v) vAQI                        1.198754
# t: G  {# A3 n" y2 |  GPrecipitation              0.273608
+ i% H7 G2 v% L5 y0 W( K& [GDP                        3.761428
Temperature               -0.597343
, W0 n7 [% y7 w; t. SLongitude                 -1.407505
+ N! M3 J7 B$ L2 a3 DLatitude                   0.253563
) ^# j, h- ~$ _6 D  F8 L; N5 PAltitude                   3.067242
2 c) ~. ]% l1 E* gPopulationDensity          3.125853
) B- m, M' z& Z9 aGreenCoverageRate         -0.381786
Incineration(10,000ton)    4.342614
# P; P$ ^; j* {2 R) `3 L1 Mdtype: float64
# W' ~' r; l$ |. V& G
; S0 {- a  i, |

可以看到GDP和人口密度等都出现了严重的右偏分布，意味着存在很多极大的异常值。

下面我们查看以下GDP的异常值：

mean, std = data.GDP.mean(), data.GDP.std()
lower, upper = mean - 3 * std, mean + 3 * std
: F- Y: B2 i& p; u+ |& R3 Z; }
" N& T% _' E4 i- r: d- Q; zprint("均值：", mean)
" l4 v' F% m7 D! D+ R4 r. Q5 Cprint("标准差：", std)
1 Y# X8 M3 @" Uprint("下限：", lower)
print("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]

均值： 2390.901815384616
标准差： 3254.876921271434
5 @5 k/ ~1 D( A下限： -7373.728948429687
: m" L3 L5 q# ^" U) I上限： 12155.532579198918
16     22968.60
7 y# Y4 R7 l0 @! ?63     18100.41
202    24964.99
, ^4 I0 \; P' O; u9 S; I207    17502.99
. e1 q' s) U2 v8 g215    14504.07
230    16538.19
+ Q: v3 o  w9 ^* }7 H256    17900.00
; q/ I0 {8 A2 a( J% C' Z314    15719.72
7 ?8 Y' a% J/ ?Name: GDP, dtype: float64


$ P6 t: I8 I4 s+ _$ ~
' A6 c4 [2 G) q4 ^* z# A

7 P+ O- Y! R( P

sjlxdn

11111111111111111111
1 B9 B/ m$ u% x3 D+ s7 [  D9 i