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：
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
临海城市的空气质量是否优于内陆城市？三、相关系数分析
' E0 m; m0 n7 M* y* d6 r: r空气质量主要受哪些因素的影响？四、区间估计
& D( h) o/ R/ {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
" K' \- b( j5 I. S0 [/ y7 E! wsns.set(style="darkgrid")plt.rcParams["font.family"] = "SimHei"plt.rcParams["axes.unicode_minus"] = False
1 |2 l2 V: Z9 r/ S3 Bdata = pd.read_csv("data/data.csv")print(data.shape)data.head()
% k" f- E7 j  f  v8 S% Y+ A# C# p
8 o9 |) U9 `+ g7 ?$ k/ \数据集描述：

4 a# h: k+ E+ g5 f6 j. [" yCity：城市名

AQI：空气质量指数

Precipitation：降雨量
; j) Z2 \/ s4 s8 u9 @; n1 e
GDP：人均生产总值

3 C: P" N$ K6 ETempearture：温度

Longitude/Latitude：经/纬度

Altitude：海拔高度
: @4 L  K* _6 N7 Z7 A0 I
PopulationDensity：人口密度

) B& s# ]+ i- ]7 O! KCoastal：是否沿海
9 F  \, n, A- L& D7 N4 R
% j9 h$ V+ ^+ d/ @( c0 t% ^3 NGreenCoverageRate：绿化覆盖率
* A% O( E# V, x: i3 ~
1 W* g% t# B6 W# Z2 `7 c7 A7 y: MIncineration(10,000ton)：焚烧量（w吨）

数据清洗
4 o9 S4 T0 H8 p- E: R' ?6 V: H检查缺失值：
数据集描述：
6 i% H( Y: x' b) J% q! R6 a
City：城市名

+ ]& {3 \5 x. k: U$ kAQI：空气质量指数
( `- U; \9 W7 S" f
9 T( F9 F$ _8 [; z1 W; ~Precipitation：降雨量

3 W! I( q% l/ Z, T+ fGDP：人均生产总值
+ _4 |+ N3 P3 x3 v( f+ C
% e- |5 r) l. A0 lTempearture：温度

" k. u, X- B. h) d' NLongitude/Latitude：经/纬度

! W1 ]/ W7 F2 q4 wAltitude：海拔高度

, n0 X# {! z5 h  }2 s* Z9 p5 lPopulationDensity：人口密度

, R' g1 O1 ?: FCoastal：是否沿海

GreenCoverageRate：绿化覆盖率

Incineration(10,000ton)：焚烧量（w吨）

数据清洗
检查缺失值：
% ~' d8 ?) q: F  ddata.isnull().sum(axis=0)
* G* r$ e7 E$ k; p
3 @$ \, t1 }, {3 n& I


6 ^) x% B, F5 |6 c+ d查看含缺失值列数据的分布：
" P$ y  ~2 x' |% X! G" A8 ]#print(data["Precipitation"].skew())#偏度  
2 R' z, `) k) m2 u, ]: e/ P) Q. Vsns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
7 S8 m: j4 ?2 \* Z1 e- }plt.title("分布密度图")
0.27360760671177387


0 N% ?3 t7 b# s, g0 X3 `( ~" K

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)
& u% k6 e- `* a& J2 s# t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：

8 i* v& v* a! x! _0 O3 pdata.skew()
, E* j2 a+ a, @: i, g% O& e7 w
# G: c- v/ N0 @* A  Z, K9 w; CAQI                        1.198754
/ b4 G/ U! r0 H3 e: uPrecipitation              0.273608
GDP                        3.761428
Temperature               -0.597343
Longitude                 -1.407505
: ]+ J$ t1 i' {# F& ]7 ]: KLatitude                   0.253563
Altitude                   3.067242
+ H6 [& M6 K; c1 x  g+ XPopulationDensity          3.125853
& Y# h/ e+ e4 ], DGreenCoverageRate         -0.381786
1 `4 F# U$ B* |- S1 @$ ^1 |9 FIncineration(10,000ton)    4.342614
" s  M  P! Q" B5 j# {+ k- odtype: float64
; w" Z! Y  q7 n5 P" G( S0 O/ C
8 ?- u& _8 Y0 Z! U& M! |! F" Y

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：

- ^) Q# s+ i1 ~mean, std = data.GDP.mean(), data.GDP.std()
lower, upper = mean - 3 * std, mean + 3 * std

print("均值：", mean)
print("标准差：", std)
, F# Z+ V2 j6 u* w3 lprint("下限：", lower)
4 ?; n0 f" c6 _  J2 gprint("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]

; ^8 ?- ~7 b8 C均值： 2390.901815384616
9 i" r% L( V  E5 r6 @& F标准差： 3254.876921271434
下限： -7373.728948429687
上限： 12155.532579198918
" F* J9 Y+ s7 v3 V16     22968.60
63     18100.41
+ q7 ^( l( a. ^. F* p. p8 M202    24964.99
; x$ P( v: k0 |# c5 a, v207    17502.99
' W" u: [6 L+ j9 h! m3 o2 P215    14504.07
' }" }- x6 n7 d5 n: L230    16538.19
5 O( c7 T( F  M! I) G256    17900.00
314    15719.72
+ |* M3 i& {) I4 p/ qName: GDP, dtype: float64



+ N9 h; |: J6 {# R" I& D
! K& {& R! Q& `- x( ]

sjlxdn

11111111111111111111
+ }2 s% h# I; i# f