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。
' j6 B: j' K+ m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
+ X6 X9 U) x4 p临海城市的空气质量是否优于内陆城市？三、相关系数分析
; r5 M) K1 X) R6 d空气质量主要受哪些因素的影响？四、区间估计
2 ~* Q7 S7 P2 _4 k+ e% D全国城市空气质量普遍处于哪种水平？五、统计建模
. N  Q+ k, b# @  I7 N& |7 `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
' i2 Z1 _% o. x. [1 asns.set(style="darkgrid")plt.rcParams["font.family"] = "SimHei"plt.rcParams["axes.unicode_minus"] = False
data = pd.read_csv("data/data.csv")print(data.shape)data.head()

. w1 v" ~# I/ m9 g$ m' x) W* x' V( U数据集描述：

4 i5 _: k+ ~4 M7 l1 [7 g2 KCity：城市名

AQI：空气质量指数

Precipitation：降雨量

GDP：人均生产总值

5 \% X6 F8 j4 j8 g  STempearture：温度
: L8 C2 N( ~/ e* S/ e% |5 U4 o
: Q+ y: a& [* G% h6 R6 f1 iLongitude/Latitude：经/纬度

, d, n, k) T$ ?8 M  ~8 F) B% jAltitude：海拔高度
" p( q! G* Z" X2 |5 k
PopulationDensity：人口密度

Coastal：是否沿海

GreenCoverageRate：绿化覆盖率

$ q, ?2 N. b4 Y( S1 p! j& CIncineration(10,000ton)：焚烧量（w吨）

数据清洗
3 V# _! D9 X- K% r# r检查缺失值：
数据集描述：
9 @: z" w# X0 m. _0 Z8 t6 T: r
6 {% P* ]0 y- e/ A; o  bCity：城市名
$ m( C. \/ }8 L4 A3 V, c% u( D5 o
AQI：空气质量指数

Precipitation：降雨量

GDP：人均生产总值

& S; a6 h. Z) t8 bTempearture：温度
+ G, B+ G1 c9 D
/ G7 k7 N3 G( _7 c0 R9 \: v; bLongitude/Latitude：经/纬度
0 \  G! `4 z3 n# Q1 R# z
0 W  U+ v0 ?7 [Altitude：海拔高度
0 H+ j1 R4 ]3 n3 _, O
PopulationDensity：人口密度
* b+ w( L" ^5 Q& U+ y
Coastal：是否沿海

GreenCoverageRate：绿化覆盖率
6 A  E: g* W8 N) V5 o) d' B/ r0 t
8 ~3 r: v5 [# O* X1 }* e0 WIncineration(10,000ton)：焚烧量（w吨）
; Z; V- K5 Z' X* D& @9 J' g/ M
数据清洗
  U: O0 @% A* {5 t) o检查缺失值：
data.isnull().sum(axis=0)
* `$ q7 R6 z" l9 H* v( I, \( N
' L5 N; h6 a6 ?" S: ^


查看含缺失值列数据的分布：
# k- P' ]( R% H: K5 C2 y#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")
+ c5 p: _+ u" e0.27360760671177387

9 G% }2 n: B# E6 z6 [
' M: o) K- O2 E9 R

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）
  " E) q. Z7 L) i; I

查看数据集的偏度：

data.skew()
6 ]2 n' \; k* v$ ]9 H1 G/ V
) k. A: E+ j7 x8 A( o2 ?1 U4 |AQI                        1.198754
+ Y% W" T2 t" \* x+ w: L. }Precipitation              0.273608
GDP                        3.761428
Temperature               -0.597343
Longitude                 -1.407505
Latitude                   0.253563
" y. U- o# d" f6 @2 \Altitude                   3.067242
PopulationDensity          3.125853
$ G0 ^! ^% a0 q1 |2 |) a1 zGreenCoverageRate         -0.381786
# E/ ?& s5 t) t/ Y4 gIncineration(10,000ton)    4.342614
dtype: float64
  ]/ @$ v$ t# V0 m9 i
6 K0 x2 P3 A- G  [

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()
( H6 B, Z0 Z- m2 X8 f0 J: r" \- Tlower, upper = mean - 3 * std, mean + 3 * std
; r  L9 x/ q; {1 g# a6 C" h
% F1 s* h8 [& u# F4 a: U$ {print("均值：", mean)
print("标准差：", std)
print("下限：", lower)
print("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]
! ^; j. \7 u! m* y8 C
8 p8 C6 H7 V" Y. I0 W: }' T, |均值： 2390.901815384616
5 u! _9 I7 v) P5 |3 u- r标准差： 3254.876921271434
下限： -7373.728948429687
$ o& Q3 y; h/ Q) m' U上限： 12155.532579198918
; g( V2 a  P: E8 m  K7 b16     22968.60
63     18100.41
202    24964.99
/ F- _2 p- i" @207    17502.99
1 v" ]* V0 D6 o; A9 Y215    14504.07
230    16538.19
256    17900.00
314    15719.72
1 t6 J. W. O3 YName: GDP, dtype: float64

  {& C5 _8 u+ h3 C; K4 p6 D. u5 d

% x. f5 A3 G# }4 f
8 W! _3 x  K. c1 I6 v9 Q. {, }

sjlxdn

11111111111111111111
/ r' t' n+ x: Z5 p% }6 D- o' A