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。
5 T5 S# d6 X0 {0 U. B& w本文的分析目标是：
( l$ T( p( k& Y一、描述性统计
3 G4 Y+ |5 p4 {+ F0 b! m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
% b2 c& V$ ?% U2 g- M0 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
; m- l% J% M) |: H. _0 R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
0 Y9 V/ c) {7 h# ?. P! Q7 x3 p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
  U% ]: L7 n5 n* V! esns.set(style="darkgrid")plt.rcParams["font.family"] = "SimHei"plt.rcParams["axes.unicode_minus"] = False
$ H4 p+ A. ]" A# T" {! v/ g( T8 adata = pd.read_csv("data/data.csv")print(data.shape)data.head()

数据集描述：

" e/ D1 [% H1 d- F, e5 I5 vCity：城市名
; I" T% d7 Q6 D
6 [6 t* i+ l/ j( hAQI：空气质量指数
) h1 P6 w" R6 f& n
Precipitation：降雨量
* Y4 b9 T6 \6 b9 G
GDP：人均生产总值

. h: {$ S5 |" ~" b. RTempearture：温度

/ M' `- t* y% s; P7 k- P  \0 OLongitude/Latitude：经/纬度

; u" R8 ]. \1 F* q. g5 |Altitude：海拔高度
( S; ?& ]2 h. H! E
, d! t8 w* c8 i; r$ C+ C/ _2 ]PopulationDensity：人口密度

, \' ]3 n" v8 f+ V* GCoastal：是否沿海
( J+ w% N% n% r7 h5 Q
( v9 \* U! b: Y; J: hGreenCoverageRate：绿化覆盖率
4 o) ]# T4 Y7 H% _% f8 `, q
Incineration(10,000ton)：焚烧量（w吨）
# z; B2 k: {! y
数据清洗
  b2 ~0 M2 |) ^# t) r检查缺失值：
. A+ f* [8 G) R1 V数据集描述：

( Q9 G% H4 k$ W: p& z- B% RCity：城市名
9 }4 P& F8 y1 u3 p/ {
AQI：空气质量指数
  V0 e: y" i3 U! p8 O1 H
Precipitation：降雨量
. x0 a5 H- Z6 u8 I
' C2 X) A+ f* z6 oGDP：人均生产总值

6 F* U6 e" T) G" m6 T9 STempearture：温度

Longitude/Latitude：经/纬度

Altitude：海拔高度
* j% c# k. Z4 W1 z
PopulationDensity：人口密度
8 s& o, k- d. _1 O
Coastal：是否沿海

' l5 g* d3 v  A5 `5 s' rGreenCoverageRate：绿化覆盖率

Incineration(10,000ton)：焚烧量（w吨）
8 ?& H9 X5 S1 h1 t
; K) \) N. u/ Q' `5 x, k5 V数据清洗
检查缺失值：
data.isnull().sum(axis=0)




查看含缺失值列数据的分布：
9 j3 x8 i9 ^) Y+ @/ U) B#print(data["Precipitation"].skew())#偏度  
sns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
* u9 g  V* g; i1 t: R! z: O5 j3 q7 ^0 Fplt.title("分布密度图")
0.27360760671177387
# c  {5 q7 Q3 w  C5 ^
* s0 I2 m- f" F4 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)
, \0 j2 s! N" I$ [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）
  ; {6 H$ x: [, U; o, U* }- y

查看数据集的偏度：

3 R  |4 S- F" l4 R% H( M% zdata.skew()

AQI                        1.198754
& \# t- A% Z5 r! ]7 K8 aPrecipitation              0.273608
GDP                        3.761428
1 v+ y( q8 t4 N3 ^9 R2 k1 XTemperature               -0.597343
2 b5 [6 q! B- ~: JLongitude                 -1.407505
Latitude                   0.253563
Altitude                   3.067242
7 W5 s1 c4 z+ H% uPopulationDensity          3.125853
( q4 I+ s8 S: a% C. WGreenCoverageRate         -0.381786
3 C' p1 W9 D  P1 f9 Y- F9 t# ]Incineration(10,000ton)    4.342614
dtype: float64
+ N9 K; |! |9 @7 [! Z
7 I# h7 O. s( F0 j

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()
7 U2 r; C* M' m" ~0 K! d$ n" m+ klower, upper = mean - 3 * std, mean + 3 * std

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"]
% o1 u* U$ X* z$ {7 ?+ T; \2 B. v
均值： 2390.901815384616
标准差： 3254.876921271434
/ @3 K9 N2 V+ M; k- ~下限： -7373.728948429687
上限： 12155.532579198918
16     22968.60
63     18100.41
202    24964.99
207    17502.99
, p3 z' ^8 _* T/ E+ j3 o' H215    14504.07
2 H5 b0 y; ?$ B3 k1 L% p: m230    16538.19
256    17900.00
: R9 R3 r0 n. B8 q; y" W* j314    15719.72
Name: GDP, dtype: float64

0 x- c7 @4 O& M! A. X  @
1 U' W1 u4 ]' e) L6 V- A" E/ `% ~
) m# C' O  N+ c/ j4 N6 t% [
0 ^& k* c! b. f, r% [1 T0 ?: \4 i

sjlxdn

11111111111111111111