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
5 j0 M: n5 W2 x- I& u# E! i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
% k8 _! S4 L! N7 M( n- D空气质量主要受哪些因素的影响？四、区间估计
& Z* [" r0 [2 b$ }5 z全国城市空气质量普遍处于哪种水平？五、统计建模
; a; I3 c, g6 L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
# g8 O3 G- \, ?' c, X9 Z( k; t" f7 |sns.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()

5 `/ G% U5 f! _1 F数据集描述：
, M2 f  e% c4 c! R
City：城市名
0 T6 i' |' ~# g) R- Q
AQI：空气质量指数

) F( ^, C3 N8 q& h; e1 n7 uPrecipitation：降雨量

  l; F! S9 S. A7 ?& f( yGDP：人均生产总值

Tempearture：温度
: ]' ?' \% j& Z; ~1 m% x( A0 B
Longitude/Latitude：经/纬度
* n. o" O8 S8 a5 B1 M
. x+ ]: a8 j% l* lAltitude：海拔高度

0 }2 {* W. p* w# O. B: cPopulationDensity：人口密度

8 I& F+ n0 x; F: |# R2 XCoastal：是否沿海

: t* J- J8 H9 u3 ]$ K( FGreenCoverageRate：绿化覆盖率
7 L/ v4 ]6 d9 G8 m
! e% p: k+ ?3 S3 W1 AIncineration(10,000ton)：焚烧量（w吨）

数据清洗
5 p; k; z, f+ q6 j" L检查缺失值：
2 Q! L5 C3 h- l: z; ~( D数据集描述：

City：城市名

AQI：空气质量指数

Precipitation：降雨量
3 X0 a7 `( D+ E$ V" }
" f, E, z* Y3 ^1 e3 d* O3 rGDP：人均生产总值

Tempearture：温度
+ e  Q7 \/ ?1 g  a5 Q
9 i% Q5 e: G: M: d& s3 p+ CLongitude/Latitude：经/纬度
  n2 N) ^& R, z+ d" t0 F8 V
Altitude：海拔高度
3 h* X0 \$ k5 f, B: h7 {9 a6 }
PopulationDensity：人口密度

7 f/ \& i" G. s/ ECoastal：是否沿海
: t" W2 d% G$ }) I# h
' `: z1 P; k! e8 IGreenCoverageRate：绿化覆盖率

! J2 _+ x: ]2 Q8 x/ nIncineration(10,000ton)：焚烧量（w吨）

数据清洗
* z0 T; q9 U. G0 `& A) P检查缺失值：
data.isnull().sum(axis=0)
: k9 N* d4 L% b( ?; b% X

2 \* o" V9 r* H$ c$ e

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
  h" ~" l9 n% k" u; Y( G
* l4 p, G, V& [
: ?9 z$ J6 L, [# r9 I/ O" f) d& _

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）
  + R9 Q, g2 P8 y; y+ c" S

查看数据集的偏度：

- V5 P* P* }" c( r9 mdata.skew()
$ G3 ?: m9 D6 F4 _: n
/ ^0 r2 p( [- f. I& l" H+ G) C: u% hAQI                        1.198754
) ], [' m4 S+ {& zPrecipitation              0.273608
GDP                        3.761428
  d( p$ I4 A+ u$ P$ e% iTemperature               -0.597343
" P# ?" G5 n7 L0 J+ i. m5 GLongitude                 -1.407505
Latitude                   0.253563
Altitude                   3.067242
PopulationDensity          3.125853
# n$ w* L( m$ aGreenCoverageRate         -0.381786
Incineration(10,000ton)    4.342614
dtype: float64

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

% X8 I% k$ Q: lprint("均值：", mean)
2 ]% n" [! p$ z: w3 uprint("标准差：", std)
print("下限：", lower)
print("上限：", upper)
! U$ a! y* a) hdata.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]

9 y9 p5 l8 ?5 P& k; I/ Q( _均值： 2390.901815384616
标准差： 3254.876921271434
下限： -7373.728948429687
上限： 12155.532579198918
* }/ e: z! F; E+ t' b* `16     22968.60
63     18100.41
202    24964.99
207    17502.99
8 P* w" A  K" P215    14504.07
230    16538.19
256    17900.00
314    15719.72
5 ?/ L9 \5 S+ l: G% R1 ~; }- jName: GDP, dtype: float64



2 s# d# B4 J+ p
6 k; J5 }6 r) S% G3 `& r7 R

sjlxdn

11111111111111111111
8 ~/ n1 q5 [1 f6 J