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：
* [& t3 n1 X& D, e# A, I4 W( x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
空气质量主要受哪些因素的影响？四、区间估计
# w' S  l& o1 N4 k. a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
/ o  A- _) g+ `& w( ^3 ?" B. ysns.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()
% s9 l( C) I: Q. f+ H. \
+ _8 L) G2 s, r数据集描述：

0 T* V( M; C: F8 t* [0 C5 t+ S* C9 h0 jCity：城市名

3 b0 |+ F0 P6 K1 kAQI：空气质量指数
$ M" f; f1 H1 z; t$ t3 m; D, u* p
Precipitation：降雨量

3 G, V5 a: d; K% o. V% LGDP：人均生产总值

Tempearture：温度
+ u0 ?. b, C6 Y* v- {) B1 N) W/ x
Longitude/Latitude：经/纬度
% {- x+ E0 e+ N
* p. V$ ~1 q! Y* tAltitude：海拔高度

' E$ L3 k8 ?# B1 X4 y% pPopulationDensity：人口密度

/ G4 R' I; R0 B$ c: M$ ^) ^; C, aCoastal：是否沿海

- D- V4 z9 a6 ]; `" u+ n* mGreenCoverageRate：绿化覆盖率

Incineration(10,000ton)：焚烧量（w吨）

数据清洗
检查缺失值：
数据集描述：
2 m1 a1 k9 X1 c3 O* |
City：城市名

3 n$ K3 ~* R9 {5 {" i1 VAQI：空气质量指数

Precipitation：降雨量

GDP：人均生产总值

Tempearture：温度
2 T: x- u+ j& O* w$ I9 T% h' y
Longitude/Latitude：经/纬度
% F# E2 L. G0 k
Altitude：海拔高度

0 a; G. Q+ W4 o9 t' p, CPopulationDensity：人口密度

Coastal：是否沿海

GreenCoverageRate：绿化覆盖率

Incineration(10,000ton)：焚烧量（w吨）
% Q, R+ y; \9 x- K" B$ b; Q
' C* W! V2 J2 Z; ]" x9 Q数据清洗
" {1 i* d; |; ^1 B, a检查缺失值：
data.isnull().sum(axis=0)

' ^& K  m$ }! {5 W( v, f$ A
5 C- @  X" v$ U7 ]( y" A* J: ^' j

查看含缺失值列数据的分布：
#print(data["Precipitation"].skew())#偏度  
0 N) n! H+ k9 {( B1 z, Psns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
plt.title("分布密度图")
/ P) P& h& d5 L* ^2 [. w  e. g! V+ d0.27360760671177387



; D/ o) }7 M- p0 L

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)
3 ]; L0 q7 r5 P: i( z9 ?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）
  : Z5 d; f' q- F& c( W

查看数据集的偏度：

data.skew()

& _7 L" I  r, l6 dAQI                        1.198754
Precipitation              0.273608
6 F+ f5 U$ F, RGDP                        3.761428
- ?8 I! t3 p* g; R7 L( s4 ]Temperature               -0.597343
* P( i) A# c/ F" WLongitude                 -1.407505
Latitude                   0.253563
Altitude                   3.067242
PopulationDensity          3.125853
4 X! X5 s% z0 _1 Y4 @GreenCoverageRate         -0.381786
Incineration(10,000ton)    4.342614
7 b( B( L* P4 g  }) wdtype: float64
4 b+ e' F6 a' {& m; t  j" Z( A4 x

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：

% W: p8 M0 B; |: dmean, std = data.GDP.mean(), data.GDP.std()
* J. y" _! ]! z6 R2 m9 q2 M' O  I9 ]lower, upper = mean - 3 * std, mean + 3 * std

. ^7 V8 [2 A6 f# `8 Dprint("均值：", mean)
print("标准差：", std)
print("下限：", lower)
! t  A( E$ A+ t( I9 N, @' r  nprint("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]
- x8 O/ P) j. v
均值： 2390.901815384616
$ m/ _3 q$ C7 v# V4 N* z标准差： 3254.876921271434
+ V9 P* P3 j; ?  c. K下限： -7373.728948429687
: |. I4 b" d6 Z4 t* t( O上限： 12155.532579198918
* ?+ f5 a5 Y! `0 {6 Y16     22968.60
) ~0 x, x6 V8 A63     18100.41
% }( [# |5 I8 k3 O3 D202    24964.99
207    17502.99
( u. t; W- s- F  t0 H215    14504.07
6 x- O% m- r3 J( K230    16538.19
+ y; E9 }# A# O5 t  d+ u256    17900.00
314    15719.72
6 h, f* H, ~: V+ hName: GDP, dtype: float64

sjlxdn

11111111111111111111
* p( }* x6 D. ?; M3 S" ~