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。
+ C* U9 a$ a) F$ ?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
0 [7 `, J2 b2 w3 m6 k2 q6 ?临海城市的空气质量是否优于内陆城市？三、相关系数分析
$ Q/ a7 Y4 a6 D. z' x空气质量主要受哪些因素的影响？四、区间估计
& w1 r8 }0 u5 i& y. q* 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
sns.set(style="darkgrid")plt.rcParams["font.family"] = "SimHei"plt.rcParams["axes.unicode_minus"] = False
/ v- Z5 S+ n2 A0 l* Edata = pd.read_csv("data/data.csv")print(data.shape)data.head()

数据集描述：
; @) N: A  d7 q# K6 }
City：城市名

) t5 S! X. w' ~9 S" D4 ~' LAQI：空气质量指数
! [8 w: q5 S3 R- |
4 ~! T( @5 Z8 K( ^1 SPrecipitation：降雨量

5 T- }0 w( D' E  q3 ]GDP：人均生产总值
) M$ l% p3 ?6 Y* y/ d
Tempearture：温度

Longitude/Latitude：经/纬度

) |. w3 W5 z' n/ e% d" k2 m; LAltitude：海拔高度

" S$ |4 C% d# ^& ^- K- rPopulationDensity：人口密度
& k0 P8 W; c0 `. l% K" {! V& }, U  X
& ]  ]+ i" ^9 T: i4 |3 g4 r. hCoastal：是否沿海
  L0 W0 O4 _! O3 ^) g
GreenCoverageRate：绿化覆盖率
+ D1 l$ L, G7 s! j3 o" T
; b* O2 F% N4 l, J: C. u; K/ N/ RIncineration(10,000ton)：焚烧量（w吨）
" _1 q; F: ^/ r+ _
7 s3 }' Z2 O$ f! ]! a( b$ X数据清洗
检查缺失值：
数据集描述：
/ o$ ?- m' ?! U
/ \# o; u8 C  ]6 g9 m  N" c3 BCity：城市名
* g( J+ V3 d- w4 L: j9 f
. b3 K! c+ j& c# yAQI：空气质量指数
& Z6 u$ r1 u0 B% w/ r  J4 e- m
Precipitation：降雨量
; [$ C. f. R8 P% _# z8 ]# G; O! z
" z/ Y' n$ [9 O7 F) h" J- i3 n3 zGDP：人均生产总值
7 g; O& O; H* t9 U
: s$ i$ L: p2 k# W( ?Tempearture：温度

Longitude/Latitude：经/纬度

Altitude：海拔高度

PopulationDensity：人口密度

Coastal：是否沿海
, m" x, X7 Z% ?" N6 X
( U$ Q+ p/ y7 z# V0 wGreenCoverageRate：绿化覆盖率

/ G) _( `% j# t. iIncineration(10,000ton)：焚烧量（w吨）

数据清洗
+ t% u+ Q; J% \* C! R/ }检查缺失值：
data.isnull().sum(axis=0)


' \/ t  ^. i- Y: k; ^3 F

查看含缺失值列数据的分布：
& s1 T. o8 g+ b; r& l) w8 R#print(data["Precipitation"].skew())#偏度  
sns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
3 c7 a0 q8 f4 X4 A6 Zplt.title("分布密度图")
0.27360760671177387

& W  ^! U1 n7 c9 d: X  v& g

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）
  & o5 P" A7 ^5 W+ k. E" ~- f

查看数据集的偏度：

8 }$ t" k$ _& G- u! _' Zdata.skew()

AQI                        1.198754
Precipitation              0.273608
GDP                        3.761428
! u$ S9 b/ t# u% k: w( O- aTemperature               -0.597343
Longitude                 -1.407505
Latitude                   0.253563
8 T: V6 x# s( C3 @6 I. H6 L% JAltitude                   3.067242
( a7 ?7 A1 @* N/ SPopulationDensity          3.125853
& ~9 g% T" H' mGreenCoverageRate         -0.381786
Incineration(10,000ton)    4.342614
$ q6 [6 L4 B$ udtype: 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：

$ Q: Z2 b% J+ @% vmean, std = data.GDP.mean(), data.GDP.std()
lower, upper = mean - 3 * std, mean + 3 * std

print("均值：", mean)
' V9 r, ]7 j. {9 fprint("标准差：", std)
print("下限：", lower)
9 t4 h) f3 e2 y' ^$ G+ R8 fprint("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]
; K6 @" w( K: v
均值： 2390.901815384616
. R( l6 {2 R( ?# ?标准差： 3254.876921271434
6 D* u8 [. B6 c下限： -7373.728948429687
上限： 12155.532579198918
16     22968.60
63     18100.41
202    24964.99
207    17502.99
& p8 ~( ]" A* r9 g/ ~1 F7 j$ [% z  T: G215    14504.07
230    16538.19
256    17900.00
, [% l- p5 E& {3 V, E- y% y314    15719.72
Name: GDP, dtype: float64

; _- K. B% X( m$ H
! y; t" v! Z& H) ?# }+ `, |
0 p" i9 x9 D1 C* I4 E" P

7 F3 v; L& ?# |, U# s9 Z. N% U' R

sjlxdn

11111111111111111111
' v* e  t) T$ d% U