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：
, Y6 k* {) V6 l6 F% \1 q2 I( x- f一、描述性统计
1 d2 j, o. V& f. p! R$ g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
+ _2 G- W- \! @) Y1 C  Q# R临海城市的空气质量是否优于内陆城市？三、相关系数分析
( x) I, I2 n; Q  k6 {空气质量主要受哪些因素的影响？四、区间估计
9 q' f2 u/ ?' t7 {6 z& ~6 f/ u2 y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
5 M/ \- k! p3 O! ]3 Isns.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()
+ C/ `5 O, ?; e, q
数据集描述：

7 e2 S+ ^8 N) k& i$ q8 V) YCity：城市名

8 [7 o5 z% a. @AQI：空气质量指数
, `: B' N$ }, e/ o3 g. h( o% b' z
8 ^' X6 p) T# h: hPrecipitation：降雨量
0 T  ]$ P/ d% _. F" F8 e
GDP：人均生产总值
# ^- P) H4 E9 d, ~  K) ~
Tempearture：温度

Longitude/Latitude：经/纬度

" d+ I" {$ ]) a+ _) E7 ^( J8 uAltitude：海拔高度

PopulationDensity：人口密度
" N% v. Z) c& X' H& d6 w; p
Coastal：是否沿海

GreenCoverageRate：绿化覆盖率
- K# }0 z  V- B/ ~
" t+ D5 C* ]; q$ EIncineration(10,000ton)：焚烧量（w吨）

数据清洗
检查缺失值：
数据集描述：

City：城市名

! z* `7 x5 ~0 r1 w$ K: JAQI：空气质量指数

' W/ k. r* S! U" I. I/ lPrecipitation：降雨量

* J. s* M8 s5 R' E9 E0 V* XGDP：人均生产总值
5 }" J# x) v3 C+ ^+ {( ~) M' [5 e
Tempearture：温度
# I6 o* c$ c8 A( U
% T7 m$ L1 t( e0 C' j% c7 MLongitude/Latitude：经/纬度
- e  J5 x" Z  Z. c" Q9 Q- k/ ^
Altitude：海拔高度
6 B- g1 Y9 L. |7 E# E
; f# ^7 R5 I1 f9 F6 T7 K5 X7 D6 x7 VPopulationDensity：人口密度

+ I3 C: N+ e3 Y- D$ DCoastal：是否沿海
, ?# e3 q/ G8 Z$ O. d0 a4 j6 q$ d
GreenCoverageRate：绿化覆盖率

Incineration(10,000ton)：焚烧量（w吨）
: y* n8 Q; _0 h4 V
数据清洗
检查缺失值：
data.isnull().sum(axis=0)
* Q! ]$ J' c: ?. i* i$ _( r

) _6 i* ?5 B  w2 o( r7 y2 o

查看含缺失值列数据的分布：
#print(data["Precipitation"].skew())#偏度  
1 d8 W" i/ @* y# d: _sns.distplot(data["Precipitation"].dropna())#要删除NA值才能做分布密度图
3 n1 Z' D8 k! |: d% Aplt.title("分布密度图")
0.27360760671177387
5 j& W/ U$ u) G1 i1 l' U
1 I+ t7 M! T% s/ }
7 l: H# _7 b/ O5 Q& c* E, p
7 p2 d! B1 G1 u4 y

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）
  ) ~/ g, R- t" A; ^0 {6 Y

查看数据集的偏度：

data.skew()
3 d; f0 L0 f: f5 L; w; n1 F
, z* g' v6 ~, i  GAQI                        1.198754
Precipitation              0.273608
* \4 u3 h* W; K+ g! i6 @' z" H- \GDP                        3.761428
Temperature               -0.597343
Longitude                 -1.407505
Latitude                   0.253563
, z. T/ j( U# cAltitude                   3.067242
PopulationDensity          3.125853
, T: ]  D) J0 @6 j; dGreenCoverageRate         -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：

; O+ a5 E+ j  C+ |. n' z. ^* @; m5 _mean, std = data.GDP.mean(), data.GDP.std()
lower, upper = mean - 3 * std, mean + 3 * std
, C, G, T+ }, h& }+ D& G+ }
' X; e& P, i2 T+ m, Cprint("均值：", mean)
print("标准差：", std)
8 ]9 m0 H& z5 Lprint("下限：", lower)
print("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]

均值： 2390.901815384616
3 a$ u$ b; A" w0 \) o( }标准差： 3254.876921271434
( _! u/ {; T* A" K9 v4 C下限： -7373.728948429687
% v* H6 i( j' R+ ~上限： 12155.532579198918
; e+ e8 }/ J0 Y7 [! q16     22968.60
63     18100.41
202    24964.99
207    17502.99
3 {9 q7 B2 k' l) b+ [/ i215    14504.07
230    16538.19
7 W+ K* h! s+ g# L; _: l# a+ q- w256    17900.00
314    15719.72
3 I8 R" e5 d# I3 ?* ^$ jName: GDP, dtype: float64
. }1 w1 u, S7 ]6 C4 w( `. d( b
* L' a. A+ u' R9 C  l% C
) Y! L% F& n2 y4 q# r
. S& I" v, N9 b7 L

sjlxdn

11111111111111111111
: P6 s% ~. e2 I8 [4 m) G% n1 R! Z