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。
2 e' W. `/ M5 n0 C" u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
临海城市的空气质量是否优于内陆城市？三、相关系数分析
2 z' H! A8 H; r, p3 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
: x0 R* D9 E$ s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
7 h1 M  o) Y7 ~3 X; 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()
% Y' {6 D7 I; {9 K7 r
数据集描述：
4 v# n& p4 U( Z) A& a3 U# }& j* Q
. e$ }5 o+ c7 X+ l7 ]8 W. PCity：城市名

2 G& E- _* s  \1 F1 X* A8 YAQI：空气质量指数

; E& C3 d0 V4 f: p( a, L& U9 QPrecipitation：降雨量
3 O9 \' N  C* Z0 }0 P, g
" D; o3 Z% G0 v. f) U! I: @GDP：人均生产总值

Tempearture：温度
$ e  u# R8 M) z" m3 O
Longitude/Latitude：经/纬度
' D* E# g: p* M' t5 ^5 x
  |7 C, t% r& e4 tAltitude：海拔高度

: c( c0 R. P2 s! e* uPopulationDensity：人口密度

Coastal：是否沿海
  r! Y+ u' v2 k) g* o: E
2 ~+ W, C% L- \7 M' a; YGreenCoverageRate：绿化覆盖率

. S9 V3 s# \! eIncineration(10,000ton)：焚烧量（w吨）

数据清洗
检查缺失值：
, y& b- ]/ {9 N6 e+ F4 a数据集描述：
  C, W/ R2 A5 Q! W: ?4 D
City：城市名

AQI：空气质量指数
/ \; s+ Z1 S4 Y( \9 p
Precipitation：降雨量

GDP：人均生产总值
3 L4 g$ I' c6 l. F
7 A$ {% Z: P. b5 ^& m" h' ]Tempearture：温度
( {' Y$ B8 n: q, F5 K9 V+ `& M3 b
Longitude/Latitude：经/纬度

Altitude：海拔高度

: T+ V* x# R1 E, ~PopulationDensity：人口密度

Coastal：是否沿海
/ m( \# d1 j% W5 d9 F, {* k, K, n
GreenCoverageRate：绿化覆盖率
% m  L6 k  R$ |4 v, G& ~  U
  J' }/ ]! D% h/ `; WIncineration(10,000ton)：焚烧量（w吨）
. N% J6 B0 [; V
- O3 P* d& X$ b( b  @+ A# A" V& J4 }数据清洗
检查缺失值：
data.isnull().sum(axis=0)
8 p$ H7 e% R6 k  n! c& ]0 n
4 F! e- L6 v2 P  O+ A
. p2 f" c$ E$ @- G) K; P* A

查看含缺失值列数据的分布：
4 h7 Q7 u; i8 Y% g+ ~6 S- }#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
- e0 b1 c4 B+ M/ A: w/ D9 j9 I1 O
( G! l0 @1 F! e0 s! C
- F3 q2 ]& _0 T& o# G5 Q" M0 _

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)
6 D0 f: }# ^5 L& G* C# r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）
    K- g3 L& i+ I3 s

查看数据集的偏度：

data.skew()

AQI                        1.198754
2 ^+ K5 f' z) _9 B+ [$ @Precipitation              0.273608
$ [) h# `4 F) z! g, `# g6 f  rGDP                        3.761428
Temperature               -0.597343
4 P0 ?, E0 @: ^8 Q9 DLongitude                 -1.407505
/ c# \3 T# |0 c& _+ W' tLatitude                   0.253563
: d9 e8 e! K2 s4 i% tAltitude                   3.067242
7 Q% w7 `1 m) b- X  s+ e: @% FPopulationDensity          3.125853
4 U3 C1 ~8 e7 q3 J1 t2 WGreenCoverageRate         -0.381786
Incineration(10,000ton)    4.342614
2 v/ C. f7 y' {6 {8 x% b1 ^dtype: float64
6 x; ?- [3 A+ a
, e, K" Y8 Q( K  H6 Y  m' P1 H

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()
; o/ H3 M; w, f0 c/ E0 qlower, upper = mean - 3 * std, mean + 3 * std

* ]$ t2 i) E" Q3 ?2 _print("均值：", mean)
print("标准差：", std)
6 \" d' I/ K9 nprint("下限：", lower)
7 \- G! I* U5 V$ l& c8 g* [print("上限：", upper)
data.loc[(data.GDP < lower) | (data.GDP > upper), "GDP"]
- L( U+ Z3 e' W! R) P! _
7 m3 Z& r, e( S# z* k; a8 u% D0 P4 g& s均值： 2390.901815384616
标准差： 3254.876921271434
下限： -7373.728948429687
. `* Y$ \* F& n9 q3 ?" V上限： 12155.532579198918
16     22968.60
' d" c  ~) g' Y( v: g, U$ j! F63     18100.41
- R: \  L, e. c2 i$ j202    24964.99
2 `6 F$ C7 O6 c, q207    17502.99
/ T: f& n4 b- p5 Z4 v* r9 Z9 c& q215    14504.07
5 r! X) e" V, c! o$ [6 N! [230    16538.19
256    17900.00
6 h; @- L5 z" j314    15719.72
Name: GDP, dtype: float64
* c' j( p, O0 f( q8 }# ~6 R
1 f' }. [9 v, l2 g# ]6 u( A


, n8 P! S/ k+ h/ o, v+ b$ t
+ D; [: R& S: l( S) r

sjlxdn

11111111111111111111
% s' e1 a# t4 W9 M0 I