如何用Python做AQI分析并可视化?

时间:2024-03-10 22:56:09

  

AQI  分析

1、背景信息

  AOI( Air Quality Index),指空气质量指数,用来衡量空气清洁或污染的程度。值越小,表示空气质量越好。近年来,因为环境问题,空气质量也越来越受到人们的重视。我们期望能够运用数据分析的相关技术,对全国城市空气质量进行研究与分析,希望能够解决如下疑问:

    1. 哪些城市的空气质量较好/较差?
    2. 空气质量在地理位置分布上,是否具有一定的规律性?
    3. 城市的空气质量与是否临海是否有关?
    4. 空气质量主要受哪些因素影响?
    5. 全国城市空气质量普遍处于何种水平?
  • 分析报告预览.GIF

     现在获取了2015年空气质量指数集。该数据集包含全国主要城市的相关数据以及空气质量指数。

City

AQI

Precipitation

GDP

城市

空气质量指数

降水量

城市生产总值

Longitude

Latitude

Altitude

Population Density

经度

纬度

海拔高度

人口密集度

Temperature

Coastal

Incineration (10,000ton)

Green Coverage Rate

温度

是否临海

焚烧量/10000吨

绿化率

 

2、数据分析流程

 

    在进行数据分析之前,我们需要清楚数据分析的基本流程。

 

3、读取数据

    导入需要的库并初始化一些设置。

1 import numpy as np
2 import pandas as pd
3 import matplotlib.pyplot as plt
4 import seaborn as sns
5 import warnings
6 sns.set(style="darkgrid") 7 plt.rcParams["font.family"]="simHei" #用于解决中文显示不了的问题
8 plt.rcParams["axes.unicode_minus"]=False
9 warnings.filterwarnings("ignore")

 加载数据集  

 

4、数据清洗

4.1 缺失值

对于缺失值的处理 。可以使用如下方式:

    • 删除缺失值
      • 仅适用于缺失数量很少的情况
    • 填充缺失值
      • 数值变量
        • 均值填充
        • 中值填充
      • 类别变量
        • 众数填充
        • 单独作为一个类别
      • 其他

  先用info()或innull()查看缺失值。

  再用skew()查看偏度信息,再画个图看看,注意distplot()不支持有空值数据绘制,所以必须先用dropna()将空值剔除。

 

   可以看出,我们的原始数据有点右偏,因为缺失值只有4个,缺失数量很少,可以直接删除,,但我们这次用了中位数来填充。

 4.2 异常值

   异常值如何发现?我们有这几种方法:

    • describe() 
    • 箱线图
    • 3σ方式
    • 其他相关异常检测算法

describe():

调用dataframe对象的describe方法,会显示数据的统计信息,让自己了解下数据

   可以看出GDP、Latitude、PopulationDensity的最大值与较大四分位数的差距异常巨大,存在右偏现象,即存在许多极大的异常值


  3σ即3倍标准差,根据正态分布的特性,我们可以将3σ之外的数据视为异常值。以GDP为例,画出GDP的偏度分布情况:

   该数据出现严重右偏分布,也就是说存在很多极大的异常值,通过3σ法获取这些异常值:

箱线图

通过箱线图我们可以很直观的看见存在很多极大的异常值,怎么判断的呢?

箱线图异常值的判断依据:

Q1、Q2、Q3分别表示1/4分位数、2/4分位数、3/4分位数,IQR=Q3-Q1

若数据小于Q1-1.5IQR或大于Q3+1.5IQR则为异常值。

   找到异常怎么处理,通常有以下几种方式:

    • 删除异常值(不常用)
    • 视为缺失值处理
    • 对数转换(适用于右偏,建模)
    • 临界值替换
    • 分箱法离散化处理(分成不同区间映射成离散值)

  以对数转换为例。

 

 

  对数转换适用于存在较大异常值的数据,即适用于右偏分布,不适用于左偏分布。

4.3 重复值

  重复值的处理很简单,使用duplicated查询重复值,参数keep有三个值:"first"、False、"last".分别表示显示第一条、所有、最后一天重复的记录。

 

 

  清洗完的数据可以直接导出。

 

 5 数据分析

空气质量的好坏有时候决定人的去留,择校、就业、定居、旅游等等。

首先来看最好和最坏的几个城市

5.1 空气质量最好&最坏的几个城市

空气最好的5个城市

  先按AQI排序,默认升序,取前5条记录;x轴上的城市名称需要旋转45°,这样便于查看。

 

  上图可以看出,空气质量好的前5个城市:1.韶关市,2.南平市,3.梅州市,4.基隆市(*省),5.三明市。全是南方城市。

空气最差的5个城市

 

 

  上图可以看出,空气质量最差的前5个城市: 1.北京市,2.朝阳市,3.保定市,4.锦州市,5.焦作市。全是北方城市。

5.2 全国部分城市的空气质量

      5.2.1 空气质量等级划分:

 

    首先我们需要定义一个函数,写一些if语句,通过AQI的值来判断空气质量等级,

   这里需要用apply函数:申请调用我们自建的函数,返回值就是自建函数返回值。

  

       从图中可以看出,我国主要城市的空气质量主要以一级和二级为主,三级占一部分,其他占少数。

   5.2.2 空气质量指数分布情况

    调用scatterplot()绘制散点图,以AQI区分,参数palette是调色,这里是绿色到红色。

   从图中可以看出,从地理位置上来讲,空气质量南方城市优于北方城市,西部城市优于东部城市。

 5.3 城市的空气质量与是否临海是否有关?

    先来看看此数据中临海与内陆城市的数量:

  

     内陆城市数量远大于临海城市,这没什么悬念,我们再来看下散点分布情况:

  

  从图中可以大概看出临海城市空气质量由于内陆。但是我们还是要靠数据说话,分组计算空气质量的均值:

  要用到groupby()分组函数   

   

    临海79,内陆64。但是信息太少,我们再画个箱线图和小提琴图,来了解更多信息。

   

  从箱线图可看出,临海城市的AQI的四分位值,最大值都比内陆城市低,所以临海城市空气质量相对于内陆城市要好。但是箱线图对于数据分布密度不明显。

  所以,绘制小提琴图,既能展示箱线图信息,又能呈现分布的密度。

  我们还可以将小提琴图和分簇散点图结合在一起看:

  

    inner=None表示把“琴弦”去除。

 

  到这里我们能得出临海城市空气质量普遍好于内陆吗?

  显然是不能的,我们的数据只有几百条,只是一个样本,并不能代表总体,这是样本与总体的差异性。

  那怎么得到一个可靠的结论呢?   我们需要对样本做差异检验:

    对两样本做 t 检验,来查看临海城市与内陆城市的均值差异是否显著。在进行两样本检验时,我们需要知道两样本的方差是否一致才能进行后面的 t 检验

 

   先导入相关库,定义变量,stats.levene()方差齐性检验。返回两个值:第一个是统计量不要看,,看第二个p值为0.77,说明接受原假设,方差是齐性的(原假设:两样本方差相等,备择假设:方差不等),可以进行下一步了。

  

  进行t检验时,两样本的方差是否相等,对结果有影响!ttest_ind():两独立样本t检验,返回结果的p值只有0.007,很小,拒绝原假设(两样本不相等)。

  从统计量为负数可以看出,inland是大于coastal的。怎么算呢?在stats中提供的两独立样本t检验是双边检验(=或≠),而现在我们要的是大于小于的关系(单边检验),所以需要计算p值:stats.t.sf(),sf=1-cdf,cdf为累计分布函数,sf为残存函数,*度df。p值0.99666,说明coastal越小。

  到此为止,我们有超过99%的几率可以认为空气质量临海城市普遍优于内陆。

5.4 空气质量主要受哪些因素影响?

  • 人口密度大是否对导致空气质量低呢?
  • 绿化率高是否能提高空气质量呢?

  先用pairplot()画一个散点图矩阵,取3列数据

     

  对于不同变量的绘制散点图,同变量的绘制直方图,只表示数量。从上图并不能明显地看出变量之间的相关性, 我们需要通过计算相关系数来了解。

     

      DataFrame对象提供了计算相关系数的方法,直接data.corr()即可    

    再将数据可视化,更清晰的呈现数据:

 

     结果统计

从结果中可知,空气质量指数主要受降雨量(-0.40) 与纬度(0.55) 影响。

    • 降雨量越多,空气质量越好。
    • 纬度越低,空气质量越好。

此外,我们还能够发现其他一些明显的细节:

  1. GDP (城市生产总值)与Incineration (焚烧量)正相关(0.90) 。
  2. Temperature (温度)与Precipitation (降雨量) 正相关(0.69) 。
  3. Temperature (温度)与Latitude (纬度)负相关(-0.81)。
  4. Longitude (经度) 与Altitude (海拔) 负相关(-0.74) 。
  5. Latitude (纬度)与Precipitation (降雨量)负相关(-0.66) 。
  6. Temperature (温度)与Altitude (海拔)负相关(-0.46) 。
  7. Altitude (海拔)与Precipitation (降雨量)负相关(-0.32) 。

5.5全国城市空气质量普遍处于何种水平?

     据说2015年全国所有城市的空气质量指数均值在71左右,真的假的?

    为了验证这是否正确,我们先来看看均值:

  75?大于71了,说明消息是假的?

  当然还不能这么说,因为,它俩不对等,一个是总体均值,一个是样本均值,所以需要验证一下它们是否相等。我们可以用单样本t经验(ttest_lsamp),置信度为95%。

 

 

                    

 

  p值大于0.05,所以无法拒绝原假设,维持原假设,即维持2015年全国所有城市的空气质量指数均值在71左右。

  调用函数stats.t.interval()得出置信区间。

        

    这样我们就计算出2015年全国所有城市平均空气质量指数95%的可能在70.63~80.04之间。

 

6 总结 

1.空气质量总体分布上来说,南方城市优于北方城市,西部城市优于东部城市。
2.临海城市的空质量整体上好于内陆城市。
3.是否临海,降雨量与纬度对空气质量指数的影响较大。
4.我国城市平均空气质量指数有95%的可能性在(70.63 - 80.04)这个区间内。

 7 PPT展示