Matplotlib空气质量数据分析（附数据集下载）

使用JupyterLab进行的数据分析
数据集下载

import pandas as pd
import numpy as np
from pandas import Series, DataFrame
import matplotlib as mpl
import matplotlib.pyplot as plt#显示所有列
pd.set_option('display.max_columns', None)from matplotlib.font_manager import _rebuild
_rebuild()
# 支持中文
mpl.rcParams['font.sans-serif'] = [u'SimHei']  # 用来正常显示中文标签
mpl.rcParams['axes.unicode_minus'] = False   # 用来正常显示负号,解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串

data = pd.read_csv('air.csv')
# data = DataFrame(df)
# data

data.shape

data.columns

data.dtypes

#查看不同价格区间的AQI，在当前数据集中的占比情况
AQI_min = data.AQI.min()
AQI_max = data.AQI.max()
display(AQI_min, AQI_max)

AQI_cut = pd.cut(data.AQI, bins = [AQI_min, 50, 100, 150, 200, 300, AQI_max])
AQI_count = AQI_cut.value_counts()
AQI_count

def func1():X = np.arange(len(AQI_count))Y = AQI_countplt.figure(figsize=(8,6))plt.bar(X,Y,color='steelblue',alpha=0.8)plt.title('AQI分布图')plt.xlabel('AQI区间')plt.ylabel('2014-2018年AQI天数')plt.xticks(np.arange(len(AQI_count)),AQI_count.index, rotation=30)plt.ylim([0,320000])percents = [str(round(i*100,2)) + '%'for i in AQI_count / AQI_count.sum()]for x,y,z in zip(X,Y,percents):plt.text(x-0.2,y+5000,z)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\1.png')
func1()

# 全国污染程度饼图
def func2():labels = ['良(50,100]','优(0,50]','轻度污染(100,150]','中度污染(150,200]','重度污染(200,300]','严重污染(300,1210]']x = [i for i in AQI_count / AQI_count.sum()]colors= ['#32CD32','#FFDAB9','#8A2BE2','#2442aa','#dd5555','#FFFF00']explode = [0,0.1,0,0,0,0]   plt.pie(x=x,#绘图的数据labels=labels,#数据标签colors=colors,#饼图颜色autopct='%.1f%%',#设置百分比startangle=180,#设置初始角度#frame=1,#center=(2,2)explode=explode,#设置突出显示radius=2#设置饼的半径)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\2.png')
func2()

# AQI与PM2.5的关系
def func3(pollutant,num1,num2):data2 = data[data[pollutant] < num1] #利用drop方法将含有特定数值的列删除data2 = data2[data2[pollutant] != 0]data2 = data2[data2['AQI'] < num2]data2 = data2[data2['AQI'] != 0]plt.scatter(data2.AQI, data2[pollutant],s=5)plt.xlabel('AQI')plt.ylabel(pollutant)plt.title('AQI与%s的关系' % pollutant)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\%s.png' % pollutant)
func3('PM2.5',700,500)

# AQI与PM10的关系
func3('PM10',1000,500)

# AQI与SO2的关系
func3('SO2',800,500)

# AQI与NO2的关系
func3('NO2',300,500)

# AQI与CO的关系
func3('CO',25,500)

# 全国一线及新一线AQI平均值排名
def func4():yixian_city = data[(data.city=='北京')|(data.city=='上海')|(data.city=='广州')|(data.city=='深圳')|(data.city=='成都')|(data.city=='杭州')|(data.city=='重庆')|(data.city=='武汉')|(data.city=='苏州')|(data.city=='西安')|(data.city=='天津')|(data.city=='南京')|(data.city=='郑州')|(data.city=='长沙')|(data.city=='沈阳')|(data.city=='青岛')|(data.city=='宁波')|(data.city=='东莞')|(data.city=='无锡')].groupby("city")["AQI"].mean().sort_values(ascending=False)plt.figure(figsize=(12,8))plt.barh(np.arange(len(yixian_city)), yixian_city,color='#FF0000')plt.yticks(np.arange(len(yixian_city)), yixian_city.index)plt.xlabel('AQI')plt.ylabel('城市')plt.title('全国一线城市及新一线城市AQI平均值排名')plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\3.png')
func4()

data['month'] = data.time.str[5:7].astype('int')

# 全国按月份污染物平均值走势
def func5():country_city = data.groupby('month').mean().sort_index()country_city2 = country_city[["AQI","PM2.5","PM10","SO2","NO2","CO"]]plt.figure(figsize=(12,8))plt.plot(country_city2,label=country_city2.columns,marker = "o" ,mec = "k" , mfc = "w" , mew = 0.5)plt.legend(country_city2)plt.xticks(np.arange(1,13))plt.xlim([1,12])plt.xlabel('月份')plt.ylabel('污染物')plt.title('全国污染物平均值走势')plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\4.png')
func5()

# 沿海代表城市与内地代表城市
def func6():yanhai = data[(data.city=='珠海')|(data.city=='深圳')|(data.city=='广州')|(data.city=='东莞')].groupby("month")["AQI"].mean()neidi = data[(data.city=='洛阳')|(data.city=='新乡')|(data.city=='开封')|(data.city=='周口')].groupby("month")["AQI"].mean()plt.figure(figsize=(12,8))plt.plot(yanhai.index,yanhai,"-",marker = "o" ,mec = "k" , mfc = "w" , mew = 0.5)plt.plot(neidi.index,neidi,"-",marker = "o" ,mec = "k" , mfc = "w" , mew = 0.5)plt.legend(['沿海代表城市','内地代表城市'])plt.xticks(np.arange(1,13))plt.xlim([1,12])plt.xlabel('月份')plt.ylabel('AQI平均值')plt.title('沿海代表城市与内地代表城市AQI平均值走势')plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\5.png')
func6()

data['year'] = data.time.str[:4].astype('int')

# 每年污染物柱状图
def func7_1(year):return [data[data.year==year]['AQI'].mean(),data[data.year==year]['PM2.5'].mean(),data[data.year==year]['PM10'].mean(),data[data.year==year]['SO2'].mean(),data[data.year==year]['NO2'].mean()]def func7():plt.figure(figsize=(12,8))labels = ["AQI","PM2.5","PM10","SO2","NO2"]#设定每个柱子的宽度bar_width = 0.15x=0for i in [2014,2015,2016,2017,2018]:plt.bar(np.arange(5)+x*bar_width,func7_1(i),label=i,alpha=0.8,width=bar_width)x+=1plt.legend()plt.ylim([0,110])plt.xticks([0.295,1.295,2.295,3.295,4.295],labels)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\6.png')
func7()

# 北京污染程度饼图
def func8(city):#查看不同价格区间的AQI，在当前数据集中的占比情况AQI_max = data[data.city==city].AQI.max()AQI_cut = pd.cut(data[data.city==city].AQI, bins = [0, 50, 100, 150, 200, 300, AQI_max])AQI_count = AQI_cut.value_counts()labels = ['良(50,100]','优(0,50]','轻度污染(100,150]','中度污染(150,200]','重度污染(200,300]','严重污染(300,%s]' % AQI_max]x = [i for i in AQI_count / AQI_count.sum()]colors= ['#32CD32','#FFDAB9','#8A2BE2','#2442aa','#dd5555','#FFFF00']explode = [0,0.1,0,0,0,0]   plt.pie(x=x,#绘图的数据labels=labels,#数据标签colors=colors,#饼图颜色autopct='%.1f%%',#设置百分比startangle=180,#设置初始角度
#            frame=1,
#            center=(2,2)explode=explode,#设置突出显示radius=1.5#设置饼的半径)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\%s.png' % city)
func8('北京')

func8('上海')

# 广州污染程度饼图
def func9():#查看不同价格区间的AQI，在当前数据集中的占比情况AQI_min = data[data.city=='广州'].AQI.min()AQI_max = data[data.city=='广州'].AQI.max()display(AQI_min, AQI_max)AQI_cut = pd.cut(data[data.city=='广州'].AQI, bins = [AQI_min, 50, 100, 150, 200, 207])AQI_count = AQI_cut.value_counts()labels = ['良(50,100]','优12,50]','轻度污染(100,150]','中度污染(150,200]','重度污染(200,207]']x = [i for i in AQI_count / AQI_count.sum()]colors= ['#32CD32','#FFDAB9','#8A2BE2','#2442aa','#dd5555']explode = [0,0.1,0,0,0]    plt.pie(x=x,#绘图的数据labels=labels,#数据标签colors=colors,#饼图颜色autopct='%.1f%%',#设置百分比startangle=180,#设置初始角度
#            frame=1,
#            center=(2,2)explode=explode,#设置突出显示radius=1.5#设置饼的半径)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\7.png')
func9()

# 深圳污染程度饼图
def func10():#查看不同价格区间的AQI，在当前数据集中的占比情况AQI_min = data[data.city=='深圳'].AQI.min()AQI_max = data[data.city=='深圳'].AQI.max()display(AQI_min, AQI_max)AQI_cut = pd.cut(data[data.city=='深圳'].AQI, bins = [0, 50, 100, 150, 187])AQI_count = AQI_cut.value_counts()labels = ['良(50,100]','优(0,50]','轻度污染(100,150]','中度污染(150,200]']x = [i for i in AQI_count / AQI_count.sum()]colors= ['#32CD32','#FFDAB9','#8A2BE2','#2442aa']explode = [0,0.1,0,0]    plt.pie(x=x,#绘图的数据labels=labels,#数据标签colors=colors,#饼图颜色autopct='%.1f%%',#设置百分比startangle=180,#设置初始角度
#            frame=1,
#            center=(2,2)explode=explode,#设置突出显示radius=1.5#设置饼的半径)plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\8.png')
func10()

# 新乡市2017年AQI走势
def func11():result1 = data[(data.city=='新乡')&(data.year==2017)]["AQI"]result2 = data[(data.city=='新乡')&(data.year==2017)]["time"]      fig = plt.figure(figsize=(12,8))ax = fig.add_subplot(111)#图片对象ax.plot(result2,result1,"-")ax.legend()ax.axis([0,144,0,400]) #画轴的范围month = [0,1,2,3,4,5,6,7,8,9,10,11,12]plt.xticks(np.arange(0,144,11.999),month) #重新设置x轴间隔和刻度值plt.xlabel('月份')plt.ylabel('AQI')plt.title('新乡市2017年AQI走势')plt.savefig('C:\\Users\\Administrator\\Desktop\\数据分析图\\9.png')
func11()

Matplotlib空气质量数据分析（附数据集下载）相关推荐

2014-2022年4月全国空气质量数据分析
2014-2022年4月所有城市及站点空气质量数据集(更新中)更新时间不固定时间范围:2014-2022年4月年数据来源:中国环境监测总站的全国城市空气质量实时发布平台数据格式说明距离: 全国城 ...
空气质量数据分析及web实现
本次课程设计主要是针对大数据计算框架这门课程的总结,同时利用web进行展示,也是对自己之前学习前端的一次小检验.同时也是自己第一次和同学们进行分工合作完成的作业,自己主要负责对所有的内容整合,并进行w ...
【空气质量数据分析专题九】污染物浓度小时变化分析
前言对空气质量小时级别五年数据进行小时变化分析,可以看出污染物浓度在一天中逐小时变化的特征. 分析流程对数据进行专题二的预处理后,计算出各污染物全时段的各小时的平均浓度,最后进行可视化分析.处理方 ...
【空气质量数据分析专题五】污染物浓度年际变化分析
前言大气空气质量污染物一般为SO2.NO2 .CO.PM10.PM2.5.O3六项污染物.日级别浓度中,除O3使用最大8小时滑动平均浓度外,其他五项污染物均采用日平均浓度. 除CO浓度单位为mg/m ...
【空气质量数据分析专题八】污染物浓度日变化分析
前言对空气质量日级别五年数据进行日变化分析,可以看出污染物浓度逐日变化的特征. 分析流程对数据进行专题二的预处理后,计算出各污染物全时段的各日平均浓度,最后进行可视化分析.日变化分析方式有多种,这 ...
【空气质量数据分析专题七】污染物浓度月变化分析
前言对空气质量日级别五年数据进行月变化分析,可以看出污染物浓度随月份变化的特征. 分析流程对数据进行专题二的预处理后,计算出各污染物全时段的各月平均浓度,最后进行可视化分析.月变化分析方式有多种, ...
基于主动学习和克里金插值的空气质量推测
基于主动学习和克里金插值的空气质量推测常慧娟, 於志文, 於志勇, 安琦, 郭斌西北工业大学计算机学院,陕西西安 710072 福州大学数学与计算机科学学院,福建福州 350108 摘要 ...
Python数据分析练习：北京、广州PM2.5空气质量分析（1）
由于雾霾问题,全社会都很关注空气质量,政府也花了很多钱力图改善空气质量.我们作为城市市民经常要问:我们城市的空气质量到底怎样?这几年我们城市的空气质量是在改善还是恶化?我们城市的空气质量与其他城市相比 ...
Python数据分析系列（2）——美国纽约皇后区空气质量分析
感谢关注天善智能,走好数据之路↑↑↑ 欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答.求职一站式搞定! 天善智能社区地址:https://www. ...

Matplotlib空气质量数据分析（附数据集下载）

Matplotlib空气质量数据分析（附数据集下载）相关推荐

最新文章

热门文章