AQI(空气质量指数)分析与预测（二）

AQI(空气质量指数)分析与预测（一）

数据分析

哪些城市的空气质量较好/较差

#空气质量最好的几个城市
t = data['Ciyt','AQI'].sort_values('AQI') #根据AQI升序排列
diaplay(t.iloc[:10]) #空气质量最好的十个城市
plt.xticks(rotation=45) #X轴坐标名称倾斜45度
sns.barplot(x='City', y='AQI', data=t.iloc[:10])

#空气质量最差的十个城市
s = data['Ciyt','AQI'].sort_values('AQI',ascending=False) #降序排列
display(s.iloc[:10])
plt.xticks(rotation=45)
sns.barplot(x='City', y='AQI', data=s.iloc[:10])

全国城市的空气质量
城市空气质量等级统计
对于AQI，可以对空气质量进行等级划分，划分标准如下表所示：

AQI指数	等级	描述
0-50	一级	优
51-100	二级	良
101-150	三级	轻度污染
151-200	四级	中度污染
201-300	五级	重度污染
>300	六级	严重污染

根据该标准，我们来统计全国空气质量每个等级的数量

#编写函数，将AQI转换为对应的等级
def value_to_level(AQI):if AQI >= 0 and AQI <= 50:return '一级'if AQI >= 51 and AQI <= 100:return '二级'if AQI >= 101 and AQI <= 150:return '三级'if AQI >= 151 and AQI <= 200:return '四级'if AQI >= 201 and AQI <= 300:return '五级'else:return '六级'
level = data['AQI'].apply(value_to_level)
display(level.value_counts())
sns.countplot(x=level, order=['一级','二级','三级','四级','五级','六级'])

可见，我们城市的空气质量主要以一级（优）与二级（良）为主，三级（轻度污染）占一部分，更高污染的城市占少数。

空气质量指数分布

sns.scatterplot(x='Longitude', y='Latitude', hue='AQI', palette=plt.cm.RdYlGn_r, data=data)

从结果我们可以发现，从大致的地理位置上看，西部城市好于东部城市，南部城市好于北部城市。

临海城市是否空气质量优于内陆城市
数量统计

#统计临海城市与内陆城市的数量
display(data['Coastal'].value_counts())
sns.countplot(x='Coastal', data=data)

#散点分布
sns.stripplot(x='Coastal', y='AQI', data=data)

sns.swarmplot(x='Coastal', y='AQI', data=data)

#分组计算的空气质量的均值
display(data.groupby('Coastal')['AQI'].mean())
sns.barplot(x='Coastal', y='AQI', data=data)

在柱形图中，仅显示了内陆城市与临海城市空气质量指数（AQI）的均值对比，我们可以使用箱线图来显示更多信息。

sns.boxplot(x='Coastal', y='AQI', data=data)

也可以绘制小提琴图，除了能够展示箱线图的信息外，还能呈现出分布的密度。

sns.violinplot(x='Coastal', y='AQI', data=data)

差异检验
我们可以进行两样本t检验，来查看临海城市与内陆城市的均值差异是否显著。

from scipy import statscoastal = data[data['Coastal']=='是']['AQI']
inland = data[data['Coastal']=='否']['AQI']#进行方差齐性检验
stats.levene(coastal, inland)

当不确定两总体方差是否相等时，应先利用levene检验，检验两总体是否具有方差齐性。
p值远大于0.05，认为两总体具有方差齐性。
如果两总体不具有方差齐性，需要将equal_val参数设定为“False”。
需注意的情况：
如果两总体具有方差齐性，错将equal_var设为False，p值变大。
两总体方差不等时，若没有将equal_var参数设定为False，则函数会默认equal_var为True，这样会低估p值。

#进行两样本t检验
r = stats.ttest_ind(coastal, inland, equal_var=True) #因为p值远大于0.05，故equal_var设定为‘True’
print(r)#原假设：沿海城市AQI<=内陆城市AQI
#备择假设：沿海城市AQI>内陆城市AQI
#使用右侧单边检验
p = stats.t.sf(r.statistic, df=len(coastal)+len(inland)-2)
print(p)

通过两样本t检验可知，有超过99%的几率可以认为，沿海城市的空气质量好于内陆城市。

AQI(空气质量指数)分析与预测（二）相关推荐

AQI(空气质量指数)分析与预测（三）
空气质量主要受哪些因素影响猜想一:人口密度是否会对空气质量造成影响猜想二:绿化率是否会影响空气质量绘制空气质量.人口密度.绿化率的散点图矩阵,观察是否有影响 sns.pairplot(data[ ...
AQI(空气质量指数)分析与预测（四）
对空气质量进行预测我们可以通过对以往数据的分析,建立模型,然后将这种模式去应用于未知的数据,进而预测结果. 数据转换因为对于模型来说,内部进行的都是数学运算,故在进行建模之前,我们需要将类别变量转 ...
AQI空气质量分析与预测
AQI分析与预测背景信息 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. 本文的分析目标一.描述性统计哪些城市的空气质 ...
python空气质量分析与预测_AQI(空气质量指数)分析与预测（一）
任务说明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: 哪些城市的空气质量较好/较差?[描述性统计分析] 空气质量在地理位置上,是否具有一定的规律?[描述性 ...
城市空气质量分析与预测
城市空气质量分析与预测一.AQI分析与预测 1.背景信息 2.任务说明 3.数据集描述二.数据分析流程基本流程三.读取数据 1.导入相关的库 2.加载数据集四.数据清洗 1.缺失值 1.1. ...
python爬空气污染实时数据_python数据分析综合项目--空气质量指数分析
项目背景近年来,我国的环境问题比较严重,很多城市出现了雾霾天气,当然也有很多城市空气依旧清新,为了研究具体的空气环境城市分布,我们采用了假设检验以及线性回归的思想对AQI(空气质量指数)进行分析和预 ...
python空气质量分析与预测_干货！如何用 Python+KNN 算法实现城市空气质量分析与预测？...
原标题:干货!如何用 Python+KNN 算法实现城市空气质量分析与预测? 作者 | 李秋键责编 | 伍杏玲封图 | CSDN 付费下载自东方 IC 出品 | CSDN(ID:CSDNnews) ...
Python案例—AQI 空气质量指数
"""作者:Z_Howe版本:1.0功能:计算空气质量指数(Air Quality Index)日期:2019/1/29 """def ca ...
python空气质量分析与预测_python 空气质量AQI数据分析与预测 ---分析，相关系数矩阵...
版权声明:本文为博主原创文章,遵循CC 4.0 by-sa版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/YmeBtc/article/details ...

AQI(空气质量指数)分析与预测（二）

数据分析

AQI(空气质量指数)分析与预测（二）相关推荐

最新文章

热门文章