AQI  分析

1、背景信息

　　AOI( Air Quality Index),指空氣質量指數,用來衡量空氣清潔或污染的程度。值越小,表示空氣質量越好。近年來,因為環境問題,空氣質量也越來越受到人們的重視。我們期望能夠運用數據分析的相關技術,對全國城市空氣質量進行研究與分析,希望能夠解決如下疑問：

• 1. 哪些城市的空氣質量較好/較差?
  2. 空氣質量在地理位置分布上,是否具有一定的規律性?
  3. 城市的空氣質量與是否臨海是否有關?
  4. 空氣質量主要受哪些因素影響?
  5. 全國城市空氣質量普遍處于何種水平?
• 分析報告預覽.GIF
  

 　　　　現在獲取了2015年空氣質量指數集。該數據集包含全國主要城市的相關數據以及空氣質量指數。

City	AQI	Precipitation	GDP
城市	空氣質量指數	降水量	城市生產總值
Longitude	Latitude	Altitude	Population Density
經度	緯度	海拔高度	人口密集度
Temperature	Coastal	Incineration (10,000ton)	Green Coverage Rate
溫度	是否臨海	焚燒量/10000噸	綠化率

 

2、數據分析流程

 

　　　　在進行數據分析之前,我們需要清楚數據分析的基本流程。

 

3、讀取數據

　　　　導入需要的庫并初始化一些設置。

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" #用于解決中文顯示不了的問題
8 plt.rcParams["axes.unicode_minus"]=False
9 warnings.filterwarnings("ignore")

 加載數據集　　

 

4、數據清洗

4.1 缺失值

對于缺失值的處理 ?？梢允褂萌缦路绞剑?/p>

• • 刪除缺失值
    • 僅適用于缺失數量很少的情況
  • 填充缺失值
    • 數值變量
      • 均值填充
      • 中值填充
    • 類別變量
      • 眾數填充
      • 單獨作為一個類別
    • 其他

　　先用info()或innull()查看缺失值。

　　再用skew()查看偏度信息，再畫個圖看看，注意distplot()不支持有空值數據繪制，所以必須先用dropna()將空值剔除。

 

 　　可以看出，我們的原始數據有點右偏，因為缺失值只有4個，缺失數量很少，可以直接刪除，，但我們這次用了中位數來填充。

 4.2 異常值

 　　異常值如何發現？我們有這幾種方法：

• • describe() 
  • 箱線圖
  • 3σ方式
  • 其他相關異常檢測算法

describe()：

調用dataframe對象的describe方法，會顯示數據的統計信息，讓自己了解下數據

 　　可以看出GDP、Latitude、PopulationDensity的最大值與較大四分位數的差距異常巨大，存在右偏現象，即存在許多極大的異常值

3σ

　　3σ即3倍標準差，根據正態分布的特性，我們可以將3σ之外的數據視為異常值。以GDP為例，畫出GDP的偏度分布情況：

 　　該數據出現嚴重右偏分布，也就是說存在很多極大的異常值，通過3σ法獲取這些異常值:

箱線圖

通過箱線圖我們可以很直觀的看見存在很多極大的異常值，怎么判斷的呢？

箱線圖異常值的判斷依據：

Q1、Q2、Q3分別表示1/4分位數、2/4分位數、3/4分位數，IQR=Q3-Q1

若數據小于Q1-1.5IQR或大于Q3+1.5IQR則為異常值。

 　　找到異常怎么處理，通常有以下幾種方式：

• • 刪除異常值（不常用）
  • 視為缺失值處理
  • 對數轉換（適用于右偏，建模）
  • 臨界值替換
  • 分箱法離散化處理（分成不同區間映射成離散值）

　　以對數轉換為例。

 

 

　　對數轉換適用于存在較大異常值的數據，即適用于右偏分布，不適用于左偏分布。

4.3 重復值

　　重復值的處理很簡單，使用duplicated查詢重復值，參數keep有三個值："first"、False、"last".分別表示顯示第一條、所有、最后一天重復的記錄。

 

 

　　清洗完的數據可以直接導出。

 

 5 數據分析

空氣質量的好壞有時候決定人的去留，擇校、就業、定居、旅游等等。

首先來看最好和最壞的幾個城市

5.1 空氣質量最好&最壞的幾個城市

空氣最好的5個城市

　　先按AQI排序，默認升序，取前5條記錄；x軸上的城市名稱需要旋轉45°，這樣便于查看。

 

　　上圖可以看出，空氣質量好的前5個城市：1.韶關市，2.南平市，3.梅州市，4.基隆市（臺灣?。?，5.三明市。全是南方城市。

空氣最差的5個城市

 

 

　　上圖可以看出，空氣質量最差的前5個城市： 1.北京市，2.朝陽市，3.保定市，4.錦州市，5.焦作市。全是北方城市。

5.2 全國部分城市的空氣質量

　　　　　　5.2.1 空氣質量等級劃分：

 

  　　首先我們需要定義一個函數，寫一些if語句，通過AQI的值來判斷空氣質量等級，

 　　這里需要用apply函數：申請調用我們自建的函數，返回值就是自建函數返回值。

  

  　　　　 從圖中可以看出，我國主要城市的空氣質量主要以一級和二級為主，三級占一部分，其他占少數。

 　　5.2.2 空氣質量指數分布情況

　　　　調用scatterplot()繪制散點圖，以AQI區分，參數palette是調色，這里是綠色到紅色。

　　 從圖中可以看出，從地理位置上來講，空氣質量南方城市優于北方城市，西部城市優于東部城市。

 5.3 城市的空氣質量與是否臨海是否有關?

　　　　先來看看此數據中臨海與內陸城市的數量：

　　

 　　　　內陸城市數量遠大于臨海城市，這沒什么懸念，我們再來看下散點分布情況：

　　

　　從圖中可以大概看出臨海城市空氣質量由于內陸。但是我們還是要靠數據說話，分組計算空氣質量的均值：

　　要用到groupby()分組函數　　 

　　 

　　　　臨海79，內陸64。但是信息太少，我們再畫個箱線圖和小提琴圖，來了解更多信息。

　　 

　　從箱線圖可看出，臨海城市的AQI的四分位值，最大值都比內陸城市低，所以臨海城市空氣質量相對于內陸城市要好。但是箱線圖對于數據分布密度不明顯。

　　所以，繪制小提琴圖，既能展示箱線圖信息，又能呈現分布的密度。

　　我們還可以將小提琴圖和分簇散點圖結合在一起看：

　　

 　　　inner=None表示把“琴弦”去除。

 

　　到這里我們能得出臨海城市空氣質量普遍好于內陸嗎？

　　顯然是不能的，我們的數據只有幾百條，只是一個樣本，并不能代表總體，這是樣本與總體的差異性。

　　那怎么得到一個可靠的結論呢?   我們需要對樣本做差異檢驗：

　　　　對兩樣本做 t 檢驗，來查看臨海城市與內陸城市的均值差異是否顯著。在進行兩樣本檢驗時，我們需要知道兩樣本的方差是否一致才能進行后面的 t 檢驗

 

 　　先導入相關庫，定義變量，stats.levene()方差齊性檢驗。返回兩個值：第一個是統計量不要看，，看第二個p值為0.77，說明接受原假設，方差是齊性的（原假設：兩樣本方差相等，備擇假設：方差不等），可以進行下一步了。

　　

　　進行t檢驗時，兩樣本的方差是否相等，對結果有影響！ttest_ind()：兩獨立樣本t檢驗，返回結果的p值只有0.007，很小，拒絕原假設（兩樣本不相等）。

　　從統計量為負數可以看出，inland是大于coastal的。怎么算呢？在stats中提供的兩獨立樣本t檢驗是雙邊檢驗（=或≠），而現在我們要的是大于小于的關系（單邊檢驗），所以需要計算p值：stats.t.sf()，sf=1-cdf,cdf為累計分布函數，sf為殘存函數，自由度df。p值0.99666，說明coastal越小。

　　到此為止，我們有超過99%的幾率可以認為空氣質量臨海城市普遍優于內陸。

5.4 空氣質量主要受哪些因素影響?

• 人口密度大是否對導致空氣質量低呢？
• 綠化率高是否能提高空氣質量呢？

　　先用pairplot()畫一個散點圖矩陣，取3列數據

　　 　　

　　對于不同變量的繪制散點圖，同變量的繪制直方圖，只表示數量。從上圖并不能明顯地看出變量之間的相關性， 我們需要通過計算相關系數來了解。

　　　　 

  　　　　DataFrame對象提供了計算相關系數的方法，直接data.corr()即可　　　　

　　　　再將數據可視化，更清晰的呈現數據：

 

  　　 結果統計

從結果中可知，空氣質量指數主要受降雨量(-0.40) 與緯度(0.55) 影響。

• • 降雨量越多,空氣質量越好。

• • 緯度越低，空氣質量越好。

此外，我們還能夠發現其他一些明顯的細節:

1. GDP (城市生產總值)與Incineration (焚燒量)正相關(0.90) 。
2. Temperature (溫度)與Precipitation (降雨量) 正相關(0.69) 。
3. Temperature (溫度)與Latitude (緯度)負相關(-0.81)。
4. Longitude (經度) 與Altitude (海拔) 負相關(-0.74) 。
5. Latitude (緯度)與Precipitation (降雨量)負相關(-0.66) 。
6. Temperature (溫度)與Altitude (海拔)負相關(-0.46) 。
7. Altitude (海拔)與Precipitation (降雨量)負相關(-0.32) 。

5.5全國城市空氣質量普遍處于何種水平?

 　　　　據說2015年全國所有城市的空氣質量指數均值在71左右，真的假的？

　　　　為了驗證這是否正確，我們先來看看均值：

　　75?大于71了，說明消息是假的？

　　當然還不能這么說，因為，它倆不對等，一個是總體均值，一個是樣本均值，所以需要驗證一下它們是否相等。我們可以用單樣本t經驗（ttest_lsamp），置信度為95%。

 

 

                    

 

　　p值大于0.05，所以無法拒絕原假設，維持原假設，即維持2015年全國所有城市的空氣質量指數均值在71左右。

　　調用函數stats.t.interval()得出置信區間。

        

　　　　這樣我們就計算出2015年全國所有城市平均空氣質量指數95%的可能在70.63~80.04之間。

 

6 總結 

1.空氣質量總體分布上來說，南方城市優于北方城市，西部城市優于東部城市。
2.臨海城市的空質量整體上好于內陸城市。
3.是否臨海,降雨量與緯度對空氣質量指數的影響較大。
4.我國城市平均空氣質量指數有95%的可能性在（70.63 - 80.04）這個區間內。

 7 PPT展示