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:
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
在进行数据分析之前,我们需要清楚数据分析的基本流程。
导入需要的库并初始化一些设置。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
sns.set(style="darkgrid") plt.rcParams["font.family"]="simHei" #用于解决中文显示不了的问题
plt.rcParams["axes.unicode_minus"]=False
warnings.filterwarnings("ignore")
加载数据集
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
类别变量
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。
异常值如何发现?我们有这几种方法:
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:
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。
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。
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
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(台湾省),5.三明市。全是南方城市。
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。
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。
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。
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,自由度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。
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:
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。
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。
手机扫一扫
移动阅读更方便
你可能感兴趣的文章