目录
（2）各年AQI折线图、AQI直方图、PM2.5与AQI散点图、空气质量整体情况的饼图
一、实验内容
对《北京市空气质量》数据进行数据分析。其中包括数据的导入、预处理、可视化。
二、完成情况
1.完成了《北京市空气质量的数据分析》
2.敲试了听课ppt上的代码，由于内容较多，放于实验报告最后的【附录】部分
三、数据分析
1.问题描述
根据《北京市空气质量》的excel数据对今年北京市空气质量进行分析
2.编程思路
（1）首先导入数据，利用pandas库进行导入
（2）其次进行数据预处理，主要针对异常值，找到后用NAN替代
（3）绘制2014年-2019年AQI时间序列折线图，从空气质量指数的折线图直观地看2014年-2019年北京市空气质量的变化
（4）绘制各年AQI折线图，观看2014-2019年AQI均值的变动情况；绘制AQI直方图，看2014年-2019年AQI的分布；绘制PM2.5与AQI的散点图，分析PM2.5对AQI的影响；绘制质量等级的饼图，观看各个等级所占的比例
（5）在原有代码的基础上又编写了绘制六种空气成分与AQI的散点图，分析各个成分对AQI的影响
3.程序代码
-
import numpy
as np
-
import pandas
as pd
-
import matplotlib.pyplot
as plt
#matplotlib的Pyplot子模块，指定别名为plt
-
#%matplotlib inline
-
#将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。
-
#Python提供了许多魔法命令，使得在IPython环境中的操作更加得心应手。魔法命令都以%或者%%开头，以%开头的成为行命令，%%开头的称为单元命令。行命令只对命令所在的行有效，而单元命令则必须出现在单元的第一行，对整个单元的代码进行处理。
-
#执行%magic可以查看关于各个命令的说明，而在命令之后添加?可以查看该命令的详细说明。
-
plt.rcParams[
'font.sans-serif']=[
'SimHei']
#解决中文显示乱码问题
-
plt.rcParams[
'axes.unicode_minus']=
False
-
data=pd.read_excel(
'D:\个人成长\学业\课程\python\实验\题目\北京市空气质量数据.xlsx')
#要注意路径
-
#指定立即显式所绘图形，且通过参数设置解决图形中文显示乱码问题
-
-
data.isnull()
-
data=data.replace(
0,np.NaN)
-
plt.figure(figsize=(
10,
5))
-
#利用函数plt.figure说明图形的一般特征，如这里指宽10高5
-
plt.plot(data[
'AQI'],color=
'black',linestyle=
'-',linewidth=
0.5)
-
#利用函数plt.plot绘制序列折线图，同时指定折线颜色、线性、线宽等
-
plt.axhline(y=data[
'AQI'].mean(),color=
'red', linestyle=
'-',linewidth=
0.5,label=
'AQI总平均值')
-
#在参数y指定位置上画一条平行于横坐标的直线，并给定直线图例文字
-
#plt.axvline在参数x指定位置上画一条平行于纵坐标的直线，并给定直线图例文字
-
data[
'年']=data[
'日期'].apply(
lambda x:x.year)
-
AQI_mean=data[
'AQI'].groupby(data[
'年']).mean().values
-
#分组计算各年AQI的平均值
-
year=[
'2014年',
'2015年',
'2016年',
'2017年',
'2018年',
'2019年']
-
col=[
'red',
'blue',
'green',
'yellow',
'purple',
'brown']
-
for i
in
range(
6):
-
plt.axhline(y=AQI_mean[i],color=col[i], linestyle=
'--',linewidth=
0.5,label=year[i])
-
#利用for循环绘制多条平行于横坐标的直线，表征各年AQI平均值
-
plt.title(
'2014年至2019年AQI时间序列折线图')
-
plt.xlabel(
'年份')
-
plt.ylabel(
'AQI')
-
#指定图的标题，横纵坐标的坐标标签
-
plt.xlim(xmax=
len(data), xmin=
1)
-
plt.ylim(ymax=data[
'AQI'].
max(),ymin=
1)
-
#指定横纵坐标的取值范围
-
plt.yticks([data[
'AQI'].mean()],[
'AQI平均值'])
-
plt.xticks([
1,
365,
365*
2,
365*
3,
365*
4,
365*
5],[
'2014',
'2015',
'2016',
'2017',
'2018',
'2019'])
-
#在指定坐标刻度位置上给出刻度标签
-
plt.legend(loc=
'best')
-
#利用legend在指定位置（best表示最优位置）显式图例
-
plt.text(x=
list(data[
'AQI']).index(data[
'AQI'].
max()),y=data[
'AQI'].
max()-
20,s=
'空气质量最差日',color=
'red')
-
#利用text在指定的行列位置上显式指示文字
-
plt.show()
-
#表示此次绘图结束
-
-
import warnings
-
#导入warning模块，并指定忽略代码运行过程中的警告信息
-
warnings.filterwarnings(action =
'ignore')
-
plt.figure(figsize=(
10,
5))
-
plt.subplot(
2,
2,
1)
-
#将绘图区域分成2行2列4个单元，且下一副图将在第2个单元显示
-
plt.plot(AQI_mean,color=
'black',linestyle=
'-',linewidth=
0.5)
-
plt.title(
'各年AQI均值折线图')
-
plt.xticks([
0,
1,
2,
3,
4,
5,
6],[
'2014',
'2015',
'2016',
'2017',
'2018',
'2019',
'2020'])
-
plt.subplot(
2,
2,
2)
-
plt.hist(data[
'AQI'],bins=
20)
-
#绘制AQI的直方图，图中包含20个柱形条，即将数据分成20组
-
plt.title(
'AQI直方图')
-
plt.subplot(
2,
2,
3)
-
plt.scatter(data[
'PM2.5'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
#利用scatter绘制PM2.5和AQI的散点图，并指定点的大小、颜色和形状
-
plt.title(
'PM2.5与AQI散点图')
-
plt.xlabel(
'PM2.5')
-
plt.ylabel(
'AQI')
-
plt.subplot(
2,
2,
4)
-
tmp=pd.value_counts(data[
'质量等级'],sort=
False)
-
#等同：tmp=data['质量等级'].value_counts()
-
share=tmp/
sum(tmp)
-
labels=tmp.index
-
explode = [
0,
0.2,
0,
0,
0,
0.2,
0]
-
plt.pie(share, explode = explode,labels = labels, autopct =
'%3.1f%%',startangle =
180, shadow =
True)
-
#利用pie绘制饼图
-
plt.title(
'空气质量整体情况的饼图')
-
plt.show()
-
-
fig,axes=plt.subplots(nrows=
2,ncols=
2,figsize=(
10,
5))
-
#说明绘图区域的宽和高，并指定将绘图区域分成2行2列4个单元。结果将赋值给fig和axes对象。
-
#可通过fig对整个图的特征进行设置，axes对应各个单元格对象
-
axes[
0,
0].plot(AQI_mean,color=
'black',linestyle=
'-',linewidth=
0.5)
-
axes[
0,
0].set_title(
'各年AQI均值折线图')
-
axes[
0,
0].set_xticks([
0,
1,
2,
3,
4,
5,
6])
-
axes[
0,
0].set_xticklabels([
'2014',
'2015',
'2016',
'2017',
'2018',
'2019',
'2020'])
-
axes[
0,
1].hist(data[
'AQI'],bins=
20)
-
axes[
0,
1].set_title(
'AQI直方图')
-
axes[
1,
0].scatter(data[
'PM2.5'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
1,
0].set_title(
'PM2.5与AQI散点图')
-
axes[
1,
0].set_xlabel(
'PM2.5')
-
axes[
1,
0].set_ylabel(
'AQI')
-
axes[
1,
1].pie(share, explode = explode,labels = labels, autopct =
'%3.1f%%',startangle =
180, shadow =
True)
-
axes[
1,
1].set_title(
'空气质量整体情况的饼图')
-
#通过图形单元索引的方式指定绘制单元，例如：axes[0,0]表示第1行第1列的单元格
-
#图标题、坐标轴标签、坐标轴刻度
-
fig.subplots_adjust(hspace=
0.5)
-
fig.subplots_adjust(wspace=
0.5)
-
#调节各图形单元行或列之间的距离
-
plt.show()
-
fig,axes=plt.subplots(nrows=
2,ncols=
3,figsize=(
10,
5))
-
#说明绘图区域的宽和高，并指定将绘图区域分成2行2列4个单元。结果将赋值给fig和axes对象。
-
#可通过fig对整个图的特征进行设置，axes对应各个单元格对象
-
axes[
0,
0].scatter(data[
'PM2.5'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
0,
0].set_title(
'PM2.5与AQI散点图')
-
axes[
0,
0].set_xlabel(
'PM2.5')
-
axes[
0,
0].set_ylabel(
'AQI')
-
axes[
0,
1].scatter(data[
'PM10'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
0,
1].set_title(
'PM10与AQI散点图')
-
axes[
0,
1].set_xlabel(
'PM10')
-
axes[
0,
1].set_ylabel(
'AQI')
-
axes[
0,
2].scatter(data[
'SO2'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
0,
2].set_title(
'SO2与AQI散点图')
-
axes[
0,
2].set_xlabel(
'SO2')
-
axes[
0,
2].set_ylabel(
'AQI')
-
axes[
1,
0].scatter(data[
'CO'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
1,
0].set_title(
'CO与AQI散点图')
-
axes[
1,
0].set_xlabel(
'CO')
-
axes[
1,
0].set_ylabel(
'AQI')
-
axes[
1,
1].scatter(data[
'NO2'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
1,
1].set_title(
'NO2与AQI散点图')
-
axes[
1,
1].set_xlabel(
'NO2')
-
axes[
1,
1].set_ylabel(
'AQI')
-
axes[
1,
2].scatter(data[
'O3'],data[
'AQI'],s=
0.5,c=
'green',marker=
'.')
-
axes[
1,
2].set_title(
'O3与AQI散点图')
-
axes[
1,
2].set_xlabel(
'O3')
-
axes[
1,
2].set_ylabel(
'AQI')
-
#通过图形单元索引的方式指定绘制单元，例如：axes[0,0]表示第1行第1列的单元格
-
#图标题、坐标轴标签、坐标轴刻度
-
fig.subplots_adjust(hspace=
0.5)
-
fig.subplots_adjust(wspace=
0.5)
-
#调节各图形单元行或列之间的距离
-
plt.show()
4.程序运行结果
（1）2014年-2019年AQI时间序列折线图
（2）各年AQI折线图、AQI直方图、PM2.5与AQI散点图、空气质量整体情况的饼图
（3）六种空气成分与AQI的散点图
5.结果分析
从2014年-2019时间折线图可知，AQI有周期性变动，但总体上看AQI逐年降低，即北京市空气质量在逐年改善，这从各年AQI均值折现也可以看出；从直方图可以看出，AQI集中在60~70附近，即良附近，即近年北京市空气质量大多为良，这一点从空气质量等级的饼图可以得到验证；从AQI与空气成分的散点图可以看出，AQI与PM2.5、PM10、CO有较强的正相关关系，另外三个成分相关关系弱一些。
综上所述，北京市空气质量在逐年改善，但仍需进一步努力；多植树造林，增加绿化面积对改善空气成分有帮助，进而可以改善空气质量。
转载：https://blog.csdn.net/m0_72318954/article/details/128139810
查看评论