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，是更好还是更差？
官方媒体一般都是说：我们的空气质量在改善，但有数据证明吗？官方数据可信吗？我们心存疑虑。所以，作为数据狗，还是自己动手吧。
PM2.5是最近几年特别热议的空气质量指标，这要归功于美帝大使馆哦。美国驻华使馆和领馆自己检测PM2.5数据并且在官网发布，这才让国人知道了这个指标，后来国内官方也开始公布这个指标了。
言归正传，差点忘了，这是一篇Python技术贴。回到这篇文章的主题：用Python做数据分析。我生活在广州，当然以我大广州为分析目标了。
数据源：美国驻华使馆的空气质量检测数据， [ http://www.stateair.net/web/historical/1/1.html
](http://www.stateair.net/web/historical/1/1.html) 包含以下字段：
其中，PM2.5数值所代表的空气质量评价如下表1-1所示：
在此基础上，如果指数大于500，就是大家戏称为“爆表”
问题：
一.广州的空气质量总体如何？
二.广州最近两年的空气质量是否有改善？
三.广州北京两地的空气质量对比
这几个问题其实比较大而空，要落实到具体的指标和维度。从我们掌握的以上数据出发，可以从以下几个指标和维度分析：
1.2016年全年来看，空气质量较好（PM2.5<=100）的天数占比是多少？2015年相比2016年的对比？北京与各自的对比如何？
2.2016年全年来看，空气质量最严重（PM2.5>300）的天数占比是多少？2015年相比2016年的对比？北京与各自的对比如何？
3.2016年全年来看，空气质量与季节（月份）的变化关系是什么？
4.2016年与2015年同时间点对比，空气质量较好和较差的次数分别是多少？
5.2016年广州与北京同时间点对比，空气质量较好和较差的次数分别是多少？
通过以上维度分析，可以基本对前面的三大问题得出大致的判断。当然，有兴趣的童鞋可以根据原始数据出发，从更多的维度进行分析哦。
下面就开始进入数据集吧。
1. 数据集下载、读取和清洗
从美驻华使馆官网下载了广州、北京两个城市，2015年和2016年的PM2.5数据。分别是这四个文件：
Beijing_2015_HourlyPM25_created20160201.csv
Beijing_2016_HourlyPM25_created20170201.csv
Guangzhou_2015_HourlyPM25_created20170201.csv
Guangzhou_2016_HourlyPM25_created20170201.csv
为了简化工作，每个文件只保留这几个字段：Year、Month、Day、Hour、Value和QC
name，用Excel删掉其他的字段和文字，千万注意要保留表头哦。
经过大致观察，可以发现以下几点：
- 数据以csv格式保存，每年1个文件
- 每个小时一条检测数据
首先引入必要的Python包
In [1]:
import unicodecsv
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sb
%matplotlib inline从csv文件中读入数据
pandas是Python中常用的数据分析工具，包含了大量简便的数据分析处理方法。本文通过这个例子，展现了几个常用的pandas使用方法。
其中，使用pandas可以很方便地从csc文件中读取数据，保存在DataFrame对象中，方法如下：
In [2]:
# 从csv中读取北京2015年pm2.5数据，保存在DataFrame中
df_bj2015 = pd.read_csv('data/Beijing_2015_HourlyPM25_created20160201.csv')
# 重新设定各个字段的名称
df_bj2015.columns=['Year','Month','Day','Hour','Value','QC']数据探索和清洗
拿到数据集，并且导入了DataFrame对象后，我们需要对数据进行观察，看看是否有缺失和错误的情况，并且对数据集进行必要的清洗处理，以便后续得到更准确的分析结果。
In [3]:
# 查看DataFrame中的前几条数据
df_bj2015.head()Out[3]:
| Year | Month | Day | Hour | Value | QC
---|---|---|---|---|---|---
0 | 2015 | 1 | 1 | 0 | 22 | Valid
1 | 2015 | 1 | 1 | 1 | 9 | Valid
2 | 2015 | 1 | 1 | 2 | 9 | Valid
3 | 2015 | 1 | 1 | 3 | 13 | Valid
4 | 2015 | 1 | 1 | 4 | 10 | ValidIn [4]:
# DataFrame的简要描述
df_bj2015.describe()Out[4]:
| Year | Month | Day | Hour | Value
---|---|---|---|---|---
count | 8760.0 | 8760.000000 | 8760.000000 | 8760.000000 |
8760.000000
mean | 2015.0 | 6.526027 | 15.720548 | 11.500114 | 71.658904
std | 0.0 | 3.448048 | 8.796749 | 6.922433 | 139.751292
min | 2015.0 | 1.000000 | 1.000000 | 0.000000 | -999.000000
25% | 2015.0 | 4.000000 | 8.000000 | 5.750000 | 21.000000
50% | 2015.0 | 7.000000 | 16.000000 | 11.500000 | 53.000000
75% | 2015.0 | 10.000000 | 23.000000 | 17.250000 | 108.000000
max | 2015.0 | 12.000000 | 31.000000 | 23.000000 | 722.000000从简要描述中，可以看出Value字段（pm2.5的值）最小值是-999，正常来说，PM2.5的值不会小于零的，这说明有些观测值是缺失或者记录错误。我们可以计算一下其中有多少Value<0的记录：
In [5]:
len(df_bj2015.ix[df_bj2015.Value<0, :])Out[5]:
97
[/code]
全年8000多条数据中，只有97条记录缺失或错误，所以把这97条记录删除，对整个分析影响不大。以下把缺失或错误的记录删除：
In [6]:
```code
# 把错误值置为空值
df_bj2015.loc[df_bj2015.Value<0,'Value']=np.nan
# 删除空值记录
df_bj2015.dropna(inplace=True)再用describe方法看看数据集的概况：
In [7]:
df_bj2015.describe()Out[7]:
| Year | Month | Day | Hour | Value
---|---|---|---|---|---
count | 8663.0 | 8663.000000 | 8663.000000 | 8663.000000 |
8663.000000
mean | 2015.0 | 6.538728 | 15.674939 | 11.494055 | 82.733810
std | 0.0 | 3.448080 | 8.787195 | 6.938605 | 88.556186
min | 2015.0 | 1.000000 | 1.000000 | 0.000000 | 0.000000
25% | 2015.0 | 4.000000 | 8.000000 | 5.000000 | 21.000000
50% | 2015.0 | 7.000000 | 16.000000 | 11.000000 | 54.000000
75% | 2015.0 | 10.000000 | 23.000000 | 18.000000 | 109.000000
max | 2015.0 | 12.000000 | 31.000000 | 23.000000 | 722.000000可以看出，Value字段最小值不再为负数，这样的数据基本可信。
另外，我们还要为数据集增加一个字段，根据前面表1-1的划分方法，把pm2.5的测量值Value，转换为空气质量等级。
首先，我们先写一个函数，通过pm2.5测量值对应的空气质量等级。
In [8]:
df_bj2015.describe()Out[8]:
| Year | Month | Day | Hour | Value
---|---|---|---|---|---
count | 8663.0 | 8663.000000 | 8663.000000 | 8663.000000 |
8663.000000
mean | 2015.0 | 6.538728 | 15.674939 | 11.494055 | 82.733810
std | 0.0 | 3.448080 | 8.787195 | 6.938605 | 88.556186
min | 2015.0 | 1.000000 | 1.000000 | 0.000000 | 0.000000
25% | 2015.0 | 4.000000 | 8.000000 | 5.000000 | 21.000000
50% | 2015.0 | 7.000000 | 16.000000 | 11.000000 | 54.000000
75% | 2015.0 | 10.000000 | 23.000000 | 18.000000 | 109.000000
max | 2015.0 | 12.000000 | 31.000000 | 23.000000 | 722.000000In [9]:
def get_grade(value):
if value <= 50 and value>=0:
return 'Good'
elif value <= 100:
return 'Moderate'
elif value <= 150:
return 'Unhealthy for Sensi'
elif value <= 200:
return 'Unhealthy'
elif value <= 300:
return 'Very Unhealthy'
elif value <= 500:
return 'Hazardous'
elif value > 500:
return 'Beyond Index' # 爆表了
else:
return None # 输入值无效以下使用DataFrame的apply函数，增加一个字段‘Grade’，并且根据‘Value’字段的值，调用前面的转换函数，为‘Grade’字段赋值。
In [10]:
df_bj2015.loc[:, 'Grade'] = df_bj2015['Value'].apply(get_grade)再来看看增加字段后的数据集
In [11]:
df_bj2015.head()Out[11]:
| Year | Month | Day | Hour | Value | QC | Grade
---|---|---|---|---|---|---|---
0 | 2015 | 1 | 1 | 0 | 22.0 | Valid | Good
1 | 2015 | 1 | 1 | 1 | 9.0 | Valid | Good
2 | 2015 | 1 | 1 | 2 | 9.0 | Valid | Good
3 | 2015 | 1 | 1 | 3 | 13.0 | Valid | Good
4 | 2015 | 1 | 1 | 4 | 10.0 | Valid | Good经过以上的处理，我们就把北京2015年的PM2.5数据集处理完成了。对于其他三个表格，我们都采取类似的处理。
In [12]:
# 从csv中读取北京2016年pm2.5数据，保存在DataFrame中
df_bj2016 = pd.read_csv('data/Beijing_2016_HourlyPM25_created20170201.csv')
# 重新设定各个字段的名称
df_bj2016.columns=['Year','Month','Day','Hour','Value','QC']
# 对错误和缺失值赋为空值
df_bj2016.loc[df_bj2016.Value<0,'Value']=np.nan
# 删除空值记录
df_bj2016.dropna(inplace=True)
#增加空气质量等级字段‘Grade’
df_bj2016.loc[:, 'Grade'] = df_bj2016['Value'].apply(get_grade)In [13]:
df_bj2016.head()Out[13]:
| Year | Month | Day | Hour | Value | QC | Grade
---|---|---|---|---|---|---|---
0 | 2016 | 1 | 1 | 0 | 231.0 | Valid | Very Unhealthy
1 | 2016 | 1 | 1 | 1 | 239.0 | Valid | Very Unhealthy
2 | 2016 | 1 | 1 | 2 | 205.0 | Valid | Very Unhealthy
3 | 2016 | 1 | 1 | 3 | 167.0 | Valid | Unhealthy
4 | 2016 | 1 | 1 | 4 | 132.0 | Valid | Unhealthy for SensiIn [14]:
# 从csv中读取广州2016年pm2.5数据，保存在DataFrame中
df_gz2016 = pd.read_csv('data/Guangzhou_2016_HourlyPM25_created20170201.csv')
# 重新设定各个字段的名称
df_gz2016.columns=['Year','Month','Day','Hour','Value','QC']
# 对错误和缺失值赋为空值
df_gz2016.loc[df_gz2016.Value<0,'Value']=np.nan
# 删除空值记录
df_gz2016.dropna(inplace=True)
#增加空气质量等级字段‘Grade’
df_gz2016.loc[:, 'Grade'] = df_gz2016['Value'].apply(get_grade)In [15]:
df_gz2016.head()Out[15]:
| Year | Month | Day | Hour | Value | QC | Grade
---|---|---|---|---|---|---|---
0 | 2016 | 1 | 1 | 0 | 55.0 | Valid | Moderate
1 | 2016 | 1 | 1 | 1 | 58.0 | Valid | Moderate
2 | 2016 | 1 | 1 | 2 | 59.0 | Valid | Moderate
3 | 2016 | 1 | 1 | 3 | 58.0 | Valid | Moderate
4 | 2016 | 1 | 1 | 4 | 51.0 | Valid | ModerateIn [16]:
# 从csv中读取广州2015年pm2.5数据，保存在DataFrame中
df_gz2015 = pd.read_csv('data/Guangzhou_2015_HourlyPM25_created20160201.csv')
# 重新设定各个字段的名称
df_gz2015.columns=['Year','Month','Day','Hour','Value','QC']
# 对错误和缺失值赋为空值
df_gz2015.loc[df_gz2015.Value<0,'Value']=np.nan
# 删除空值记录
df_gz2015.dropna(inplace=True)
#增加空气质量等级字段‘Grade’
df_gz2015.loc[:, 'Grade'] = df_gz2015['Value'].apply(get_grade)In [17]:
df_gz2015.head()Out[17]:
| Year | Month | Day | Hour | Value | QC | Grade
---|---|---|---|---|---|---|---
0 | 2015 | 1 | 1 | 0 | 38.0 | Valid | Good
1 | 2015 | 1 | 1 | 1 | 40.0 | Valid | Good
2 | 2015 | 1 | 1 | 2 | 40.0 | Valid | Good
3 | 2015 | 1 | 1 | 3 | 34.0 | Valid | Good
4 | 2015 | 1 | 1 | 4 | 42.0 | Valid | Good好了，我们已经把本次分析所需的数据集全部准备完毕，接下来就是进行数据的分析
<未完待续>
