数据来源于kaggle平台，本文对中国五城市（北京、上海、成都、广州、沈阳）六年PM2.5数据，进行分析，为了更加直观，我采用倒叙的方式，先展示成果，再展示数据预处理部分。
Tableau数据分析-Chapter01条形图、堆积图、直方图
Tableau数据分析-Chapter02数据预处理、折线图、饼图
Tableau数据分析-Chapter03基本表、树状图、气泡图、词云
Tableau数据分析-Chapter04标靶图、甘特图、瀑布图
Tableau数据分析-Chapter05数据集合并、符号地图
Tableau数据分析-Chapter06填充地图、多维地图、混合地图
Tableau数据分析-Chapter07多边形地图和背景地图
Tableau数据分析-Chapter08数据分层、数据分组、数据集
Tableau数据分析-Chapter09粒度、聚合与比率
Tableau数据分析-Chapter10 人口金字塔、漏斗图、箱线图
Tableau中国五城市六年PM2.5数据挖掘
文章目录
- 3. 数据可视化
- 3.1 PM2.5平均分布情况
- 3.2 时间关系
- 3.2.1 各季节变化情况
- 3.2.2 逐年、季度、月、日变化趋势
- 3.3 风速的关系
- 3.3.1 PM2.5与各城市风速关系
- 3.3.2 北京PM2.5与风速关系图
- 3.3.3 除了北京外地区
- 3.4 降水量的关系
- 3.4.1 上海小时降水量
- 3.4.2 累计降水量
- 3.5 温度关系
- 3.6 相对湿度关系
- 3.7 大气压强关系
- 3.8 温度差关系
- 1. Excel数据预处理
- 1.1 数据探索
- 1.2 数据预处理
- 2. Python合并多个工作表
3. 数据可视化
3.1 PM2.5平均分布情况
北京空气质量最差，广州和上海空气质量最好。成都因地处四川盆地，工业污染难以被风吹散，空气质量较其它南方城市较差。
3.2 时间关系
3.2.1 各季节变化情况
五个城市连续六年PM2.5大小在一年四季的分布，广州和上海的空气质量比较适宜
3.2.2 逐年、季度、月、日变化趋势
- 可以看到，PM2.5总体是逐年下降的
- 观察每天各个时段的PM2.5分布更有意义可以看到各此视下午2点的PM2.5平均值最低
3.3 风速的关系
3.3.1 PM2.5与各城市风速关系
PM2.5与风速的关系，点击查看单个城市的情况。风速越大，PM2.5越低。
3.3.2 北京PM2.5与风速关系图
PM2.5与风速的关系，仅显示北京。刮大风总是会刮西北风。
3.3.3 除了北京外地区
可以看出成都的刮风是非常小的，广州次之
3.4 降水量的关系
PM2.5大小与降水量的关系（默认只显示上海）。
3.4.1 上海小时降水量
降水量越大的时候，PM2.5越低。
可以看到，2013-9-13日的降水量特别大，上海发生了大暴雨
3.4.2 累计降水量
PM2.5大小与累计降水量的关系。累计降水量越大，PM2.5越低。
3.5 温度关系
由于北京的散点图掩盖了其他城市，所以我们用筛选器取出了北京，可以看到，成都是比较热的，上海温差较大，沈阳最冷
3.6 相对湿度关系
PM2.5大小与相对湿度的关系（默认不显示北京广州），当相对湿度较高时，成都、上海、沈阳数据都出现了断续，并且大致符合：相对湿度越高、PM2.5的平均值越高的分布情况
- 原因解释：
3.7 大气压强关系
感觉没有太大关系
3.8 温度差关系
露点温度指空气在水汽含量和气bai压都不改变的条件下，冷却到饱和时的温度。
形象地说，就是空气中的水蒸气变为露珠时候的温度叫露点温度。露点温度本是个温度值，可为什么用它来表示湿度呢?这是因为，当空气中水汽已达到饱和时，气温与露点温度相同;当水汽未达到饱和时，气温一定高于露点温度。所以露点与气温的差值可以表示空气中的水汽距离饱和的程度。气温降到露点以下是水汽凝结的必要条件
1. Excel数据预处理
首先要对原始数据进行数据处理，主要时替换操作，Excel的vlookup函数就够了，当然也可以利用pandas中的映射关系来做，就有点大材小用了。
1.1 数据探索
数据字段
字段含义
- No: row number 行号
- year: year of data in this row 该行中数据的年份
- month: month of data in this row 该行中数据的月份
- day: day of data in this row 该行中数据的日期
- hour: hour of data in this row 该行中的小时数据
- season: season of data in this row 此行中的数据季节
- PM: PM2.5 concentration (ug/m^3) PM2.5浓度（ug / m ^ 3）
- DEWP: Dew Point (Celsius Degree) 露点（摄氏温度）
- TEMP: Temperature (Celsius Degree) 温度（摄氏温度）
- HUMI: Humidity (%) 湿度（％）
- PRES: Pressure (hPa) 压力（hPa）
- cbwd: Combined wind direction 组合风向
- Iws: Cumulated wind speed (m/s) 累积风速（m / s）
- precipitation: hourly precipitation (mm) 每小时降水量（毫米）
- Iprec: Cumulated precipitation (mm) 累积降水量（毫米）
数据结构
数据展示
1.2 数据预处理
- 季节替换
- 风向替换
- PM2.5数据处理
- 时间转换
处理完5个EXCEL表格数据后，就要合并多个工作表，Python比较在行
2. Python合并多个工作表
代码语言：javascript复制# -*- coding:utf-8 -*-
# @Author : https://blog.csdn.net/qq_45176548
# @Time : 2021/2/4 0:25
import pandas as pd
import os
os.chdir(r"E:Python五省PM2.5")
path = "./archive/"
dfs,index = [],0
for i in os.listdir(path):
dfs.append(pd.read_csv(os.path.join(path,i)))
print(f"正在合并{index 1}工作表")
index = 1
df = pd.concat(dfs)
df.to_csv("./archive/北上广成沈五城市六年PM2.5数据汇总.csv",index=False)
到这里就结束了，如果对你有帮助，欢迎点赞关注，你的点赞对我很重要
