Tableau中国五城市六年PM2.5数据挖掘

╰半夏微凉° 2022-10-27 06:17 2阅读 0赞

> 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。

推荐阅读：

[matplotlib实用绘图技巧总结][matplotlib]  
[Python 数据可视化–Seaborn绘图总结1][Python _Seaborn_1]  
[Python数据可视化–Seaborn绘图总结2][Python_Seaborn_2]

--------------------

[Tableau数据分析-Chapter01条形图、堆积图、直方图][Tableau_-Chapter01]  
[Tableau数据分析-Chapter02数据预处理、折线图、饼图][Tableau_-Chapter02]  
[Tableau数据分析-Chapter03基本表、树状图、气泡图、词云][Tableau_-Chapter03]  
[Tableau数据分析-Chapter04标靶图、甘特图、瀑布图][Tableau_-Chapter04]  
[Tableau数据分析-Chapter05数据集合并、符号地图][Tableau_-Chapter05]  
[Tableau数据分析-Chapter06填充地图、多维地图、混合地图][Tableau_-Chapter06]  
[Tableau数据分析-Chapter07多边形地图和背景地图][Tableau_-Chapter07]  
[Tableau数据分析-Chapter08数据分层、数据分组、数据集][Tableau_-Chapter08]  
[Tableau数据分析-Chapter09粒度、聚合与比率][Tableau_-Chapter09]  
[Tableau数据分析-Chapter10 人口金字塔、漏斗图、箱线图][Tableau_-Chapter10]  
[Tableau中国五城市六年PM2.5数据挖掘][Tableau_PM2.5]

### 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 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70]  
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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 1]  
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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 2]

1.  可以看到，PM2.5总体是逐年下降的
2.  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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 3]  
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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 4]  
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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 5]  
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 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 6]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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 7]

### 3.4.2 累计降水量 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 8]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 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 9]  
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 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 10]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：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 11]

## 3.7 大气压强关系 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 12]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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 13]

# 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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 14]  
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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 15]  
数据展示  
![\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1dxJtiF7-3012356376991)(C:\\Users\\Administrator\\AppData\\Roaming\\Typora\\typora-user-images\\3012353015277.png)\]][img-1dxJtiF7-3012356376991_C_Users_Administrator_AppData_Roaming_Typora_typora-user-images_3012353015277.png]

## 1.2 数据预处理 ##

*  季节替换  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 16]
 *  风向替换

![在这里插入图片描述][20210203205227512.png]

*  PM2.5数据处理  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 17]
 *  时间转换

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 18]

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 #

# -*- 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)

![在这里插入图片描述][resize_m_lfit_w_962_pic_center]

--------------------

> 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

[matplotlib]: https://beishan.blog.csdn.net/article/details/116401687
[Python _Seaborn_1]: https://beishan.blog.csdn.net/article/details/117380983
[Python_Seaborn_2]: https://beishan.blog.csdn.net/article/details/117305614
[Tableau_-Chapter01]: https://blog.csdn.net/qq_45176548/article/details/112756406
[Tableau_-Chapter02]: https://blog.csdn.net/qq_45176548/article/details/112757539
[Tableau_-Chapter03]: https://blog.csdn.net/qq_45176548/article/details/112758689
[Tableau_-Chapter04]: https://blog.csdn.net/qq_45176548/article/details/112777582
[Tableau_-Chapter05]: https://blog.csdn.net/qq_45176548/article/details/112788089
[Tableau_-Chapter06]: https://blog.csdn.net/qq_45176548/article/details/112797650
[Tableau_-Chapter07]: https://blog.csdn.net/qq_45176548/article/details/112849661
[Tableau_-Chapter08]: https://blog.csdn.net/qq_45176548/article/details/112850737
[Tableau_-Chapter09]: https://blog.csdn.net/qq_45176548/article/details/112873059
[Tableau_-Chapter10]: https://beishan.blog.csdn.net/article/details/116400020
[Tableau_PM2.5]: https://blog.csdn.net/qq_45176548/article/details/113619239
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70]: /images/20221024/1a5b58344b1b4dc6aecdec4012898b5a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 1]: /images/20221024/8e8a82b2e2de4f23ae7de299f78cedb1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 2]: /images/20221024/cff8ab537b5547f4a46e1c72fe8fac16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 3]: /images/20221024/1eb4be44073d4c84a61c21e06ac5b408.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 4]: /images/20221024/75e9374c46154b15aa66d17cbab85979.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 5]: /images/20221024/2a2d9bfdefbc40218473c2703eb7b922.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 6]: /images/20221024/1d089eb3222c440193388c14dddf31ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 7]: /images/20221024/edd0e10dcbea44dcb740442a9147ea89.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 8]: /images/20221024/20847beecf3a43cea4a92d4df9f1ef32.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 9]: /images/20221024/87d9665b42bd428face8ad9faa700ad0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 10]: /images/20221024/061741f505fc4b508b556504596f6f6f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 11]: /images/20221024/7a7d5e199ad645c4a146e1db0d099dc4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 12]: /images/20221024/4853c11d8a78489b92ab8ccf8dbc224d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 13]: /images/20221024/e89c0eefc8d74a5381d5d19d5b04bced.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 14]: /images/20221024/1ddb76771d934d52b8b376de672522e1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 15]: /images/20221024/1b09237b02214d588415503849fed934.png
[img-1dxJtiF7-3012356376991_C_Users_Administrator_AppData_Roaming_Typora_typora-user-images_3012353015277.png]: /images/20221024/d37b31889d6b4b8da097a6ea58450f87.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 16]: /images/20221024/0c3d01419f9e43c2a03589ee29a60610.png
[20210203205227512.png]: /images/20221024/3b8af2996004432eabca55f11fe83915.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 17]: /images/20221024/27a809ea13df4fc0819db63d0789bb8b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_30_color_FFFFFF_t_70 18]: /images/20221024/1e147d49a1aa489d850649c9188e6915.png
[resize_m_lfit_w_962_pic_center]: /images/20221024/b6bdd4be867644aa94cecb48f236ea65.png