【实验内容】

分析各空气质量指数之间的相关关系（使用seaborn实现）

【实验目的】

（1）掌握分类散点图的绘制方法。

（2）掌握线性回归拟合图的绘制方法。

（3）掌握热力图的绘制方法。

【实验技术/工具清单】

集成开发工具：Anaconda3、PyCharm、Jupyter

第三方模块：Numpy、Pandas、Matplotlib、Seaborn

【实验原理/思路】

    空气质量指数（Air Quality Index，AQI）是能够对空气质量进行定量描述的数据。空气质量（Air quality）反映了空气污染程度，它是依据空气中污染物浓度来判断的。空气污染是一个复杂的现象，空气污染物浓度受到许多因素影响。

某市2020年1月-9月AQI的部分数据如表1所示。

表1 某市2020年1月-9月AQI的部分数据

【实验步骤】

（1）使用pandas库读取某市2020年1月-9月AQI统计数据。

（2）解决中文显示问题，设置字体为黑体，并解决保存图像时负号“-”显示为方块的问题。

（3）绘制质量等级分类散点图。

（4）绘制PM2.5与AQI线性回归拟合图。

（5）计算相关系数。

（6）绘制特征相关性热力图。

【实验记录与结果分析】

实现源代码和执行结果。

import numpy as np

 

import pandas as pd

import matplotlib.pyplot as plt

import statsmodels.api as sm

import seaborn as sns

# （1）使用pandas库读取某市2020年1月-9月AQI统计数据。

path ='aqi.csv'

aqi= pd.read_csv(path)

# （2）解决中文显示问题，设置字体为黑体，并解决保存图像时负号“-”显示为方块的问题。

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决命名时中文乱码的问题

plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像负号显示为方块的问题

aqi.head()

# （3）绘制质量等级分类散点图。

sns.stripplot(x=aqi["质量等级"])

plt.title('质量等级分类散点图')

 

 

plt.show()

# （4）绘制PM2.5与AQI线性回归拟合图。

data = aqi[["AQI","PM2.5含量（ppm）"]]

y=data['AQI']

x=data['PM2.5含量（ppm）']

sns.regplot(x=x,

            y=y,

            ci=50)

plt.title('PM2.5与AQI线性回归拟合图')

plt.show()

# （5）计算相关系数。

aqi.corr()

# （6）绘制特征相关性热力图。

corr=aqi.corr()

sns.heatmap(corr)

plt.title('特征相关性矩阵热力图')

plt.show()