原文链接：http://tecdat.cn/?p=23800 最近咱们被客户要求撰写对于空气污染数据的钻研报告，包含一些图形和统计输入。因为空气污染对公众衰弱的不利影响，人们始终十分关注。世界各国的环境部门都通过各种办法（例如高空观测网络）来监测和评估空气污染问题介绍寰球的地面站及时测量了许多空气污染物，例如臭氧、一氧化碳、颗粒物。EPA（环境保护署）提供了空气污染数据，本文抉择了颗粒物 2.5（PM2.5）和空气质量指数（AQI）这两个要害变量，以可视化和剖析空气污染的趋势和模式。PM2.5 代表直径小于 2.5 微米的颗粒物浓度，AQI 是综合思考所有次要污染物的空气污染情况的整体指标。具体来说，此工作的数据源列出如下：监测人员每天的 PM 2.5 浓度程度和 AQI 指数数据; 县一级的 AQI 年度摘要。数据预处理每日站点数据蕴含每个地面站与 PM2.5 相干的各种属性。无关站信息，污染物的要害变量通过以下代码从原始数据中过滤掉。重命名过滤后的数据框的列名，以不便以下剖析。# 导入数据
aqi <- read_csv(“aqi.csv”)
daily<- read_csv(“daily.csv”)
names(data) <- c(“date”,
“pm25”, “aqi”, “long”, “lat”)
统计摘要对点级 PM2.5 浓度和县级 AQI 指数的根本统计形容能够帮忙更好地了解这两个变量。在这里，直方图和箱形图用于可视化 PM2.5 浓度和 AQI 的散布特色。每日 AQI 指数可掂量空气污染的重大水平，可用于依据 AQI 的值将天数分为不同的类别。就空气污染程度而言，通常能够将天气分为四类，包含良好，中度，不衰弱和危险。本报告中应用的县级 AQI 数据包含四个类别变量，代表每个类别的天数。上面的代码直观地显示了四个类别变量的散布。依据直方图，大多数县在整年总体空气质量良好，这能够通过良好 ” 散布的偏斜来示意，不衰弱 ” 和危险 ” 的 0 天左右的散布距离十分窄。此外，良好 ” 和中等 ” 的散布显示出相同的偏斜，这表明空气质量中等的日子在全年并不典型，因为中等 ” 的散布集中在 50 天以下，而 “ 良好 ” 的散布在 250 天以上。## 县域内 aqi 的直方图
vi <-
aqi %>%
select( 好 ', 中等 ’, 不衰弱', 危险 ’) %>%
ggplot(data = vi)
县级数据代表空气污染的平均水平。来自地面站的 PM2.5 和 AQI 的点级测量形容了空气污染的详细情况和当地状况。点击题目查阅往期内容
R 语言空间可视化：绘制英国脱欧投票地图
左右滑动查看更多
01
02
03
04
站级的 PM2.5 和 AQI 的散布如下所示。两种散布都显示出正偏度，AQI 汇集在 50 左近，而 PM2.5 低于 25。在这一年中，很少呈现两个变量都具备高值的站点。## ##AQI 和 PM2.5 的直方图
pmaqi %>%
ggplot(data) +
geom_histogram(aes(x = value), bins = 35) +
ggplot(data) +
geom_boxplot(aes(x =class, y = value))
工夫变动每日数据记录了 2018 年监测站点每天的观测工夫序列，可用于摸索 PM2.5 和 AQI 的趋势。首先，针对每种数据对每种状态下站点的测量值求均匀。抉择了七个州的工夫序列以显示其一年中的变动，如下所示。从该图能够看出，南部和西部各州在年初就经验了重大的空气污染问题。趋势曲线的顶峰表明，下半年的空气质量均较差。## 按州和日排列
vis <-
select(state, date, pm25, aqi) %>%
group_by(state, date) %>%
summarise(pm25 = mean(pm25), aqi = mean(aqi)) %>%
ggplot(data = vis)
为了显示总体变动，每天汇总来自所有监督的测量值。一年中的总体变动绘制如下。咱们能够看到，AQI 和 PM2.5 的变化趋势显示出类似的模式，而冬季和夏季的空气污染更为严重。## 按天数计算
select(date, pm25, aqi) %>%
group_by(date) %>%
summarise(mean(pm25), mean(aqi)) %>%
ggplot(data = vis) +
空间散布汇总了针对不同州的县级 AQI 指数，以摸索每个州的空气质量的空间变动。下图通过突变色彩绘制了变量良好天气的不同平均值。该地图显示了各州空气质量良好的日子。从地图上能够看出，北部和东部地区的空气条件比其余州更好。## 按州汇总 aqi（区域程度）。
vis <-
aqi %>%
group_by(State) %>%
ggplot() +
geom_polygon(aes(x = long, y = lat, group = group, fill = good)
上面还绘制了不衰弱天数变量的平均值，这证实了以前的察看后果，即东部各州的空气条件较好。ggplot() +
geom_polygon(aes(x = long, y = lat, group , fill),
scale_fill_distiller
每个站点的站点级别测量值汇总为年平均值。下图显示了美国年均匀 PM2.5 浓度的空间散布。绿色点示意较低的 PM2.5 浓度。西部的测站测得的 PM2.5 浓度较高。## 数据的汇总
用于 pm2.5
pmaqi %>%
summarise(pm25 = mean(pm25), aqi = mean(aqi), long = mean(long), lat = mean(lat)) %>%
ggplot() +
geom_polygon(aes(x = long, y = lat, group = group)
AQI 能够提供更全面的空气情况度量。站点上的点级 AQI 映射如下。因为 AQI 思考了许多典型污染物，因而与 PM2.5 的模式相比，AQI 的散布显示出不同的模式。###aqi 指数
vi<- vi[class == “aqi”,]
ggplot(vi) +
geom_polygon(aes(x = long, y = lat, group = group)
论断本报告利用了空气污染数据和 R 的可视化，从时空维度探讨了空气污染的散布和格局。从数据中能够辨认出 PM2.5 和 AQI 的时空变动。冬季和夏季均遇到空气污染问题。西部和南部的州比北部和东部的州更容易蒙受空气污染问题。
点击文末“浏览原文”获取全文残缺材料。本文选自《R 语言空气污染数据的天文空间可视化和剖析：颗粒物 2.5（PM2.5）和空气质量指数（AQI）》。点击题目查阅往期内容上海无印良品天文空间散布特色与选址策略可视化钻研 R 语言空间可视化：绘制英国脱欧投票地图 R 语言在地图上绘制散点饼图可视化 r 语言空间可视化绘制道路交通安全事故地图在 GIS 中用 ggmap 天文空间数据分析 tableau 的骑行路线天文数据可视化 R 语言推特 twitter 转发可视化剖析 618 电商大数据分析可视化报告用 RSHINY DASHBOARD 可视化美国投票记录 python 主题 LDA 建模和 t -SNE 可视化 R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告 R 语言动态图可视化：如何、创立具备精美动画的图 Tableau 数据可视化：探索性图形剖析新生儿死亡率数据 R 语言动静可视化：制作历史寰球平均温度的累积动静折线图动画