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gif视频图