干货！如何用 Python+KNN 算法实现城市空气质量分析与预测？

作者 | 李秋键

责编 | 伍杏玲

封图 | CSDN 付费下载自东方 IC

出品 | CSDN（ID：CSDNnews）

随着中国工业和科技的发展，中国的一些发达城市的空气质量问题变得越来越严重，其中最为严重的便是PM2.5带来的恶劣环境问题。

本文在根据网络公开空气质量数据的基础上进行爬取相关数据，主要针对环境较为恶劣的城市，天津、北京、广州等几个城市，尤其是针对天津的质量数据进行对比分析。在分析的基础上得出空气质量变化情况，提出一些意见。并借助机器学习算法根据数据预测空气质量，以达到分析预测的典型大数据分析模式效果。

整体分析的流程图如下：

实验前的准备

1.1 数据获取

我们这里所得到的数据来源于网络公开的空气质量数据，数据来源于“天气后报”网站，网址为：http://www.tianqihoubao.com/aqi/tianjin.html。网址内容如下图可见：

图1-1 网址数据图

整个数据的获取使用python进行爬取。流程如下：

（1） 导入爬虫所需要的的库：

在air_tianjin_2019.py程序中。

其中Requests 是用Python语言编写，基于urllib，采用 Apache2 Licensed开源协议的 HTTP 库。它比 urllib 更加方便，可以节约我们大量的工作，完全满足 HTTP 测试需求。

其中BeautifulSoup库是一个灵活又方便的网页解析库，处理高效，支持多种解析器。利用它就不用编写正则表达式也能方便的实现网页信息的抓取

对应代码如下：

import time
import requests
from bs4 import BeautifulSoup

（2）为了防止网站的反爬机制，我们设定模拟浏览器进行访问获取数据：

headers = {    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}

（3）然后获取2019年全年的空气质量数据：

for i in range(1, 13):
time.sleep(5)
url = 'http://www.tianqihoubao.com/aqi/tianjin-2019' + str("%02d" % i) + '.html'
response = requests.get(url=url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')
tr = soup.find_all('tr')

1.2 数据预处理

如果仅仅是从网站上得到的数据会有一些标签等干扰项，我们针对一些标签进行去除即可：

for j in tr[1:]:
td = j.find_all('td')
Date = td[0].get_text().strip()
Quality_grade = td[1].get_text().strip()
AQI = td[2].get_text().strip()
AQI_rank = td[3].get_text().strip()
PM = td[4].get_text()
with open('air_tianjin_2019.csv', 'a+', encoding='utf-8-sig') as f:
    f.write(Date + ',' + Quality_grade + ',' + AQI + ',' + AQI_rank + ',' + PM + '\n')

最终爬取下来的部分数据如下：

表1-1 部分天津爬取数据表

这几个数据分别对应着AQI指数、当天AQI排名和PM2.5值

数据分析

这里的数据分析主要通过可视化的方法得到图像来进行分析。

（1） 天津AQI全年走势图

代码在air_tianjin_2019_AQI.py中

通过导入pyecharts 库来进行绘制走势图

首先通过已经获取到的数据进行读取：

df = pd.read_csv('air_tianjin_2019.csv', header=None, names=["Date", "Quality_grade", "AQI", "AQI_rank", "PM"])

然后获取日期和AQI数据，储存在列表变量中，以方便绘制图像：

attr = df['Date']v1 = df['AQI']

接着定义标题，绘制曲线并保存为网页即可：

line = Line("2019年天津AQI全年走势图", title_pos='center', title_top='18', width=800, height=400)
line.add("", attr, v1, mark_line=['average'], is_fill=True, area_color="#000", area_opacity=0.3, mark_point=["max", "min"], mark_point_symbol="circle", mark_point_symbolsize=25)
line.render("2019年天津AQI全年走势图.html")

最终的效果图如下可见

图2-2  2019年天津AQI全年走势图 

根据图2-2可知，在2019年度，天津的空气质量峰值分别是在1月、2月、11月和12月，即主要集中在春冬季，考虑到可能是春冬季通风较差，且节日较多，过多的节日烟花和汽车人员流动造成了空气质量变差。

（2）天津月均AQI走势图

air_tianjin_2019_AQI_month.py

为了体现出每月的平均空气质量变化，我们绘制了月均走势图。

首先同样的是读取数据：

df = pd.read_csv('air_tianjin_2019.csv', header=None, names=["Date", "Quality_grade", "AQI", "AQI_rank", "PM"])

接着获取日期和空气质量数据，并加以处理，去除日期中间的“-”：

dom = df[['Date', 'AQI']]
list1 = []
for j in dom['Date']:
    time = j.split('-')[1]
    list1.append(time)
df['month'] = list1

接着计算每月空气质量的平均值

month_message = df.groupby(['month'])
month_com = month_message['AQI'].agg(['mean'])
month_com.reset_index(inplace=True)
month_com_last = month_com.sort_index()
attr = ["{}".format(str(i) + '月') for i in range(1, 13)]
v1 = np.array(month_com_last['mean'])
v1 = ["{}".format(int(i)) for i in v1]

然后绘制走势图：

line = Line("2019年天津月均AQI走势图", title_pos='center', title_top='18', width=800, height=400)
line.add("", attr, v1, mark_point=["max", "min"])
line.render("2019年天津月均AQI走势图.html")

最终的效果图如下可见：

图2-3  2019年天津月均AQI走势图

（3）天津季度AQI箱形图

代码在air_tianjin_2019_AQI_season.py中

绘制天津季度空气质量箱型图，步骤如下：

读取爬取下来的数据：

df = pd.read_csv('air_tianjin_2019.csv', header=None, names=["Date", "Quality_grade", "AQI", "AQI_rank", "PM"])

接着按照月份分季，可以分为四个季度：

dom = df[['Date', 'AQI']]
data = [[], [], [], []]
dom1, dom2, dom3, dom4 = data
for i, j in zip(dom['Date'], dom['AQI']):
time = i.split('-')[1]
if time in ['01', '02', '03']:
        dom1.append(j)
elif time in ['04', '05', '06']:
        dom2.append(j)
elif time in ['07', '08', '09']:
        dom3.append(j)
else:
        dom4.append(j)

然后定义箱型图的标题，横纵坐标等绘制箱型图：

boxplot = Boxplot("2019年天津季度AQI箱形图", title_pos='center', title_top='18', width=800, height=400)
x_axis = ['第一季度', '第二季度', '第三季度', '第四季度']
y_axis = [dom1, dom2, dom3, dom4]
_yaxis = boxplot.prepare_data(y_axis)
boxplot.add("", x_axis, _yaxis)
boxplot.render("2019年天津季度AQI箱形图.html")

最终得到绘制的箱型图如下可见：

图2-4  2019年天津季度AQI箱形图

KNN算法预测

整体的代码流程分为两个部分，一部分是建立test.py程序用来将CSV文件转为符合标准的TXT数据存储；另一部分是K均值聚类的数据分类。

（1） 数据生成TXT

代码在test.py中

首先读入数据，存出入列表为x何y。同时因为y的值为汉字，需要转换为数字：

# 文件的名字
FILENAME1 = "air_tianjin_2019.csv"
# 禁用科学计数法
pd.set_option('float_format', lambda x: '%.3f' % x)
np.set_printoptions(threshold=np.inf)
# 读取数据
data = pd.read_csv(FILENAME1)
rows, clos = data.shape
# DataFrame转化为array
DataArray = data.values
Y=[]
y = DataArray[:, 1]
for i in y:
    if i=="良":
        Y.append(0)
    if i=="轻度污染":
        Y.append(1)
    if i=="优":
        Y.append(2)
    if i=="严重污染":
        Y.append(3)
    if i=="重度污染":
        Y.append(4)
print(Y)
print(len(y))
X = DataArray[:, 2:5]
print(X[1])

然后将存储的数据写入TXT，其中要注意换行和加“,”：

for i in range(len(Y)):
   f=open("data.txt","a+")
   for j in range(3):
        f.write(str(X[i][j])+",")
   f.write(str(Y[i])+"\n")
print("data.txt数据生成")

（2）K均值聚类

代码在KNearestNeighbor.py中。

首先是读取数据：

def loadDataset(self,filename, split, trainingSet, testSet):  # 加载数据集  split以某个值为界限分类train和test
    with open(filename, 'r') as csvfile:
        lines = csv.reader(csvfile)   #读取所有的行
        dataset = list(lines)     #转化成列表
        for x in range(len(dataset)-1):
            for y in range(3):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:   # 将所有数据加载到train和test中
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])

定义计算距离的函数

def calculateDistance(self,testdata, traindata, length):   # 计算距离
    distance = 0     # length表示维度 数据共有几维
    for x in range(length):
        distance += pow((int(testdata[x])-traindata[x]), 2)
    return math.sqrt(distance)

对每个数据文档测量其到每个质心的距离，并把它归到最近的质心的类。

def getNeighbors(self,trainingSet, testInstance, k):  # 返回最近的k个边距
    distances = []
    length = len(testInstance)-1
    for x in range(len(trainingSet)):   #对训练集的每一个数计算其到测试集的实际距离
        dist = self.calculateDistance(testInstance, trainingSet[x], length)
        print('训练集:{}-距离:{}'.format(trainingSet[x], dist))
        distances.append((trainingSet[x], dist))
    distances.sort(key=operator.itemgetter(1))   # 把距离从小到大排列
    print(distances)
    neighbors = []
    for x in range(k):   #排序完成后取前k个距离
        neighbors.append(distances[x][0])
        print(neighbors)
        return neighbors

决策函数，根据少数服从多数，决定归类到哪一类：

def getResponse(self,neighbors):  # 根据少数服从多数，决定归类到哪一类
    classVotes = {}
    for x in range(len(neighbors)):
        response = neighbors[x][-1]  # 统计每一个分类的多少
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    print(classVotes.items())
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True) #reverse按降序的方式排列
    return sortedVotes[0][0]

计算模型准确度

def getAccuracy(self,testSet, predictions):  # 准确率计算
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:   #predictions是预测的和testset实际的比对
            correct += 1
    print('共有{}个预测正确，共有{}个测试数据'.format(correct,len(testSet)))
    return (correct/float(len(testSet)))*100.0

接着整个模型的训练，种子数定义等等：

def Run(self):
    trainingSet = []
    testSet = []
    split = 0.75
    self.loadDataset(r'data.txt', split, trainingSet, testSet)   #数据划分
    print('Train set: ' + str(len(trainingSet)))
    print('Test set: ' + str(len(testSet)))
    #generate predictions
    predictions = []
    k = 5    # 取最近的5个数据
    # correct = []
    for x in range(len(testSet)):    # 对所有的测试集进行测试
        neighbors = self.getNeighbors(trainingSet, testSet[x], k)   #找到5个最近的邻居
        result = self.getResponse(neighbors)    # 找这5个邻居归类到哪一类
        predictions.append(result)
        # print('predictions: ' + repr(predictions))
        # print('>predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
    # print(correct)
    accuracy = self.getAccuracy(testSet,predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

最终模型的准确度为90%。

图2-10  模型运行结果图

源码地址：https://pan.baidu.com/s/1Vcc_bHQMHmQpe-F6A-mFdQ

提取码：qvy7

作者简介：李秋键，CSDN博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有taptap竞赛获奖等。

更多精彩推荐

点分享点点赞点在看