pandas 取excel 中的某一列_干货Python Pandas 做数据分析之玩转 Excel 报表分析

城市空气质量是人们日常生活中非常关注的一个问题，通过数据分析和机器学习可以更加准确地预测城市空气质量变化趋势，为政府和公众提供科学依据和决策支持。下面介绍如何用 Python 和 KNN 算法实现城市空气质量分析与预测。 ## 数据准备 首先需要收集城市空气质量相关数据，例如空气质量指数（AQI）、二氧化硫（SO2）、氮氧化物（NOx）、PM2.5 等数据。可以从国家环境保护部等渠道获取历史数据，也可以通过传感器等设备实时采集数据。这里以北京市 2014 年至 2017 年的 AQI 数据为例。 ## 数据预处理 获取数据后需要进行数据清洗和预处理，包括删除重复数据、处理缺失值、格式转换等。同时还需要进行特征工程，提取与问题相关的特征，例如时间、天气、地理位置等。这里以时间和 AQI 为特征，对数据进行预处理和特征提取。 ## KNN 算法 KNN（k-Nearest Neighbor）算法是一种简单而有效的机器学习算法，它通过计算样本之间的距离，找到与目标样本最近的 k 个样本，然后根据这 k 个样本的标签进行预测。KNN 算法可以用于分类和回归问题，这里我们将其应用于回归问题，即预测 AQI 值。 ## 代码实现 下面是用 Python 和 KNN 算法实现城市空气质量分析与预测的代码，其中使用了 pandas、numpy、sklearn 等常用库。 ``` import pandas as pd import numpy as np from sklearn.neighbors import KNeighborsRegressor from sklearn.model_selection import train_test_split # 读取数据 df = pd.read_csv('aqi.csv') # 删除重复数据 df.drop_duplicates(inplace=True) # 处理缺失值 df.fillna(method='ffill', inplace=True) df.fillna(method='bfill', inplace=True) # 特征提取 df['year'] = pd.to_datetime(df['time']).dt.year df['month'] = pd.to_datetime(df['time']).dt.month df['day'] = pd.to_datetime(df['time']).dt.day X = df[['year', 'month', 'day']].values y = df['aqi'].values # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # KNN 算法 knn = KNeighborsRegressor(n_neighbors=3) knn.fit(X_train, y_train) y_pred = knn.predict(X_test) # 结果评估 print('R2 score:', knn.score(X_test, y_test)) ``` ## 结果分析 运行代码后，可以得到预测结果的 R2 分数，用于评估模型的预测精度，分数越接近 1 表示预测精度越高。可以通过调整 KNN 算法的参数和特征工程等方法来进一步提高预测精度。 以上就是用 Python 和 KNN 算法实现城市空气质量分析与预测的方法，希望能对大家有所帮助。

非常好的问题！Python可视化数据分析确实是一个很重要的话题。以下是一些常用的Python可视化库和简单的代码示例： 1. Matplotlib Matplotlib是Python中最常用的可视化库之一，可以绘制各种图表，包括线图、柱状图、散点图等等。以下是一个简单的示例代码： ```python import matplotlib.pyplot as plt import numpy as np # 生成数据 x = np.linspace(0, 10, 100) y = np.sin(x) # 绘制图表 plt.plot(x, y) plt.show() ``` 2. Seaborn Seaborn是一个基于Matplotlib的数据可视化库，可以快速绘制各种统计图表。以下是一个简单的示例代码： ```python import seaborn as sns import pandas as pd # 生成数据 data = pd.DataFrame({'x': np.random.randn(100), 'y': np.random.randn(100)}) # 绘制散点图 sns.scatterplot(x='x', y='y', data=data) ``` 3. Plotly Plotly是一个交互式的数据可视化库，可以绘制各种高质量的图表，并且可以与Dash等框架集成。以下是一个简单的示例代码： ```python import plotly.graph_objs as go import numpy as np # 生成数据 x = np.linspace(0, 10, 100) y = np.sin(x) # 绘制折线图 fig = go.Figure() fig.add_trace(go.Scatter(x=x, y=y, mode='lines')) fig.show() ``` 以上仅是三个常用的Python可视化库和简单的代码示例，还有很多其他的库和方法可以用来进行数据可视化。希望这些例子可以帮助你开始学习数据可视化！