企业官网建设流程全解析

1 研究背景与分析目标

空气质量监测数据通常同时包含颗粒物和多种气态污染物。不同污染物之间既存在共同排放来源，也会受到气象扩散、化学转化和地理位置影响。通过机器学习识别PM2.5较高浓度风险，可以展示环境数据的清洗、长宽表转换、类别不平衡处理和模型解释方法。

本案例的目标不是替代环境监管标准，而是建立一个可在Jupyter Notebook中完整复现的分类流程。分析重点包括：数据质量识别、污染物分布和相关性、站点分组划分、多模型比较、阈值权衡以及错误样本解释。

2 数据来源与适用范围

使用公开世界空气质量快照中的中国记录制作可直接运行的CSV文件。原始记录来自多个空气质量数据源，数据字段包括国家代码、城市、监测点、坐标、污染物、单位、数值和更新时间。

需要特别说明的是，不同监测源的更新时间并不一致。虽然记录时间覆盖至2024年，但样本主要集中在2021年，因此本报告只分析污染物横截面关系与风险识别，不进行全国年度趋势推断。

3 数据字段与分析流程

4 数据质量与探索性分析

4.1 中国空气质量记录的年份分布

数据现象：记录年份覆盖 2018—2024 年，但样本明显集中在2021年，2024年仅代表部分来源的最新快照。

4.2 各类污染物监测记录数量

六类主要污染物记录数量接近，说明多数站点同步提供颗粒物和气态污染物指标。

4.3 清洗前主要数据质量问题

数据现象：共发现 2 条负值或哨兵异常，站点和时间字段整体完整。

原因分析：监测系统可能用-9999等特殊数值表示设备故障、无上传值或无效观测。

4.4 PM2.5浓度分布

数据现象：PM2.5中位数为 18.0 µg/m³、均值为 21.5 µg/m³，分布具有明显右长尾。

原因分析：污染事件通常低频但强度较高，使环境浓度数据呈现多数低值、少量极高值的偏态结构。

4.5 PM2.5风险标签分布

4.6 各污染物浓度的对数分布比较

数据现象：各污染物数量级和离散程度差异明显，CO原始尺度远高于其他指标。

原因分析：污染物物理浓度、排放来源及监测尺度不同，不能直接使用同一原始纵轴比较。

4.7 污染物与地理变量相关性热力图

4.8 PM10与PM2.5的关系

数据现象：PM10升高时PM2.5整体同步上升，较高浓度样本集中在右上方，但散点仍存在离散。

原因分析：颗粒物共享来源，但细颗粒占比受燃烧类型、扬尘、湿度和化学转化影响。

4.9 不同纬度区间的较高浓度样本比例

5 特征工程与建模设计

5.1 标签与特征

目标变量为“较高浓度风险”：PM2.5大于35 µg/m³记为1，否则记为0。该阈值用于构造教学型二分类问题，不对应法定空气质量等级。模型输入不包含PM2.5本身，使用PM10、NO2、SO2、CO、O3、纬度、经度、月份和小时。

5.2 数据划分

采用GroupShuffleSplit按站点划分，训练集1,197条、验证集241条、测试集248条。这样可避免同一站点的地理和命名特征同时出现在训练和测试阶段。\

5.3 模型设置

模型保持简洁：多数类基线用于识别虚高准确率；逻辑回归作为线性可解释模型；决策树用于表达简单非线性；随机森林通过多棵决策树集成提高稳定性。逻辑回归、决策树和随机森林均使用类别权重平衡少数类。未使用XGBoost、LightGBM、深度学习或复杂参数搜索。

5.4 验证集模型指标

6 模型评价与结果解释

6.1 验证集模型指标对比

多数类基线无法识别较高浓度样本；随机森林在ROC-AUC、PR-AUC和F1上综合领先。

6.2 随机森林测试集混淆矩阵

模型识别 28 条较高浓度样本，漏判 11 条，并误报 11 条一般浓度样本。错误主要来自阈值附近样本，不同类别在特征空间存在重叠。

6.3 测试集ROC曲线

6.4 测试集PR曲线

6.5 分类阈值对识别结果的影响

6.6 随机森林特征重要性

6.7 不同实际类别的预测概率分布

7 主要结论

•数据包含11,115条中国空气质量长表记录，六类污染物记录数量相对均衡，但年份集中，适合横截面关联分析而非长期趋势推断。

•完整建模样本为1,686条，较高浓度样本占14.2%，类别不平衡使多数类基线产生表面准确率但无法识别风险。

•PM10与PM2.5相关系数约为0.85，是最主要的模型特征；NO2、CO、O3和空间位置提供补充信息。

8 局限性与改进建议

具体细节见原文

创造不易，谢谢各位多多点赞收藏！