用 pandas 玩转空气质量数据：找出全国空气最好和最差的城市

小象实战讲义 · Python 入门：8 个小项目边玩边学

在上一节，我们成功从网站上抓取了全国城市的空气质量数据，并保存成了 CSV 文件。现在，我们手里有了一个“数据宝库”，但光有数据可不够酷——我们要像真正的数据分析师一样，从数据里挖出有意思的结论！这一节，我们就用 Python 里一个超级强大的工具 pandas，来快速找出全国空气质量最好和最差的十个城市，并生成排行榜。学完这一节，你就能轻松处理和分析任何表格数据了。

💡 核心导读

• 认识 pandas：一个专门处理表格数据的“瑞士军刀”，比我们之前用 CSV 模块手动读写方便太多了。
• 读取数据：用 pd.read_csv() 一行代码就能把 CSV 文件变成 Python 里好用的数据结构。
• 探索数据：快速查看数据长什么样、有多少行、有没有空值。
• 基本统计：计算最大值、最小值、平均值，对数据有个整体把握。
• 排序与筛选：按空气质量指数（AQI）排序，轻松找出“优等生”和“差等生”。
• 保存结果：把分析好的排行榜再保存成新的 CSV 文件，方便分享。

认识数据分析利器：pandas

在开始之前，我们先来认识一下今天的主角：pandas。它不是那只可爱的熊猫，而是一个 Python 库的名字。你可以把它想象成一个专门为处理表格数据（比如 Excel 表格、CSV 文件）而生的“超级工具箱”。

结构化数据 vs 非结构化数据

• 结构化数据：就像我们的 CSV 文件，数据整齐地排列在行和列里，有明确的“表头”。这种数据是 pandas 最擅长的。
• 非结构化数据：比如一张图片、一段音频、一个视频。它们没有固定的行列结构，pandas 处理起来就不那么方便了。

pandas 建立在另一个我们之前提过的库 NumPy 之上，性能很强。它被广泛用于数据挖掘、数据分析（比如分析学生成绩、股票走势），甚至还提供了“数据清洗”功能——帮我们把脏数据（比如空值、错误值）清理干净。

本节新增了什么？

本节我们只做一件事：引入 pandas 库，用它来读取、分析和保存我们的空气质量数据。 你会发现，用上专业的工具，之前需要写很多行代码才能完成的事情，现在一两行就搞定了！

pandas 的核心数据结构：Series 和 DataFrame

pandas 主要用两种结构来装数据，理解它们对后续操作至关重要。

1. Series：一维数据表 你可以把它看作一个带标签的列表（或一列数据）。左边是自动生成的索引（从0开始），右边是实际的数据值。

我们来创建一个 Series 看看：

import pandas as pd

# 创建一个 Series,数据是 10 到 19
series_data = pd.Series(range(10, 20))
print("创建的 Series：")
print(series_data)
print("\n它的类型是：", type(series_data))

创建的 Series：
0    10
1    11
2    12
3    13
4    14
5    15
6    16
7    17
8    18
9    19
dtype: int64

它的类型是： <class 'pandas.Series'>

看，左边是索引（0-9），右边是值（10-19）。我们可以方便地获取索引或值，也可以预览头部或尾部的几行数据。

import pandas as pd

series_data = pd.Series(range(10, 20))

print("索引：", series_data.index)
print("值：", series_data.values)
print("前3行：")
print(series_data.head(3))
print("后3行：")
print(series_data.tail(3))

索引： RangeIndex(start=0, stop=10, step=1)
值： [10 11 12 13 14 15 16 17 18 19]
前3行：
0    10
1    11
2    12
dtype: int64
后3行：
7    17
8    18
9    19
dtype: int64

2. DataFrame：二维数据表（更常用！） 这就是我们熟悉的表格了！它既有行索引，也有列索引（列名）。我们直接从 CSV 文件读取进来的数据，默认就是 DataFrame 类型，用起来特别顺手。

实战：用 pandas 分析全国城市 AQI

理论说再多不如动手一试。现在，我们就用 pandas 来处理我们抓取到的 china_city_aqi.csv 文件。

注意：为了让代码能在任何环境下直接运行，我们不会直接读取外部文件，而是在代码里构造一个小的样本数据集来演示。完整的全国城市 AQI 数据集，你可以在本课程的 resources 附件中找到并下载练习。

第一步：读取与探索数据

在真实项目中，我们拿到数据后的第一步永远是“先看看它长什么样”。

import pandas as pd

# 构造一个小的样本数据集来演示(真实数据见课程resources)
sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

print("=== 数据基本信息 ===")
print(aqi_data.info())
print("\n=== 预览前5行数据 ===")
print(aqi_data.head())

=== 数据基本信息 ===
<class 'pandas.DataFrame'>
RangeIndex: 12 entries, 0 to 11
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   City    12 non-null     str
 1   AQI     12 non-null     int64
dtypes: int64(1), str(1)
memory usage: 324.0 bytes
None

=== 预览前5行数据 ===
  City  AQI
0   北京  120
1   上海   95
2   广州   80
3   深圳   75
4   成都  110

info() 方法非常有用，它告诉我们：

• 一共有12行数据，2列。
• 列名是 City 和 AQI。
• City 列是字符串类型（pandas 3.x 显示为 str；旧版 pandas 这里显示的是 object），AQI 列是整数类型。
• 没有空值（Non-Null Count 等于总行数）。
• 占用了 324 字节内存。

head() 方法则让我们直观地看到数据的前几行。

第二步：基本统计

对数据有个整体印象后，我们来做些简单的统计。

import pandas as pd

sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

print("=== AQI 基本统计 ===")
print("AQI 最大值：", aqi_data['AQI'].max())
print("AQI 最小值：", aqi_data['AQI'].min())
print("AQI 平均值：", aqi_data['AQI'].mean())

=== AQI 基本统计 ===
AQI 最大值： 157
AQI 最小值： 0
AQI 平均值： 88.25

看，统计起来就是这么简单！aqi_data['AQI'] 选中了名为“AQI”的那一列（这是一个 Series），然后直接调用 .max(), .min(), .mean() 方法就得到了结果。

咦，最小值是 0？ 在空气质量指数中，AQI 为 0 通常意味着该地点没有监测站或数据缺失，并不是真的空气质量“无限好”。在正式分析中，我们需要清洗掉这些无效数据。这个我们留到下一节细说。

第三步：排序与找出 Top 10

最激动人心的部分来了！我们要找出空气质量最好和最差的10个城市。

找出空气质量最好的10个城市（AQI 从小到大排）

import pandas as pd

sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

# 按 AQI 升序排序,并取前10名
top10_cities = aqi_data.sort_values(by=['AQI']).head(10)
print("=== 空气质量最好的10个城市 ===")
print(top10_cities)

=== 空气质量最好的10个城市 ===
    City  AQI
10  大兴安岭    0
9     三亚   42
5     杭州   65
3     深圳   75
2     广州   80
1     上海   95
8     沈阳   98
6     武汉  102
4     成都  110
7     西安  115

sort_values(by=['AQI']) 实现了按 AQI 列的值进行排序，默认是升序（从小到大）。.head(10) 则取出了排序后的前10行。

找出空气质量最差的10个城市 有两种思路：

1. 升序排列后，取末尾10个（.tail(10)）。
2. 直接降序排列（从大到小），然后取前10个。

我们来演示第二种更直观的方法：

import pandas as pd

sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

# 按 AQI 降序排序,并取前10名
bottom10_cities = aqi_data.sort_values(by=['AQI'], ascending=False).head(10)
print("=== 空气质量最差的10个城市 ===")
print(bottom10_cities)

=== 空气质量最差的10个城市 ===
   City  AQI
11   邯郸  157
0    北京  120
7    西安  115
4    成都  110
6    武汉  102
8    沈阳   98
1    上海   95
2    广州   80
3    深圳   75
5    杭州   65

这里的关键参数是 ascending=False，它告诉 pandas 要按降序排列。

第四步：保存分析结果

分析出了排行榜，我们当然要把它保存下来。用 pandas 保存为 CSV 文件，也是一行代码的事！

import pandas as pd

sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

top10_cities = aqi_data.sort_values(by=['AQI']).head(10)
bottom10_cities = aqi_data.sort_values(by=['AQI'], ascending=False).head(10)

# 保存到CSV文件(此处注释掉,实际运行时可以取消注释)
# top10_cities.to_csv('top10_aqi.csv', index=False)
# bottom10_cities.to_csv('bottom10_aqi.csv', index=False)

print("【提示】上面两行代码可以将结果保存为 CSV 文件。")
print("to_csv('top10_aqi.csv', index=False) 中，index=False 表示不保存最左边的行索引列。")

【提示】上面两行代码可以将结果保存为 CSV 文件。
to_csv('top10_aqi.csv', index=False) 中，index=False 表示不保存最左边的行索引列。

to_csv() 方法将 DataFrame 保存为 CSV 文件。参数 index=False 非常重要，它避免了将 DataFrame 中自动生成的行索引（0,1,2…）也写入文件，让生成的文件更简洁。

把所有步骤整合起来

让我们把上面的所有操作，整合成一个完整的、可以直接运行的程序。

"""
    作者：小象教研组
    功能：用pandas分析城市AQI数据，找出最好和最差的10个城市
    版本：9.0
"""
import pandas as pd

def main():
    # 1. 构造样本数据(真实数据请使用 pd.read_csv('你的文件.csv'))
    sample_data = {
        'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
        'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
    }
    aqi_data = pd.DataFrame(sample_data)

    print('=== 数据基本信息 ===')
    print(aqi_data.info())

    print('\n=== 数据预览（前5行）===')
    print(aqi_data.head())

    # 2. 基本统计
    print('\n=== AQI 基本统计 ===')
    print('AQI最大值:', aqi_data['AQI'].max())
    print('AQI最小值：', aqi_data['AQI'].min())
    print('AQI均值：', aqi_data['AQI'].mean())

    # 3. Top 10 (最好)
    top10_cities = aqi_data.sort_values(by=['AQI']).head(10)
    print('\n=== 空气质量最好的10个城市 ===')
    print(top10_cities)

    # 4. Bottom 10 (最差)
    bottom10_cities = aqi_data.sort_values(by=['AQI'], ascending=False).head(10)
    print('\n=== 空气质量最差的10个城市 ===')
    print(bottom10_cities)

    # 5. 保存结果(此处注释,实际使用可取消注释)
    # top10_cities.to_csv('top10_aqi.csv', index=False)
    # bottom10_cities.to_csv('bottom10_aqi.csv', index=False)
    # print('\n结果已保存为 top10_aqi.csv 和 bottom10_aqi.csv')

# 运行主函数
main()

=== 数据基本信息 ===
<class 'pandas.DataFrame'>
RangeIndex: 12 entries, 0 to 11
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   City    12 non-null     str  
 1   AQI     12 non-null     int64
dtypes: int64(1), str(1)
memory usage: 324.0 bytes
None

=== 数据预览（前5行）===
  City  AQI
0   北京  120
1   上海   95
2   广州   80
3   深圳   75
4   成都  110

=== AQI 基本统计 ===
AQI最大值: 157
AQI最小值： 0
AQI均值： 88.25

=== 空气质量最好的10个城市 ===
    City  AQI
10  大兴安岭    0
9     三亚   42
5     杭州   65
3     深圳   75
2     广州   80
1     上海   95
8     沈阳   98
6     武汉  102
4     成都  110
7     西安  115

=== 空气质量最差的10个城市 ===
   City  AQI
11   邯郸  157
0    北京  120
7    西安  115
4    成都  110
6    武汉  102
8    沈阳   98
1    上海   95
2    广州   80
3    深圳   75
5    杭州   65

运行这个程序，你就能看到从数据探索、统计到排序输出的完整流程。如果你下载了课程提供的完整 china_city_aqi.csv 文件，只需要将构造 sample_data 的那部分代码，替换成 aqi_data = pd.read_csv('china_city_aqi.csv')，就能分析全国几百个城市的真实数据了！

📝 动手练一练

1. 修改统计项：除了最大值、最小值、平均值，pandas 的 Series 还有 .median()（中位数）、.std()（标准差）等方法。尝试修改代码，计算并输出 AQI 数据的中位数和标准差，看看能发现什么？

   👉 点击查看参考答案

   思路：中位数是将数据排序后位于中间的值，能避免极端值影响。标准差反映数据的波动程度。

import pandas as pd
sample_data = {'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]}
aqi_series = pd.Series(sample_data['AQI'])

print("AQI中位数：", aqi_series.median())
print("AQI标准差：", aqi_series.std())

**输出示例**：
```text

AQI中位数： 96.5 AQI标准差： 40.411800706769256

    中位数(96.5)比平均值(88.25)高，说明数据分布可能向左偏移（有较多低值）。标准差较大，说明各城市AQI差异很大。
    </details>

2.  **筛选数据**：我们注意到数据中有 AQI 为 0 的无效记录。请尝试在排序之前，先筛选掉 `aqi_data` 中 `AQI` 等于 0 的行，然后再进行 Top 10 和 Bottom 10 的排名。提示：可以使用 `aqi_data[aqi_data['AQI'] > 0]` 进行筛选。
    <details>
    <summary>👉 点击查看参考答案</summary>

    **思路**：通过布尔条件 `aqi_data['AQI'] > 0` 生成一个 True/False 序列，再用它来索引原 DataFrame，就能得到筛选后的数据。
```python
import pandas as pd
sample_data = {
    'City': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '西安', '沈阳', '三亚', '大兴安岭', '邯郸'],
    'AQI': [120, 95, 80, 75, 110, 65, 102, 115, 98, 42, 0, 157]
}
aqi_data = pd.DataFrame(sample_data)

# 筛选掉 AQI 为 0 的数据
clean_data = aqi_data[aqi_data['AQI'] > 0]
print("清洗后数据量：", len(clean_data), "条")
print("空气质量最好的城市（清洗后）：")
print(clean_data.sort_values(by='AQI').head(3))

**输出示例**：
```text

清洗后数据量： 11 条 空气质量最好的城市（清洗后）： City AQI 9 三亚 42 5 杭州 65 3 深圳 75

    可以看到，清洗后“大兴安岭(AQI=0)”被排除，三亚成为了第一名。
    </details>

## 本章小结

恭喜！在这一节，你成功地从一名“数据收集员”升级为了“数据分析师”。通过引入强大的 pandas 库，你学会了：

- **一键读写**：用 `read_csv()` 和 `to_csv()` 轻松处理 CSV 文件，告别繁琐的手动解析。
- **数据探索**：使用 `.info()` 和 `.head()` 快速了解数据的全貌和样貌。
- **描述统计**：用 `.max()`, `.min()`, `.mean()` 等**方法**对数据进行整体描述。
- **排序筛选**：用 `sort_values()` 对数据排序，用简单的条件（如 `AQI > 0`）筛选数据，精准定位目标。
- **完整流程**：体验了从读取、探索、分析到输出结果的数据分析标准流程。

### 📋 行动清单
学完立刻可以做的几件事：
- [ ] **运行完整代码**：把本节最后的整合代码复制到你的编辑器中运行，观察每一步的输出。
- [ ] **替换真实数据**：下载课程 resources 中的 `china_city_aqi.csv`，修改代码读取它，看看全国城市的真实排名是怎样的？
- [ ] **挑战练习**：完成上面的“动手练一练”，尝试计算更多统计量，并清洗掉无效数据，让你的排行榜更准确。

在下一节，我们将继续深入 pandas 的魔法世界，学习如何更专业地进行**数据清洗**（比如处理缺失值、异常值），以及如何用 pandas 内置的功能做出漂亮的**数据可视化图表**，让我们的分析结果一目了然！

—— 小象教研组