Bỏ qua đến nội dung chính
Mục lục

Dự án EDA: phân tích chất lượng không khí sáu tỉnh

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 4/4 · Chương 4

Dự án trực quan hóa

  • 10 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Dự án này phân tích chất lượng không khí của sáu tỉnh, thành trong cả năm 2025 theo đúng một vòng EDA: nạp, kiểm tra, khám phá bằng ba biểu đồ và kết luận có số. Bạn làm qua sáu bước, mỗi câu hỏi một biểu đồ hợp với nó, rồi ghép thành một chương trình; cuối trang bạn tự viết hàm vẽ bụi mịn theo tháng cho một tỉnh.

Cần biết trước: EDA là gì, rolling() và heatmap.

Chương trình sẽ làm gì

File khong_khi.csv là bảng đo hằng ngày AIDev dựng để học, mỗi dòng một tỉnh trong một ngày: PM2.5 và PM10 (µg/m³), nhiệt độ (°C), độ ẩm (%) và lượng mưa (mm). Đây là bản sạch; việc làm sạch bản thô đã có ở dự án PM2.5 của tutorial Pandas. Ba câu hỏi: bụi mịn PM2.5 lên xuống theo mùa thế nào ở từng tỉnh, tỉnh nào nhiều bụi hơn, và bụi đi cùng thời tiết ra sao.

Câu đầu là xu hướng theo thời gian của nhiều nhóm, nên vẽ sáu đường trên cùng một axes. Câu hai so phân bố giữa các nhóm, nên dùng box plot. Câu ba hỏi về quan hệ giữa nhiều biến, nên dùng heatmap tương quan. Mỗi bước đọc lại file nên chạy riêng được; bước 5 kiểm lại một kết luận dễ hiểu sai bằng số, bước 6 ghép tất cả.

Bước 1: Nạp và kiểm tra dữ liệu

python
import pandas as pd

kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
print(kk.shape)
print(kk["ngay"].min().date(), kk["ngay"].max().date())
print(kk["tinh"].value_counts())
print("Ô thiếu:", kk.isna().sum().sum())

KẾT QUẢ

(2190, 7)
2025-01-01 2025-12-31
tinh
Hà Nội             365
Bắc Ninh           365
Hải Phòng          365
Đà Nẵng            365
TP. Hồ Chí Minh    365
Cần Thơ            365
Name: count, dtype: int64
Ô thiếu: 0

Sáu tỉnh, mỗi tỉnh đủ 365 ngày của năm 2025, không ô nào thiếu, nên không cần bước làm sạch. Bảng ở dạng dài: một cột tinh và một cột cho mỗi đại lượng, đúng dạng mà groupby() và seaborn cần.

Bước 2: Bụi mịn lên xuống theo mùa

PM2.5 từng ngày nhảy rất mạnh theo gió và mưa. pivot() đưa mỗi tỉnh thành một cột, rồi rolling(30, center=True) lấy trung bình 30 ngày quanh mỗi ngày để thấy nhịp mùa; min_periods=15 cho phép tính cả ở hai đầu năm khi cửa sổ thiếu ngày. Sáu đường nằm trên cùng một axes nên so độ cao trực tiếp được: ba tỉnh phía Bắc nét liền, ba tỉnh còn lại nét đứt, và chú giải xếp theo mức bụi trung bình giảm dần. Ngày tháng mặc định chen chúc dưới trục, nên set_xticks() chỉ ghi bốn mốc đầu quý lấy từ moc.

python
import pandas as pd
import matplotlib.pyplot as plt
kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
bang = kk.pivot(index="ngay", columns="tinh", values="pm25")
tron = bang.rolling(30, min_periods=15, center=True).mean()
moc = pd.date_range("2025-01-01", periods=4, freq="3MS")
fig, ax = plt.subplots(figsize=(8, 4.5), layout="constrained")
for tinh in tron.mean().sort_values(ascending=False).index:
    bac = tinh in ["Bắc Ninh", "Hà Nội", "Hải Phòng"]
    ax.plot(tron[tinh], label=tinh, ls="-" if bac else "--")
ax.set_xticks(moc, ["Tháng 1", "Tháng 4", "Tháng 7", "Tháng 10"])
ax.set_title("Bụi mịn phía Bắc dâng cao từ tháng 10 đến tháng 3")
ax.set(xlabel="Năm 2025", ylabel="PM2.5 trung bình 30 ngày (µg/m³)")
ax.legend(ncols=2)
plt.show()
Sáu đường PM2.5 trung bình 30 ngày năm 2025 trên một biểu đồ; Bắc Ninh, Hà Nội, Hải Phòng nét liền hình chữ U, 50 đến 80 đầu và cuối năm, khoảng 20 giữa năm; ba tỉnh còn lại nét đứt đi thấp quanh 15 đến 35.

Ba tỉnh phía Bắc có hình chữ U rõ: bụi cao từ tháng 10 tới tháng 3 năm sau, xuống thấp nhất vào tháng 6 đến tháng 8. Ba tỉnh còn lại đi thấp và phẳng hơn nhiều; Đà Nẵng lại có đỉnh nhỏ vào tháng 3 đến tháng 5. Nét liền và nét đứt tách hai miền ngay cả khi in đen trắng, và chú giải từ trên xuống cho thấy thứ hạng.

Bước 3: Tỉnh nào nhiều bụi hơn

So phân bố của sáu nhóm dùng box plot: mỗi hộp là 365 ngày của một tỉnh, xếp theo trung vị tăng dần để thứ tự trên hình cũng là thứ hạng.

python
import pandas as pd
import matplotlib.pyplot as plt
kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
tv = kk.groupby("tinh")["pm25"].median().sort_values()
nhom = [kk.loc[kk["tinh"] == t, "pm25"] for t in tv.index]
fig, ax = plt.subplots(figsize=(8, 4), layout="constrained")
ax.boxplot(nhom, tick_labels=tv.index)
ax.set_title("Phía Bắc nhiều bụi mịn hơn hẳn ba tỉnh còn lại")
ax.set(xlabel="Tỉnh", ylabel="PM2.5 trung bình ngày (µg/m³)")
print(tv.round(1))
plt.show()

KẾT QUẢ

tinh
Đà Nẵng            19.1
Cần Thơ            21.0
TP. Hồ Chí Minh    23.6
Hải Phòng          34.5
Hà Nội             40.0
Bắc Ninh           45.6
Name: pm25, dtype: float64
Box plot PM2.5 sáu tỉnh xếp tăng dần theo trung vị; Đà Nẵng, Cần Thơ, TP. Hồ Chí Minh hộp thấp quanh 20; Hải Phòng, Hà Nội, Bắc Ninh hộp cao và dài hơn, trung vị 35 đến 46.

Trung vị của ba tỉnh phía Bắc từ 34,5 đến 45,6 µg/m³, gần gấp đôi ba tỉnh còn lại (19,1 đến 23,6). Hộp phía Bắc cũng dài hơn nhiều: dao động giữa mùa đông và mùa hè lớn, đúng như hình chữ U ở bước 2. Các điểm ngoại lai phía trên là những ngày bụi đặc biệt, không phải lỗi đo, nên giữ lại.

Bước 4: Bụi đi cùng thời tiết thế nào

Câu hỏi về quan hệ giữa năm đại lượng dùng ma trận tương quan trên heatmap. Lấy riêng Hà Nội để mỗi dòng là một ngày ở cùng một nơi, đổi tên cột sang tiếng Việt, rồi che nửa trên bằng np.triu() vì ma trận đối xứng.

python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
TEN = {"pm25": "PM2.5", "pm10": "PM10", "nhiet_do": "Nhiệt độ",
       "do_am": "Độ ẩm", "mua_mm": "Lượng mưa"}
kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
hn = kk[kk["tinh"] == "Hà Nội"].drop(columns=["ngay", "tinh"])
r = hn.rename(columns=TEN).corr()
che = np.triu(np.ones_like(r, dtype=bool))
fig, ax = plt.subplots(figsize=(6, 4.6), layout="constrained")
sns.heatmap(r, mask=che, annot=True, fmt=".2f", cmap="coolwarm",
            center=0, ax=ax)
ax.set_title("Hà Nội: ngày lạnh, khô, ít mưa thì nhiều bụi")
plt.show()
Heatmap tam giác dưới tương quan của PM2.5, PM10, nhiệt độ, độ ẩm, lượng mưa ở Hà Nội, màu coolwarm tâm 0; PM10 với PM2.5 đỏ đậm 0,99; nhiệt độ với PM2.5 xanh đậm -0,72; độ ẩm -0,54; lượng mưa -0,33.

PM2.5 và PM10 gần như trùng nhau (0,99), vì bụi mịn là một phần của bụi PM10. Với thời tiết, cả ba hệ số đều âm: ngày lạnh hơn (-0,72), khô hơn (-0,54) và ít mưa hơn (-0,33) thì nhiều bụi hơn. Hệ số với nhiệt độ mạnh nhất, nên rất dễ đọc thành "trời lạnh sinh ra bụi".

Bước 5: Kiểm lại kết luận ở phía Nam

Nếu lạnh thật sự sinh ra bụi thì phía Nam cũng phải có tương quan âm. Tính hệ số giữa PM2.5 và nhiệt độ cho nhóm ba tỉnh phía Bắc và nhóm hai tỉnh phía Nam, bỏ Đà Nẵng vì khí hậu miền Trung khác cả hai.

python
import pandas as pd
kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
bac = kk[kk["tinh"].isin(["Hà Nội", "Bắc Ninh", "Hải Phòng"])]
nam = kk[kk["tinh"].isin(["TP. Hồ Chí Minh", "Cần Thơ"])]
r_bac = bac["pm25"].corr(bac["nhiet_do"])
r_nam = nam["pm25"].corr(nam["nhiet_do"])
chu = f"Phía Bắc: {r_bac:.2f}; phía Nam: {r_nam:.2f}"
print(chu.replace(".", ","))

KẾT QUẢ

Phía Bắc: -0,70; phía Nam: 0,20

Phía Bắc hệ số âm rõ, phía Nam lại dương nhẹ. Cùng một nhiệt độ mà hai miền cho chiều ngược nhau, nên nhiệt độ không phải nguyên nhân; thứ chung là mùa khô ít mưa. Kết luận viết ra: "Bụi mịn phía Bắc cao gấp gần hai lần phía Nam và dồn vào mùa khô lạnh từ tháng 10 tới tháng 3; ở mọi tỉnh, ngày ẩm và mưa đi cùng không khí sạch hơn." Đổi "Cần Thơ" thành "Đà Nẵng" trong dòng nam rồi chạy lại: dòng in ra thành Phía Bắc: -0,70; phía Nam: 0,11; Đà Nẵng có mùa bụi riêng vào xuân, nên hệ số gần 0.

Bước 6: Ghép thành chương trình hoàn chỉnh

Ghép năm bước: các dòng import, từ điển tên cột và lời đọc file ở đầu, rồi ba biểu đồ, mỗi hình lưu thành một file, và phép kiểm ở bước 5. Mọi phép tính đã có ở một bước trên.

python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
TEN = {"pm25": "PM2.5", "pm10": "PM10", "nhiet_do": "Nhiệt độ",
       "do_am": "Độ ẩm", "mua_mm": "Lượng mưa"}
kk = pd.read_csv("khong_khi.csv", parse_dates=["ngay"])
bang = kk.pivot(index="ngay", columns="tinh", values="pm25")
tron = bang.rolling(30, min_periods=15, center=True).mean()
moc = pd.date_range("2025-01-01", periods=4, freq="3MS")
fig, ax = plt.subplots(figsize=(8, 4.5), layout="constrained")
for tinh in tron.mean().sort_values(ascending=False).index:
    bac = tinh in ["Bắc Ninh", "Hà Nội", "Hải Phòng"]
    ax.plot(tron[tinh], label=tinh, ls="-" if bac else "--")
ax.set_xticks(moc, ["Tháng 1", "Tháng 4", "Tháng 7", "Tháng 10"])
ax.set_title("Bụi mịn phía Bắc dâng cao từ tháng 10 đến tháng 3")
ax.set(xlabel="Năm 2025", ylabel="PM2.5 trung bình 30 ngày (µg/m³)")
ax.legend(ncols=2)
fig.savefig("hinh-1-mua.png", dpi=150)
tv = kk.groupby("tinh")["pm25"].median().sort_values()
nhom = [kk.loc[kk["tinh"] == t, "pm25"] for t in tv.index]
fig, ax = plt.subplots(figsize=(8, 4), layout="constrained")
ax.boxplot(nhom, tick_labels=tv.index)
ax.set_title("Phía Bắc nhiều bụi mịn hơn hẳn ba tỉnh còn lại")
ax.set(xlabel="Tỉnh", ylabel="PM2.5 trung bình ngày (µg/m³)")
fig.savefig("hinh-2-tinh.png", dpi=150)
hn = kk[kk["tinh"] == "Hà Nội"].drop(columns=["ngay", "tinh"])
r = hn.rename(columns=TEN).corr()
fig, ax = plt.subplots(figsize=(6, 4.6), layout="constrained")
sns.heatmap(r, mask=np.triu(np.ones_like(r, dtype=bool)),
            annot=True, fmt=".2f", cmap="coolwarm", center=0, ax=ax)
ax.set_title("Hà Nội: ngày lạnh, khô, ít mưa thì nhiều bụi")
fig.savefig("hinh-3-thoi-tiet.png", dpi=150)
plt.close("all")
bac = kk[kk["tinh"].isin(["Hà Nội", "Bắc Ninh", "Hải Phòng"])]
nam = kk[kk["tinh"].isin(["TP. Hồ Chí Minh", "Cần Thơ"])]
r_bac = bac["pm25"].corr(bac["nhiet_do"])
r_nam = nam["pm25"].corr(nam["nhiet_do"])
chu = f"Phía Bắc: {r_bac:.2f}; phía Nam: {r_nam:.2f}"
print(chu.replace(".", ","))

KẾT QUẢ

Phía Bắc: -0,70; phía Nam: 0,20

Chương trình lưu ba hình thành hinh-1-mua.png, hinh-2-tinh.png, hinh-3-thoi-tiet.png để chèn vào báo cáo, rồi plt.close("all") đóng chúng thay cho plt.show(), vì bạn đã xem cả ba ở các bước trên; dòng in ra là phép kiểm cho câu thứ ba. Đổi 30 trong rolling(30, min_periods=15, center=True) thành 7 rồi chạy lại: dòng in ra vẫn là Phía Bắc: -0,70; phía Nam: 0,20, vì phép kiểm dùng số từng ngày; chỉ các đường trong hinh-1-mua.png gồ ghề hơn.

Bài tập

Box plot PM2.5 theo tháng của một tỉnh

Bước 2 cho thấy nhịp mùa bằng đường trung bình; box plot theo tháng cho thấy thêm độ dao động trong mỗi tháng. Viết thân hàm ve_hop_theo_thang(kk, tinh). Bảng kk có các cột ngay (kiểu ngày giờ, cùng một năm), tinh và pm25, như bảng của chương trình. Hàm vẽ trên một axes mới:

  • chỉ các ngày của tỉnh tinh; mỗi tháng có dữ liệu một hộp, xếp theo thứ tự tháng;

  • nhãn dưới mỗi hộp là T cộng số tháng, như T1, T12;

  • tiêu đề PM2.5 theo tháng ở <tinh>, nhãn trục x Tháng, nhãn trục y PM2.5 trung bình ngày (µg/m³).

Hàm không sửa bảng nhận được.

Trả về: axes đã vẽ, một Axes.

Ví dụ bảng có Hà Nội ngày 5/1 (72), 20/1 (64,5), 3/2 (58) với tinh="Hà Nội" cho hai hộp T1 (trung vị 68,25) và T2 (58).

python
import pandas as pd
import matplotlib.pyplot as plt

def ve_hop_theo_thang(kk, tinh):
    pass  # Viết thân hàm thay cho dòng này

Thử mở rộng

Chương trình đã trả lời ba câu; vài câu hỏi tiếp theo làm được với cùng file:

  • Gọi ve_hop_theo_thang(kk, "Bắc Ninh") và ve_hop_theo_thang(kk, "Đà Nẵng") để so mùa bụi của hai nơi.

  • Tính tỉ lệ ngày PM2.5 trên 50 µg/m³ của từng tỉnh bằng groupby() và vẽ cột ngang đã sắp.

  • Vẽ heatmap tương quan cho TP. Hồ Chí Minh và đặt cạnh heatmap Hà Nội trên hai axes, để thấy hệ số với nhiệt độ đổi dấu.

  • Dùng resample("ME") trên bảng bang của bước 2 để có trung bình từng tháng, rồi so với đường rolling().

Chủ đề

phân tích chất lượng không khí

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập