做数据可视化或者预测模型，空气质量是个很合适的题目：数据量适中、字段清楚、还能和地理位置结合。但真正动手时，第一个问题往往不是建模，而是从哪儿拿数据、拿到的是什么口径。

几类常见数据源

  • 城市国控站数据：按小时或按日发布 AQI、PM2.5、PM10、SO2、NO2、CO、O3 六项污染物浓度，覆盖全国地级市，适合做城市级趋势分析。
  • 全球再分析数据：卫星反演结合模式模拟，提供网格化的 PM2.5 浓度，分辨率和时间跨度都比站点数据大，适合做空间分布图。
  • 开放数据平台：不少城市的数据开放门户提供历史 CSV 下载，字段命名不统一，要先做清洗。
  • 自建监测设备：传感器便宜，但数据漂移大，需要和国控站做校准。

字段怎么理解

AQI 是综合指数，取值 0 到 500，分六级；PM2.5 的单位是微克每立方米。注意有的数据集标的是 μg/m³，有的是 mg/m³，量级差一千倍，混着用会得出荒谬的结论。还有的表格里用 -1 或者空字符串表示缺失，直接求平均会被污染。

清洗时最常见的四个问题

  • 时间口径：小时数据要标清是整点值还是小时均值，跨时区处理容易错一小时。
  • 缺失值：设备故障导致整段缺失，别用前值填充太久，否则趋势图会显得异常平滑。
  • 站点变更：站点会搬迁、改名、停运，用站点 ID 做主键比用名称可靠。
  • 异常值：沙尘天气下 PM10 会飙到上千，这是真实值，不是错误，清洗前先看气象记录。

做可视化时的建议

时间序列用折线图看趋势，城市对比用热力图或者分面小图，空间分布用地图。AQI 分级配色要按官方色阶来，别自己配一套红黄绿，读者对不上标准就没法判断严重程度。

数据量大的时候，先按月聚合再画图，前端渲染几千个点会卡。真要展示逐小时数据，用降采样或者服务端聚合。

合规提醒

用别人的数据要看清许可协议，有的只允许非商业用途，有的要求署名。公开发布图表时注明数据来源和采集时间，这是基本要求。商业项目里用气象和环保数据，最好确认一下是否需要授权。

最后一句：数据集的字段说明比数据本身更重要，先花十分钟读文档，能省掉后面几小时的返工。