CN-AIR数据格式完全解读：AQI、PM2.5、O3等15项指标一次讲清

CN-AIR数据格式完全解读：AQI、PM2.5、O3等15项指标一次讲清

【免费下载链接】CN-AIR项目地址: https://ai.gitcode.com/GewisLab/CN-AIR

想研究中国空气质量却不知道数据文件里每列每行代表什么？别担心，这篇CN-AIR数据格式完全解读就是为你准备的。CN-AIR是一份覆盖全国主要城市的空气质量历史数据集，时间跨度从2014年一直到2026年，数据源自中国环境监测总站（CNEMC）。本文将带你一次看清CSV文件中的AQI、PM2.5、O3等15项指标，从字段含义到单位换算，从缺失值处理到pandas读取方法，新手也能轻松上手。

CN-AIR是什么？先认识这份空气质量数据集 📊

CN-AIR（China Air Quality Historical Dataset）是一个开源空气质量数据集，包含两类数据：

• 城市级数据：以城市为单位的平均浓度，约370个城市
• 站点级数据：以具体监测站点为单位，颗粒度更细

数据按年份分目录存放，比如城市_20240101-20241231/、站点_20140513-20141231/，每个目录下是一天的CSV文件，命名规则一目了然：china_cities_20240101.csv代表2024年1月1日的城市数据。

💡 小知识：一个CSV文件约390KB，一天24小时、15项指标，每天约360行数据。整个项目累计超过4300个CSV文件，堪称国内少有的长跨度空气质量开源数据集。

15项指标分别是什么？一张表全看懂 🔍

CN-AIR的type字段一共包含15种数据类型：1个综合指数（AQI）+ 14个污染物浓度指标。很多新手疑惑"为什么PM2.5有两个字段"？答案就在后缀里——带_24h的是24小时滑动平均值，不带的是整点实时值。

两个最容易踩坑的点：

1. CO的单位特殊：其他污染物都是微克/立方米（μg/m³），只有CO是毫克/立方米（mg/m³），数值通常只有0.3~1.5左右，千万别和其他指标混为一谈。
2. O3有三套口径：实时值（O3）、8小时滑动平均（O3_8h）、以及参与AQI计算的24小时滑动（O3_8h_24h），研究臭氧污染时建议优先使用O3_8h。

CN-AIR CSV数据格式详解：列和行都代表什么 📐

打开任意一个china_cities_*.csv，第一行表头长这样：

date,hour,type,北京,天津,石家庄,唐山,秦皇岛,...

文件采用"宽表"结构，逻辑非常清晰：

• date列：日期，格式为YYYYMMDD，例如20240101
• hour列：小时，取值0-23，表示该小时整点
• type列：数据类型，即上表的15项指标之一
• 后续所有列：每个城市一列，列名就是城市名（如北京、上海、广州）

也就是说，同一时刻、同一指标、不同城市，排在同一行。想看"2024年1月1日0点北京的AQI"，就是找date=20240101, hour=0, type=AQI那一行的"北京"列。

一行真实数据长什么样

20240101,0,AQI,55,78 20240101,0,PM2.5,29,57 20240101,0,PM2.5_24h,12,28 20240101,0,CO,0.51,0.73

上面是"2024年1月1日0点，北京、天津"的部分数据：北京AQI为55（良），PM2.5为29 μg/m³，CO为0.51 mg/m³。数值是小数？直接用float读取即可。

📌 城市数量小提示：2014年数据约367个城市，到2024年已扩展到约375个城市。不同年份的列数略有差异，做跨年分析时建议以城市名为准做宽表转长表，而不是依赖列位置。

缺失值长什么样？如何处理空数据 ⚠️

真实监测数据难免有缺失，CN-AIR里缺失值以空值形式存在，比如20240101,0,O3_24h,,中北京列是空的。常见处理姿势：

• pandas读取：pd.read_csv()会自动把空值识别为NaN，直接可用df.isna().sum()统计缺失
• 冬季O3数据容易缺：因为冬天气温低、臭氧浓度低，部分站点在冬季O3_8h_24h可能连续缺测
• 研究建议：做时间序列分析前，先按城市+指标查看缺失比例，缺失过多的城市建议剔除或插值

如何用pandas快速读取CN-AIR数据 🐍

CN-AIR数据是标准CSV，用pandas一行就能读取：

import pandas as pd df = pd.read_csv('城市_20240101-20241231/城市_20240101-20241231/china_cities_20240101.csv') print(df.head())

如果要做跨城市、跨指标的分析，建议转成"长表"更顺手：

df_long = df.melt( id_vars=['date', 'hour', 'type'], var_name='city', value_name='value' )

转成长表后，每一行就是"某天某小时某城市某指标的一个观测值"，配合groupby可以轻松做任意维度的统计：比如计算全年各城市PM2.5年均值、绘制某城市AQI逐小时曲线等。

批量合并多年数据的技巧

项目按年份分目录存放，需要全量分析时可以用glob批量读取再合并：

import glob, pandas as pd files = glob.glob('城市_*/城市_*/*.csv') dfs = [pd.read_csv(f) for f in files] combined = pd.concat(dfs, ignore_index=True) combined.to_parquet('china_cities_combined.parquet')

转换后的Parquet文件读取更快、体积更小，适合反复加载分析。

CN-AIR目录结构与数据范围速查 🗂️

• 时间范围：2014-05-13 至 2026-04-23，超过12年
• 数据来源：中国环境监测总站（CNEMC）
• 许可证：MIT开源协议，可自由用于学习研究

想下载全部数据，克隆仓库即可：

git clone https://gitcode.com/GewisLab/CN-AIR.git cd CN-AIR

由于数据量较大，仓库使用Git LFS管理大文件，克隆前记得先执行git lfs install。

常见问题FAQ ❓

Q1：AQI是怎么算出来的？AQI由PM2.5、PM10、SO2、NO2、O3、CO六项污染物分别计算分指数（IAQI）后取最大值。其中O3使用8小时滑动平均值参与计算，这也就是数据里出现O3_8h和O3_8h_24h的原因。

Q2：实时值和24小时值有什么区别？实时值是整点瞬时浓度；_24h是过去24小时的滑动平均，更平滑、更能代表一段时间的暴露水平，也是官方评价空气质量等级时采用的数值。

Q3：数据是北京时间吗？是的，hour字段按北京时间（东八区）记录，研究时可放心直接使用。

Q4：能用这份数据做论文研究吗？可以用于学术研究，数据来自官方监测站整理，但项目README也提示"数据可能存在缺失或误差，使用时请自行验证"，重要结论建议与官方发布数据交叉核对。

总结：CN-AIR数据格式一次掌握 ✅

回顾一下关键要点：

• 📁 CSV宽表结构：date（YYYYMMDD）+hour（0-23）+type（15项指标）+ 城市列
• 📊 15项指标 = AQI + 14个污染物浓度字段，注意CO是mg/m³、O3有三套口径
• ⏰ 每文件24小时×15指标，约370个城市列，跨2014-2026年
• 🐍 pandas一行读取，melt转长表后分析更灵活

掌握了CN-AIR的数据格式，你就可以放心地用这份超过12年的空气质量数据集做趋势分析、城市对比、健康效应研究了。如果文章对你有帮助，欢迎动手跑一遍上面的读取代码，数据格式理解得快，分析之路就走得稳。祝大家都能用数据看清"空气"！

【免费下载链接】CN-AIR项目地址: https://ai.gitcode.com/GewisLab/CN-AIR