2、某城市2021年2月空气质量数据存入文件aqi.csv，数据文件内容如表1所示。其中，质量等级有五类：优、良、轻度污染、中度污染和重度污染。按照提供的数据完成以下要求。 表1 某城市 2021 年空气质量指数的部分数据aqi.csv 日期 AQI 质量等级 PM2.5含量（ppm） PM10含量（ppm） SO2含量（ppm） CO含量（ppm） NO2含量（ppm） O3_8h含量（ppm） 2021/1/1 79 良 58 64 8 0.7 57 23 2021/1/2 112 轻度污染 84 73 10 1 71 7 2021/1/3 68 良 49 51 7 0.8 49 3 2021/1/4 90 良 67 57 7 1.2 53 18 2021/1/5 110 轻度污染 83 65 7 1 51 46 2021/1/6 65 良 47 58 6 1 43 6 2021/1/7 50 优 18 19 5 1.5 40 43 2021/1/8 69 良 50 49 7 0.9 39 45 2021/1/9 69 良 50 40 6 0.9 47 33 2021/1/10 57 良 34 28 5 0.8 45 21 （1）使用pyecharts工具包绘制空气质量等级单变量饼图。 （2）利用seaborn工具包求AQI与PM2.5、PM10、SO2、CO、NO2、O3_8h相关系数矩阵，并绘制热力图。

(1) 绘制空气质量等级单变量饼图

首先，需要读取aqi.csv文件中的数据并统计各个质量等级的数量。然后，使用pyecharts工具包绘制饼图。

以下是完整的代码：

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Pie

# 读取数据
data = pd.read_csv('aqi.csv')

# 统计质量等级数量
aqi_counts = data['质量等级'].value_counts()

# 绘制饼图
pie = (
    Pie()
    .add("", [list(z) for z in zip(aqi_counts.index.tolist(), aqi_counts.values.tolist())])
    .set_colors(['#99CCFF', '#99CC00', '#FFFF33', '#FF9900', '#FF6666'])
    .set_global_opts(title_opts=opts.TitleOpts(title="空气质量等级分布图"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
pie.render('aqi_pie.html')

运行代码后，会生成一个名为aqi_pie.html的文件，在浏览器中打开即可看到饼图。

(2) 计算AQI与PM2.5、PM10、SO2、CO、NO2、O3_8h的相关系数矩阵，并绘制热力图

使用seaborn工具包中的heatmap函数可以绘制热力图，但是需要先计算相关系数矩阵。因此，首先需要读取aqi.csv文件中的数据，并使用pandas工具包计算相关系数矩阵。

以下是完整的代码：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('aqi.csv')

# 计算相关系数矩阵
corr_matrix = data[['AQI', 'PM2.5含量（ppm）', 'PM10含量（ppm）', 'SO2含量（ppm）', 'CO含量（ppm）', 'NO2含量（ppm）', 'O3_8h含量（ppm）']].corr()

# 绘制热力图
sns.heatmap(corr_matrix, cmap='coolwarm', annot=True, square=True, fmt='.2f')
plt.title('AQI与各项指标的相关系数矩阵')
plt.show()

运行代码后，会弹出一个窗口显示热力图。热力图中，颜色越深表示相关系数越高，颜色越浅表示相关系数越低。同时，每个单元格中的数字表示相关系数的大小。