基于机器学习预测未来的二氧化碳排放量（随机森林和XGBoost）

本文主要是介绍基于机器学习预测未来的二氧化碳排放量（随机森林和XGBoost），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

基于机器学习预测未来的二氧化碳排放量（随机森林和XGBoost）

简介：

CO2排放是当今全球关注的环境问题之一。本文将使用Python对OWID提供的CO2排放数据集进行分析，并尝试构建机器学习模型来预测未来的CO2排放趋势。我们将探索数据集中的CO2排放情况，分析各国/地区的排放趋势，并利用机器学习算法来预测未来的CO2排放量。

1. 数据集介绍：

我们使用的数据集是OWID（Our World in Data）提供的CO2排放数据集。该数据集包含了各国/地区自1949年至2020年的CO2排放量以及相关的经济、人口等数据。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import plotly.express as px

dataset = pd.read_csv('owid-co2-data.csv')

print(dataset.head()) #显示数据集的前5行。 
print(dataset.shape) #显示数据集的行数和列数

  iso_code      country  year    co2  consumption_co2  co2_growth_prct  \
0      AFG  Afghanistan  1949  0.015              NaN              NaN   
1      AFG  Afghanistan  1950  0.084              NaN            475.0   
2      AFG  Afghanistan  1951  0.092              NaN              8.7   
3      AFG  Afghanistan  1952  0.092              NaN              0.0   
4      AFG  Afghanistan  1953  0.106              NaN             16.0   co2_growth_abs  trade_co2  co2_per_capita  consumption_co2_per_capita  ...  \
0             NaN        NaN           0.002                         NaN  ...   
1           0.070        NaN           0.011                         NaN  ...   
2           0.007        NaN           0.012                         NaN  ...   
3           0.000        NaN           0.012                         NaN  ...   
4           0.015        NaN           0.013                         NaN  ...   ghg_per_capita  methane  methane_per_capita  nitrous_oxide  \
0             NaN      NaN                 NaN            NaN   
1             NaN      NaN                 NaN            NaN   
2             NaN      NaN                 NaN            NaN   
3             NaN      NaN                 NaN            NaN   
4             NaN      NaN                 NaN            NaN   nitrous_oxide_per_capita  population           gdp  \
0                       NaN   7624058.0           NaN   
1                       NaN   7752117.0  9.421400e+09   
2                       NaN   7840151.0  9.692280e+09   
3                       NaN   7935996.0  1.001732e+10   
4                       NaN   8039684.0  1.063052e+10   primary_energy_consumption  energy_per_capita  energy_per_gdp  
0                         NaN                NaN             NaN  
1                         NaN                NaN             NaN  
2                         NaN                NaN             NaN  
3                         NaN                NaN             NaN  
4                         NaN                NaN             NaN  [5 rows x 58 columns]
(25204, 58)

2. 数据预处理：

df = dataset.drop(columns=[ 'consumption_co2','co2_growth_prct','co2_growth_abs' ])
df.head()

	iso_code	country	year	co2	trade_co2	co2_per_capita	consumption_co2_per_capita	share_global_co2	cumulative_co2	share_global_cumulative_co2	...	ghg_per_capita	methane	methane_per_capita	nitrous_oxide	nitrous_oxide_per_capita	population	gdp	primary_energy_consumption	energy_per_capita	energy_per_gdp
0	AFG	Afghanistan	1949	0.015	NaN	0.002	NaN	0.0	0.015	0.0	...	NaN	NaN	NaN	NaN	NaN	7624058.0	NaN	NaN	NaN	NaN
1	AFG	Afghanistan	1950	0.084	NaN	0.011	NaN	0.0	0.099	0.0	...	NaN	NaN	NaN	NaN	NaN	7752117.0	9.421400e+09	NaN	NaN	NaN
2	AFG	Afghanistan	1951	0.092	NaN	0.012	NaN	0.0	0.191	0.0	...	NaN	NaN	NaN	NaN	NaN	7840151.0	9.692280e+09	NaN	NaN	NaN
3	AFG	Afghanistan	1952	0.092	NaN	0.012	NaN	0.0	0.282	0.0	...	NaN	NaN	NaN	NaN	NaN	7935996.0	1.001732e+10	NaN	NaN	NaN
4	AFG	Afghanistan	1953	0.106	NaN	0.013	NaN	0.0	0.388	0.0	...	NaN	NaN	NaN	NaN	NaN	8039684.0	1.063052e+10	NaN	NaN	NaN

5 rows × 55 columns

df1 = df[['country', 'year','co2','coal_co2','cement_co2', 'flaring_co2','gas_co2','oil_co2', 'other_industry_co2','methane', 'nitrous_oxide', 'population' ]]
df1

	country	year	co2	coal_co2	cement_co2	flaring_co2	gas_co2	oil_co2	other_industry_co2	methane	nitrous_oxide	population
0	Afghanistan	1949	0.015	0.015	NaN	NaN	NaN	NaN	NaN	NaN	NaN	7624058.0
1	Afghanistan	1950	0.084	0.021	NaN	NaN	NaN	0.063	NaN	NaN	NaN	7752117.0
2	Afghanistan	1951	0.092	0.026	NaN	NaN	NaN	0.066	NaN	NaN	NaN	7840151.0
3	Afghanistan	1952	0.092	0.032	NaN	NaN	NaN	0.060	NaN	NaN	NaN	7935996.0
4	Afghanistan	1953	0.106	0.038	NaN	NaN	NaN	0.068	NaN	NaN	NaN	8039684.0
...	...	...	...	...	...	...	...	...	...	...	...	...
25199	Zimbabwe	2016	10.738	6.959	0.639	NaN	NaN	3.139	NaN	11.92	6.55	14030338.0
25200	Zimbabwe	2017	9.582	5.665	0.678	NaN	NaN	3.239	NaN	NaN	NaN	14236599.0
25201	Zimbabwe	2018	11.854	7.101	0.697	NaN	NaN	4.056	NaN	NaN	NaN	14438812.0
25202	Zimbabwe	2019	10.949	6.020	0.697	NaN	NaN	4.232	NaN	NaN	NaN	14645473.0
25203	Zimbabwe	2020	10.531	6.257	0.697	NaN	NaN	3.576	NaN	NaN	NaN	14862927.0

25204 rows × 12 columns

final_df = df1[df1['year' ]>1995]
final_df

	country	year	co2	coal_co2	cement_co2	flaring_co2	gas_co2	oil_co2	other_industry_co2	methane	nitrous_oxide	population
47	Afghanistan	1996	1.165	0.007	0.047	0.022	0.308	0.780	NaN	9.93	3.29	18853444.0
48	Afghanistan	1997	1.084	0.004	0.047	0.022	0.283	0.728	NaN	10.60	3.59	19357126.0
49	Afghanistan	1998	1.029	0.004	0.047	0.022	0.265	0.691	NaN	11.10	3.88	19737770.0
50	Afghanistan	1999	0.810	0.004	0.047	0.022	0.242	0.495	NaN	11.87	4.15	20170847.0
51	Afghanistan	2000	0.758	0.004	0.010	0.022	0.224	0.498	NaN	10.59	3.62	20779957.0
...	...	...	...	...	...	...	...	...	...	...	...	...
25199	Zimbabwe	2016	10.738	6.959	0.639	NaN	NaN	3.139	NaN	11.92	6.55	14030338.0
25200	Zimbabwe	2017	9.582	5.665	0.678	NaN	NaN	3.239	NaN	NaN	NaN	14236599.0
25201	Zimbabwe	2018	11.854	7.101	0.697	NaN	NaN	4.056	NaN	NaN	NaN	14438812.0
25202	Zimbabwe	2019	10.949	6.020	0.697	NaN	NaN	4.232	NaN	NaN	NaN	14645473.0
25203	Zimbabwe	2020	10.531	6.257	0.697	NaN	NaN	3.576	NaN	NaN	NaN	14862927.0

6073 rows × 12 columns

final_df = final_df[(final_df['country'].isin(['United States', 'Africa', 'Antartica','South Korea', 'Bangladesh', 'Canada', 'Germany', 'Brazil', 'Argentina','Japan', 'India', 'United Kingdom', 'Saudi Arabia', 'China', 'Australia','Russia']) & (final_df['co2'] > 0))]
final_df

	country	year	co2	coal_co2	cement_co2	flaring_co2	gas_co2	oil_co2	other_industry_co2	methane	nitrous_oxide	population
184	Africa	1996	783.254	353.130	27.681	23.787	108.019	270.637	NaN	NaN	NaN	735361106.0
185	Africa	1997	812.903	360.837	28.350	23.394	95.205	305.117	NaN	NaN	NaN	753737584.0
186	Africa	1998	838.022	355.514	29.203	22.961	112.712	317.632	NaN	NaN	NaN	772437161.0
187	Africa	1999	830.397	366.523	30.311	23.569	114.377	295.618	NaN	NaN	NaN	791504165.0
188	Africa	2000	886.562	370.247	31.510	55.282	114.350	315.173	NaN	NaN	NaN	810984230.0
...	...	...	...	...	...	...	...	...	...	...	...	...
24063	United States	2016	5248.024	1379.744	39.439	51.908	1502.475	2246.524	27.933	629.38	251.7	323015992.0
24064	United States	2017	5207.751	1338.667	40.324	56.186	1480.059	2265.326	27.190	NaN	NaN	325084758.0
24065	United States	2018	5375.491	1283.532	38.971	71.008	1641.041	2316.811	24.128	NaN	NaN	327096263.0
24066	United States	2019	5255.816	1098.854	40.896	84.510	1694.894	2313.372	23.291	NaN	NaN	329064917.0
24067	United States	2020	4712.771	888.649	40.795	84.510	1654.988	2020.538	23.291	NaN	NaN	331002647.0

375 rows × 12 columns

final_df.isnull().sum()

country                 0
year                    0
co2                     0
coal_co2               25
cement_co2              0
flaring_co2            77
gas_co2                 0
oil_co2                 0
other_industry_co2    125
methane                81
nitrous_oxide          81
population              0
dtype: int64

3.数据可视化

我们将根据我们的数据集绘制图表并分析一些结果。 我们绘制一下随时间线的co2排放趋势图：

px.line(dataset, x = 'year', y = 'co2', color='country')

dataset = dataset.dropna(subset=['co2'])px.scatter(dataset[dataset['year']==2019], x="co2_per_capita", y="energy_per_capita", size="co2", color="country", hover_name="country", log_x=True, size_max=60)

continent_data =  dataset[(dataset['country'].isin(['Europe', 'Africa', 'North America', 'South America', 'Oceania', 'Asia'])) & (dataset['co2'] > 0)]
continent_data

	iso_code	country	year	co2	consumption_co2	co2_growth_prct	co2_growth_abs	trade_co2	co2_per_capita	consumption_co2_per_capita	...	ghg_per_capita	methane	methane_per_capita	nitrous_oxide	nitrous_oxide_per_capita	population	gdp	primary_energy_consumption	energy_per_capita	energy_per_gdp
72	NaN	Africa	1884	0.022	NaN	NaN	NaN	NaN	0.005	NaN	...	NaN	NaN	NaN	NaN	NaN	130848603.0	NaN	NaN	NaN	NaN
73	NaN	Africa	1885	0.037	NaN	66.67	0.015	NaN	0.008	NaN	...	NaN	NaN	NaN	NaN	NaN	131563803.0	NaN	NaN	NaN	NaN
74	NaN	Africa	1886	0.048	NaN	30.00	0.011	NaN	0.010	NaN	...	NaN	NaN	NaN	NaN	NaN	132284841.0	NaN	NaN	NaN	NaN
75	NaN	Africa	1887	0.048	NaN	0.00	0.000	NaN	0.010	NaN	...	NaN	NaN	NaN	NaN	NaN	133011765.0	NaN	NaN	NaN	NaN
76	NaN	Africa	1888	0.081	NaN	69.23	0.033	NaN	0.017	NaN	...	NaN	NaN	NaN	NaN	NaN	133744628.0	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
20888	NaN	South America	2016	1164.898	1240.096	-3.32	-40.064	75.198	2.799	2.980	...	NaN	NaN	NaN	NaN	NaN	416164871.0	NaN	NaN	NaN	NaN
20889	NaN	South America	2017	1156.734	1238.620	-0.70	-8.164	81.886	2.755	2.950	...	NaN	NaN	NaN	NaN	NaN	419903920.0	NaN	NaN	NaN	NaN
20890	NaN	South America	2018	1091.450	1173.851	-5.64	-65.284	82.401	2.577	2.771	...	NaN	NaN	NaN	NaN	NaN	423581098.0	NaN	NaN	NaN	NaN
20891	NaN	South America	2019	1065.510	1139.737	-2.38	-25.940	74.228	2.494	2.668	...	NaN	NaN	NaN	NaN	NaN	427199425.0	NaN	NaN	NaN	NaN
20892	NaN	South America	2020	994.160	NaN	-6.70	-71.349	NaN	2.308	NaN	...	NaN	NaN	NaN	NaN	NaN	430759771.0	NaN	NaN	NaN	NaN

1111 rows × 58 columns

px.pie(final_df, names='country', values='co2')

final_df_2020 = final_df[(final_df[ 'year' ]==2020) ]
final_df_2020
final_df_2020[['country','coal_co2','cement_co2','flaring_co2','gas_co2', 'oil_co2','other_industry_co2']].plot(x='country', kind='bar',figsize=(9,5),width=0.9)
plt.title('2020 CO2 consumption')
plt.xlabel('Countries' )
plt.ylabel('CO2 measured in million tonnes')

print(dataset.info)
print(dataset.head())

<bound method DataFrame.info of       iso_code      country  year     co2  consumption_co2  co2_growth_prct  \
0          AFG  Afghanistan  1949   0.015              NaN              NaN   
1          AFG  Afghanistan  1950   0.084              NaN           475.00   
2          AFG  Afghanistan  1951   0.092              NaN             8.70   
3          AFG  Afghanistan  1952   0.092              NaN             0.00   
4          AFG  Afghanistan  1953   0.106              NaN            16.00   
...        ...          ...   ...     ...              ...              ...   
25199      ZWE     Zimbabwe  2016  10.738           12.153           -12.17   
25200      ZWE     Zimbabwe  2017   9.582           11.248           -10.77   
25201      ZWE     Zimbabwe  2018  11.854           13.163            23.72   
25202      ZWE     Zimbabwe  2019  10.949           12.422            -7.64   
25203      ZWE     Zimbabwe  2020  10.531              NaN            -3.82   co2_growth_abs  trade_co2  co2_per_capita  consumption_co2_per_capita  \
0                 NaN        NaN           0.002                         NaN   
1               0.070        NaN           0.011                         NaN   
2               0.007        NaN           0.012                         NaN   
3               0.000        NaN           0.012                         NaN   
4               0.015        NaN           0.013                         NaN   
...               ...        ...             ...                         ...   
25199          -1.488      1.415           0.765                       0.866   
25200          -1.156      1.666           0.673                       0.790   
25201           2.273      1.308           0.821                       0.912   
25202          -0.905      1.473           0.748                       0.848   
25203          -0.418        NaN           0.709                         NaN   ...  ghg_per_capita  methane  methane_per_capita  nitrous_oxide  \
0      ...             NaN      NaN                 NaN            NaN   
1      ...             NaN      NaN                 NaN            NaN   
2      ...             NaN      NaN                 NaN            NaN   
3      ...             NaN      NaN                 NaN            NaN   
4      ...             NaN      NaN                 NaN            NaN   
...    ...             ...      ...                 ...            ...   
25199  ...           4.703    11.92                0.85           6.55   
25200  ...             NaN      NaN                 NaN            NaN   
25201  ...             NaN      NaN                 NaN            NaN   
25202  ...             NaN      NaN                 NaN            NaN   
25203  ...             NaN      NaN                 NaN            NaN   nitrous_oxide_per_capita  population           gdp  \
0                           NaN   7624058.0           NaN   
1                           NaN   7752117.0  9.421400e+09   
2                           NaN   7840151.0  9.692280e+09   
3                           NaN   7935996.0  1.001732e+10   
4                           NaN   8039684.0  1.063052e+10   
...                         ...         ...           ...   
25199                     0.467  14030338.0  2.096179e+10   
25200                       NaN  14236599.0  2.194784e+10   
25201                       NaN  14438812.0  2.271535e+10   
25202                       NaN  14645473.0           NaN   
25203                       NaN  14862927.0           NaN   primary_energy_consumption  energy_per_capita  energy_per_gdp  
0                             NaN                NaN             NaN  
1                             NaN                NaN             NaN  
2                             NaN                NaN             NaN  
3                             NaN                NaN             NaN  
4                             NaN                NaN             NaN  
...                           ...                ...             ...  
25199                        47.5           3385.574           1.889  
25200                         NaN                NaN             NaN  
25201                         NaN                NaN             NaN  
25202                         NaN                NaN             NaN  
25203                         NaN                NaN             NaN  [23949 rows x 58 columns]>iso_code      country  year    co2  consumption_co2  co2_growth_prct  \
0      AFG  Afghanistan  1949  0.015              NaN              NaN   
1      AFG  Afghanistan  1950  0.084              NaN            475.0   
2      AFG  Afghanistan  1951  0.092              NaN              8.7   
3      AFG  Afghanistan  1952  0.092              NaN              0.0   
4      AFG  Afghanistan  1953  0.106              NaN             16.0   co2_growth_abs  trade_co2  co2_per_capita  consumption_co2_per_capita  ...  \
0             NaN        NaN           0.002                         NaN  ...   
1           0.070        NaN           0.011                         NaN  ...   
2           0.007        NaN           0.012                         NaN  ...   
3           0.000        NaN           0.012                         NaN  ...   
4           0.015        NaN           0.013                         NaN  ...   ghg_per_capita  methane  methane_per_capita  nitrous_oxide  \
0             NaN      NaN                 NaN            NaN   
1             NaN      NaN                 NaN            NaN   
2             NaN      NaN                 NaN            NaN   
3             NaN      NaN                 NaN            NaN   
4             NaN      NaN                 NaN            NaN   nitrous_oxide_per_capita  population           gdp  \
0                       NaN   7624058.0           NaN   
1                       NaN   7752117.0  9.421400e+09   
2                       NaN   7840151.0  9.692280e+09   
3                       NaN   7935996.0  1.001732e+10   
4                       NaN   8039684.0  1.063052e+10   primary_energy_consumption  energy_per_capita  energy_per_gdp  
0                         NaN                NaN             NaN  
1                         NaN                NaN             NaN  
2                         NaN                NaN             NaN  
3                         NaN                NaN             NaN  
4                         NaN                NaN             NaN  [5 rows x 58 columns]

4. 数据预处理：

在进行数据分析之前，我们需要对数据进行预处理，包括处理缺失值和选择感兴趣的特征列。

features = ['year', 'population', 'gdp', 'primary_energy_consumption', 'energy_per_capita', 'energy_per_gdp']
target = 'co2'
data = dataset[features + [target]].dropna()

5. 机器学习建模：

我们将尝试使用随机森林回归和XGBoost算法建立CO2排放的预测模型，并评估其性能。

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error# 分割数据集
X = data[features]
y = data[target]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 随机森林回归
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
y_pred_rf = rf_model.predict(X_test)
mse_rf = mean_squared_error(y_test, y_pred_rf)
print("随机森林回归均方误差:", mse_rf)

随机森林回归均方误差: 5564.344690878827

from xgboost import XGBRegressor# XGBoost 回归
xgb_model = XGBRegressor(n_estimators=100, random_state=42)
xgb_model.fit(X_train, y_train)
y_pred_xgb = xgb_model.predict(X_test)
mse_xgb = mean_squared_error(y_test, y_pred_xgb)
print("XGBoost 回归均方误差:", mse_xgb)# 查看测试集的预测结果
results_rf = pd.DataFrame({'Actual': y_test, 'Predicted_RF': y_pred_rf})
results_xgb = pd.DataFrame({'Actual': y_test, 'Predicted_XGB': y_pred_xgb})print("随机森林回归预测结果:\n", results_rf.head())
print("XGBoost 回归预测结果:\n", results_xgb.head())

XGBoost 回归均方误差: 6550.179319235124
随机森林回归预测结果:Actual  Predicted_RF
4678   1183.215    1140.30654
22293     2.536       3.88285
1552    187.609     171.56567
22409     7.440       9.76497
11248   129.475      76.18446
XGBoost 回归预测结果:Actual  Predicted_XGB
4678   1183.215    1219.047852
22293     2.536       5.083570
1552    187.609     184.427612
22409     7.440       9.800858
11248   129.475      98.655746

6.结论：

通过对CO2排放数据集的分析和机器学习建模，我们可以更好地理解全球CO2排放的情况，并为未来的环境保护和可持续发展提供数据支持。未来的研究可以进一步探索CO2排放与气候变化、经济增长等因素之间的关系，并提出相应的政策建议。

如有遇到问题可以找小编沟通交流哦。另外小编帮忙辅导大课作业，学生毕设等。不限于MapReduce， MySQL, python，java，大数据，模型训练等。 hadoop hdfs yarn spark Django flask flink kafka flume datax sqoop seatunnel echart可视化 机器学习等

这篇关于基于机器学习预测未来的二氧化碳排放量（随机森林和XGBoost）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---