只有在理解了数据可视化概念的本质之后，才能通过对其原理和方法进行研究和合理运用，获取数据背后隐含的价值。

假定和约束

为了得出PM2.5与天气状况（气温、风力风向等）的相关性分析结果。首先要获得西安地区六个月的PM2.5数值与天气状况（气温、风力风向等）的数据.在得到数据之后,将数据导入到 R软件中，完成数据的预处理和可视化后，采用 Apriori 算法对数据进行关联规则分析。为了将问题进一步简化，现作如下假设：

---

---

1、所查的数据均真实有效；

2、检测到的数据均为天气预报数据，忽略当天天气的变化；

原始数据

读取数据

x=**read.xlsx**("西安近6个月天气情况数据源.xlsx" )

**head**(x)

改进算法CRApriori

CRApriori=function(support,confidence){  
for(i in 1:2){  
(minlen=i,support=saxlen=i))  
**inspect**(frequentsets) *#查看i项频繁项集*  
*#这里如果支持度选的比较大，也许没有10这么多，这里就不能写[1:10].*  
**inspect**(**sort**(frequentsets,by="support")[1:10]) *#排序后查看*  
*#多选几次支持度阈值，更好的发现频繁模式。*  
fqout=**capture.output**(**inspect**(frequentsets)) *#获得i项频繁项集*  

for(ii in 1:**length**(data)){  
  data[[ii]]=**intersect**(data[[ii]],fq3) *#运用改进算法CRApriori删除事务集中不包括候选项集Ci即频繁i-1项集L(i-1),*  
}

parameter = **list**(sup,  
                                  target = "rules") )

查看模型结果关联规则概述

**summary**(rles)

按支持度查看前6条规则

**inspect**(**sort**(rusupport")[1:6]) 

按置信度查看前6条规则

**inspect**(**sort**(rules,bence")[1:6]) 

    FrequencyPlot**ex.names =0.8)   *#数据画频繁项的图

#绘制不同规则图形来表示支持度，置信度和提升度*  
**plot**(rules,

通过该图可以看到 规则前项和规则后项分别有哪些天气情况 以及每个天气情况 的支持度大小，支持度越大则圆圈越大。

从该图可以看到支持度和置信度的关系，置信度越高提升度也越高。

从该图可以看到支持度和置信度的关系，提升度越高置信度也越高。

**plot**(rules, method=

参考资料

•  危蓉.基于大数据的天气状况研究[A].湖北警官学院信息技术系，2015.
•  李观松.城市环境空气质量数据挖掘与可视化的研究[D].山东大学计算机软件与理论，2007.
•  曾悠.大数据时代背景下的数据可视化概念研究[D].浙江大学计算机科学与技术学院，2014.