导入数据：
library(openair)
setwd("文件存储地址如：C:/Program Files/RStudio/R")
Sys.setlocale("LC_TIME","English")
mydata=read.csv("文件名.csv",header=TRUE)
mydata[mydata==-99]<-NA
mydata$date<-as.POSIXct(strptime(mydata$date,format="%Y/%m/%d",tz="GMT"))
head(mydata)
tail(mydata)
做污染日历图
calendarPlot(mydata,pollutant="level",year=2019,month=c(4),breaks=c(-1,0,1,2,3,4,5,6),labels=c("无效","优","良","轻度污染","中度污染","重度污染","严重污染"),cols=c("gray","limegreen","yellow","orange","red","darkmagenta","darkred"),main="某地区某时间空气质量等级月历",w.shift=2)
给你一个例子，我把数据源文件中AQI无效的都改成了-1，做的是4月份的污染日历图，效果如下：
差析表SS表示平MS表示均F组间均与组内均比例P-value表示相应F值概率值F crit相应显著水平F临界值统计析通P-value判断组间差异显著性通情况0.05没显著差异介于二者间显著差异通F值判断差异显著性F>=F crit显著(或极显著)差异顺便说F检验能总体检验差异显著性能判别些显著差异具体自哪些处理间若要析需要进行重比较R语言：它的有点在于简单易上手，通过R语言，你可以从复杂的数据集中筛选你想要的数据，从负责的模型函数中操作数据，建立有序的图表呈现数字，只需要几行代码就可以了，比如说，像是好动版本的Excel表格。Pythom语言：Python结合了R语言的快速，处理复杂数据的能力以及更务实的语言特质，迅速地成为主流，也更简单和直观了，尤其是近几年的成长很快。在数据处理范畴内，通常在规模与复杂之间要有个取舍，Python以折中的姿态出现，是相当好的数据处理工具。
java语言：java没有和Python和R语言一样好的可视化功能，也不是统计建模的最佳工具，但是如果你需要建立一个庞大的系统，使用过去的原型，java是最基本的选择了。
Hadoop pand
Hive：为了迎合大量数据处理的需求，以java为基础的大数据开始了。Hadoop为一批数据处理，发展以java为基础的架构关键，相对于其他处理工具，Hadoop慢许多，但是无比的准确可被后端数据库分析广泛使用，和Hive搭配的很好。
Scala：另一个以java为基础的语言，和java很像，对任何想要进行大规模的机械学习或是建立高阶的算法，Scala是逐渐兴起的工具，善于呈现且拥有建立可靠系统的能力。
Kafkaand Storm：是一个特别快速的查询信息系统，缺点是太快了，因此在实施操作时会犯错，有时候会漏掉东西。使用Scala写出来的架构，大幅增加他在串流处理的受欢迎程度。
