[Python] Visualisieren Sie die Hitze der Präfekturen Tokio und XX (DataFrame-Nutzungsnotiz)
0. Im Alltag verborgene Probleme
Sommer grüßt in der Notstandserklärung. Um die drei Geheimnisse gründlich zu vermeiden, geschweige denn zu spielen, gehe ich normalerweise Ideen durch Ich kann nicht in das Café gehen, das mir gegeben wurde, also bleibe ich zu Hause. Die einzigen Themen sind die Anzahl der mit dem Coronavirus infizierten Personen und die Hitze.
Als in Tokio lebende Person sagten mir meine Cousins und mein Vater, dass die Umgebung genauso heiß ist und dass ich diese Art von Übung (Radfahren) bei heißem Wetter mache, auch wenn ich davon spreche, in der Hitze stecken zu bleiben. Es schien, als würde er um die Hitze konkurrieren, und er war müde.
In den Nachrichten, die ich von Zeit zu Zeit sehe, scheinen die Einheimischen im verschneiten Land die höchste Temperatur wie in Tokio zu erreichen.
Es war so heiß, dass ich dachte, es würde vom Boden dämpfen. Wenn ich nur 10 Minuten gehe, flattere ich. Und selbst wenn Sie ins Café gehen und ein kaltes Getränk trinken, können Sie die Hitze, die Ihren Körper füllt, nicht einfach loswerden. Während ich einen Drink trank, dachte ich darüber nach, wie ich die Hitze von Niigata und Tokio bei der höchsten Temperatur vergleichen kann.
1. 1. Erfassung von Temperaturdaten
Von Meteorological Agency konnten wir Wetterinformationen für jede Region abrufen, indem wir die folgenden Schritte ausführten. Da wir diesmal Daten für Niigata und Tokio benötigen, auch wenn die folgenden für Tokio gelten Führen Sie die Schaltfläche "CSV-Datei herunterladen" aus und klicken Sie darauf.
Ich habe nur den Elementteil der obigen CSV-Datei bearbeitet, um die Verwendung zu vereinfachen.
2. Verschiedene Sachverhalte
(1) Lesen Sie die CSV-Datei
weather_parse2.jpynb
import pandas as pd
import datetime as dt
#Bibliothek zur Anzeige von Grafiken
import matplotlib.pyplot as plt
#Japanische Lokalisierungsbibliothek
import japanize_matplotlib
#Lesen Sie durch Angabe des Zeichencodes
df = pd.read_csv("data_weather2.csv",encoding="sjis")
print(df)
__ Ausgabeergebnis __
Datum Durchschnittstemperatur(℃)_Tokyo Quality Information Homogene Anzahl Maximale Temperatur(℃)_Qualitätsinformationen für Tokio.1 homogene Zahl.1 \
0 2020/1/1 5.5 8 1 10.2 8 1
1 2020/1/2 6.2 8 1 11.3 8 1
2 2020/1/3 6.1 8 1 12.0 8 1
3 2020/1/4 7.2 8 1 12.2 8 1
4 2020/1/5 5.4 8 1 10.2 8 1
.. ... ... ... ... ... ... ...
229 2020/8/17 30.8 8 1 36.5 8 1
230 2020/8/18 30.3 8 1 34.3 8 1
231 2020/8/19 29.0 8 1 34.2 8 1
232 2020/8/20 29.7 8 1 34.8 8 1
233 2020/8/21 30.1 8 1 36.0 8 1
Niedrigste Temperatur(℃)_Qualitätsinformationen für Tokio.2 homogene Zahl.2 Durchschnittstemperatur(℃)_Informationen zur Niigata-Qualität.3 homogene Zahl.3 Maximale Temperatur(℃)_Niigata\
0 3.2 8 1 3.6 8 1 5.6
1 1.9 8 1 3.0 8 1 5.7
2 1.4 8 1 4.2 8 1 6.9
3 3.6 8 1 5.5 8 1 8.3
4 0.6 8 1 4.2 8 1 7.2
.. ... ... ... ... ... ... ...
229 27.2 8 1 27.8 8 1 30.4
230 27.8 8 1 26.3 8 1 29.0
231 25.6 8 1 26.8 8 1 30.9
232 25.8 8 1 28.5 8 1 33.7
233 26.0 8 1 27.5 8 1 30.8
Qualitätsinformationen.4 homogene Anzahl.4 Mindesttemperatur(℃)_Informationen zur Niigata-Qualität.5 homogene Anzahl.5
0 8 1 1.0 8 1
1 8 1 2.0 8 1
2 8 1 1.7 8 1
3 8 1 2.4 8 1
4 8 1 1.7 8 1
.. ... ... ... ... ...
229 8 1 26.3 8 1
230 8 1 23.3 8 1
231 8 1 22.0 8 1
232 8 1 22.8 8 1
233 8 1 23.8 8 1
[234 rows x 19 columns]
(2) Spaltenauswahl und Bereichsauswahl, die grafisch dargestellt werden sollen
__ (Memo 1) Zum Auswählen und Anzeigen des Spaltennamens 1 und des Spaltennamens 2 aus dem obigen __
Geben Sie "DataFrame [['Spaltenname 1', 'Spaltenname 2']]" an.
__ (Memo 2) Erstellen eines DataFrame __
DataFrame name = pd.DataFrame (Daten, Spalten = Liste der Spaltennamen, die Sie angeben möchten)
__ (Hinweis 3) So konvertieren Sie den Spaltennamen 3 in den Standarddatentyp (JJJJ-MM-TT) __
DataFrame-Name ['Spaltenname 3'] = pd.to_datetime (DataFrame-Name ['Spaltenname 3'], Format = 'Format vor Änderung des Spaltennamens 3')
weather_parse2.jpynb
new_columns = ['Datum', 'Höchste Temperatur(℃)_Tokio', 'Höchste Temperatur(℃)_Niigata'] #Spaltenname
new_data=df[['Datum','Höchste Temperatur(℃)_Tokio','Höchste Temperatur(℃)_Niigata']]
#Datenrahmen neu erstellen
new_df=pd.DataFrame(new_data,columns=new_columns)
#Wenn Sie nichts tun, wird es nicht als Datumstyp erkannt
print(new_df.dtypes)
#Konvertieren Sie die Spalte Jahr, Monat und Tag in den Datumstyp
new_df['Datum'] = pd.to_datetime(new_df['Datum'], format='%Y/%m/%d')
print(new_df.dtypes)
print(new_df)
__ Ausgabeergebnis __
Datumsobjekt
Höchste Temperatur(℃)_Tokyo float64
Höchste Temperatur(℃)_Niigata float64
dtype: object
Datetime64[ns]
Höchste Temperatur(℃)_Tokyo float64
Höchste Temperatur(℃)_Niigata float64
dtype: object
Datum Maximale Temperatur(℃)_Tokio höchste Temperatur(℃)_Niigata
0 2020-01-01 10.2 5.6
1 2020-01-02 11.3 5.7
2 2020-01-03 12.0 6.9
3 2020-01-04 12.2 8.3
4 2020-01-05 10.2 7.2
.. ... ... ...
229 2020-08-17 36.5 30.4
230 2020-08-18 34.3 29.0
231 2020-08-19 34.2 30.9
232 2020-08-20 34.8 33.7
233 2020-08-21 36.0 30.8
[234 rows x 3 columns]
weather_parse2.jpynb
new_df2=new_df[(new_df['Datum'] >= dt.datetime(2020,8,1)) & (new_df['Datum'] < dt.datetime(2020,8,21))]
print(new_df2)
__ Ausgabeergebnis __
Datum Maximale Temperatur(℃)_Tokio höchste Temperatur(℃)_Niigata
213 2020-08-01 31.8 28.8
214 2020-08-02 31.5 30.3
215 2020-08-03 32.3 32.2
216 2020-08-04 33.1 32.7
217 2020-08-05 34.2 33.4
218 2020-08-06 33.1 33.6
219 2020-08-07 35.4 28.3
220 2020-08-08 32.3 24.8
221 2020-08-09 34.7 28.4
222 2020-08-10 35.2 35.6
223 2020-08-11 37.3 35.7
224 2020-08-12 35.8 31.4
225 2020-08-13 36.1 31.4
226 2020-08-14 34.2 32.0
227 2020-08-15 36.1 30.1
228 2020-08-16 35.4 31.4
229 2020-08-17 36.5 30.4
230 2020-08-18 34.3 29.0
231 2020-08-19 34.2 30.9
232 2020-08-20 34.8 33.7
- Das Datum wird als JJJJ-MM-TT angezeigt.
(3) Grafik
weather_parse2.jpynb
#Geben Sie die Daten an, die Sie grafisch darstellen möchten
new_columns3 = ['Höchste Temperatur(℃)_Tokio', 'Höchste Temperatur(℃)_Niigata'] #Spaltenname
new_data3=new_df2[['Höchste Temperatur(℃)_Tokio','Höchste Temperatur(℃)_Niigata']]
new_df3=pd.DataFrame(new_data3,columns=new_columns3)
#Grafikanzeige
new_df3.plot()
- Da der Indexwert auf der horizontalen Achse die Anzahl der Zeilen ist, kenne ich die Entsprechung der Temperatur zum Datum nicht.
- Das Diagramm ist eine gestrichelte Linie, was den Vergleich erschwert
3. 3. Ausgefülltes Formular (geben Sie den Index als Datum an und geben Sie die maximale Temperatur für den angegebenen Zeitraum aus)
weather_parse3.jpynb
import pandas as pd
import datetime as dt
#Lesen Sie, indem Sie den Zeichencode angeben und das Datum indizieren
df = pd.read_csv("data_weather2.csv",encoding="sjis")
#Index nach Datum
df.index=pd.to_datetime(df['Datum'], format='%Y/%m/%d').values
#Löschen Sie die ursprüngliche Spalte
df = df.drop(columns='Datum')
print(df)
Ausgabeergebnis
- Der Index ist vom Datumstyp.
Durchschnittstemperatur(℃)_Tokyo Quality Information Homogene Anzahl Maximale Temperatur(℃)_Qualitätsinformationen für Tokio.1 homogene Zahl.1 Mindesttemperatur(℃)_Tokio\
2020-01-01 5.5 8 1 10.2 8 1 3.2
2020-01-02 6.2 8 1 11.3 8 1 1.9
2020-01-03 6.1 8 1 12.0 8 1 1.4
2020-01-04 7.2 8 1 12.2 8 1 3.6
2020-01-05 5.4 8 1 10.2 8 1 0.6
... ... ... ... ... ... ... ...
2020-08-17 30.8 8 1 36.5 8 1 27.2
2020-08-18 30.3 8 1 34.3 8 1 27.8
2020-08-19 29.0 8 1 34.2 8 1 25.6
2020-08-20 29.7 8 1 34.8 8 1 25.8
2020-08-21 30.1 8 1 36.0 8 1 26.0
Qualitätsinformationen.2 homogene Zahl.2 Durchschnittstemperatur(℃)_Informationen zur Niigata-Qualität.3 homogene Zahl.3 Maximale Temperatur(℃)_Informationen zur Niigata-Qualität.4 \
2020-01-01 8 1 3.6 8 1 5.6 8
2020-01-02 8 1 3.0 8 1 5.7 8
2020-01-03 8 1 4.2 8 1 6.9 8
2020-01-04 8 1 5.5 8 1 8.3 8
2020-01-05 8 1 4.2 8 1 7.2 8
... ... ... ... ... ... ... ...
2020-08-17 8 1 27.8 8 1 30.4 8
2020-08-18 8 1 26.3 8 1 29.0 8
2020-08-19 8 1 26.8 8 1 30.9 8
2020-08-20 8 1 28.5 8 1 33.7 8
2020-08-21 8 1 27.5 8 1 30.8 8
Homogene Zahl.4 Mindesttemperatur(℃)_Informationen zur Niigata-Qualität.5 homogene Anzahl.5
2020-01-01 1 1.0 8 1
2020-01-02 1 2.0 8 1
2020-01-03 1 1.7 8 1
2020-01-04 1 2.4 8 1
2020-01-05 1 1.7 8 1
... ... ... ... ...
2020-08-17 1 26.3 8 1
2020-08-18 1 23.3 8 1
2020-08-19 1 22.0 8 1
2020-08-20 1 22.8 8 1
2020-08-21 1 23.8 8 1
[234 rows x 18 columns]
weather_parse3.jpynb
#Schneiden Sie eine Reihe aus
new_columns = ['Höchste Temperatur(℃)_Tokio', 'Höchste Temperatur(℃)_Niigata'] #Spaltenname
new_data=df[['Höchste Temperatur(℃)_Tokio','Höchste Temperatur(℃)_Niigata']]
#Datenrahmen neu erstellen
new_df=pd.DataFrame(new_data,columns=new_columns)
print(new_df)
Ausgabeergebnis
Höchste Temperatur(℃)_東京 Höchste Temperatur(℃)_Niigata
2020-01-01 10.2 5.6
2020-01-02 11.3 5.7
2020-01-03 12.0 6.9
2020-01-04 12.2 8.3
2020-01-05 10.2 7.2
... ... ...
2020-08-17 36.5 30.4
2020-08-18 34.3 29.0
2020-08-19 34.2 30.9
2020-08-20 34.8 33.7
2020-08-21 36.0 30.8
[234 rows x 2 columns]
weather_parse3.jpynb
new_df2=new_df['2020-08-01':'2020-08-21']
print(new_df2)
Ausgabeergebnis
Höchste Temperatur(℃)_Tokio höchste Temperatur(℃)_Niigata
2020-08-01 31.8 28.8
2020-08-02 31.5 30.3
2020-08-03 32.3 32.2
2020-08-04 33.1 32.7
2020-08-05 34.2 33.4
2020-08-06 33.1 33.6
2020-08-07 35.4 28.3
2020-08-08 32.3 24.8
2020-08-09 34.7 28.4
2020-08-10 35.2 35.6
2020-08-11 37.3 35.7
2020-08-12 35.8 31.4
2020-08-13 36.1 31.4
2020-08-14 34.2 32.0
2020-08-15 36.1 30.1
2020-08-16 35.4 31.4
2020-08-17 36.5 30.4
2020-08-18 34.3 29.0
2020-08-19 34.2 30.9
2020-08-20 34.8 33.7
2020-08-21 36.0 30.8
weather_parse3.jpynb
colorlist=["red","blue"]
#Balkendiagrammanzeige in der angegebenen Farbe
new_df2.plot.bar(color=colorlist)
#Geben Sie die Anzeigeposition der Legende unten rechts an
plt.legend(loc="lower right")
plt.show()
Ausgabeergebnis
Fazit
Die maximale Temperatur ist in Tokio oft höher.
Recommended Posts