[Python] Visualisez la chaleur de Tokyo et de la préfecture ○○ (mémo d'utilisation de DataFrame)
0. Problèmes cachés dans la vie quotidienne
L'été accueille la déclaration d'urgence. Afin d'éviter à fond les trois secrets, sans parler de jouer, je passe généralement par des idées Je ne peux pas aller au café qu'on m'a donné, alors je reste à la maison. Les seuls sujets sont le nombre de personnes infectées par le virus corona et la chaleur.
En tant que personne vivant à Tokyo, même si je parle d'être coincé dans la chaleur, mes cousins et mon père m'ont dit que la région est tout aussi chaude et que je fais ce genre d'exercice (vélo) par temps chaud. Il semblait qu'il était en compétition pour la manche.
De temps en temps, il semble que les habitants du pays enneigé atteignent les températures les plus élevées comme à Tokyo.
Il faisait si chaud que je pensais qu'il fumait du sol. Marcher 10 minutes me fait flotter. Et même si vous allez au café et buvez une boisson fraîche, vous ne pouvez pas facilement vous débarrasser de la chaleur qui envahit votre corps. En buvant un verre, j'ai réfléchi à la façon de comparer la chaleur de Niigata et de Tokyo à la température la plus élevée.
1. 1. Acquisition des données de température
De l 'Agence météorologique, nous avons pu obtenir des informations météorologiques pour chaque région en suivant les étapes ci-dessous. Puisque nous avons besoin de données pour Niigata et Tokyo cette fois, même si ce qui suit est pour Tokyo Exécutez et appuyez sur le bouton "Télécharger le fichier csv".
Je n'ai modifié que la partie élément du fichier csv ci-dessus pour le rendre plus facile à utiliser.
2. Divers problèmes
(1) Lire le fichier CSV
weather_parse2.jpynb
import pandas as pd
import datetime as dt
#Bibliothèque pour afficher des graphiques
import matplotlib.pyplot as plt
#Bibliothèque de localisation japonaise
import japanize_matplotlib
#Lire en spécifiant le code du caractère
df = pd.read_csv("data_weather2.csv",encoding="sjis")
print(df)
__ Résultat de sortie __
Date Température moyenne(℃)_Tokyo Quality Information Nombre homogène Température maximale(℃)_Informations sur la qualité de Tokyo.1 nombre homogène.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
Température la plus basse(℃)_Informations sur la qualité de Tokyo.2 nombre homogène.2 Température moyenne(℃)_Information sur la qualité de Niigata.3 nombre homogène.3 Température maximale(℃)_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
information de qualité.4 nombre homogène.4 Température minimale(℃)_Information sur la qualité de Niigata.5 nombre homogène.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) Sélection de colonne et sélection de plage à représenter graphiquement
__ (Mémo 1) Pour sélectionner et afficher le nom de colonne 1 et le nom de colonne 2 parmi les éléments ci-dessus __
Spécifiez DataFrame [['nom de colonne 1', 'nom de colonne 2']].
__ (Mémo 2) Création d'un DataFrame __
DataFrame name = pd.DataFrame (données, colonnes = liste des noms de colonnes que vous souhaitez spécifier)
__ (Remarque 3) Pour convertir le nom de colonne 3 en type de date par défaut (aaaa-mm-jj) __
DataFrame name ['column name 3'] = pd.to_datetime (DataFrame name ['column name 3'], format = 'format before change of column name 3')
weather_parse2.jpynb
new_columns = ['Date', 'Température la plus élevée(℃)_Tokyo', 'Température la plus élevée(℃)_Niigata'] #Nom de colonne
new_data=df[['Date','Température la plus élevée(℃)_Tokyo','Température la plus élevée(℃)_Niigata']]
#recréer le dataframe
new_df=pd.DataFrame(new_data,columns=new_columns)
#Si vous ne faites rien, il ne sera pas reconnu comme un type de date
print(new_df.dtypes)
#Convertir la colonne de date en type de date
new_df['Date'] = pd.to_datetime(new_df['Date'], format='%Y/%m/%d')
print(new_df.dtypes)
print(new_df)
__ Résultat de sortie __
Objet de date
Température la plus élevée(℃)_Tokyo float64
Température la plus élevée(℃)_Niigata float64
dtype: object
Datetime64[ns]
Température la plus élevée(℃)_Tokyo float64
Température la plus élevée(℃)_Niigata float64
dtype: object
Date Température maximale(℃)_Tokyo température la plus élevée(℃)_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['Date'] >= dt.datetime(2020,8,1)) & (new_df['Date'] < dt.datetime(2020,8,21))]
print(new_df2)
__ Résultat de sortie __
Date Température maximale(℃)_Tokyo température la plus élevée(℃)_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
- La date est affichée sous la forme aaaa-mm-jj.
(3) Représentation graphique
weather_parse2.jpynb
#Spécifiez les données que vous souhaitez représenter graphiquement
new_columns3 = ['Température la plus élevée(℃)_Tokyo', 'Température la plus élevée(℃)_Niigata'] #Nom de colonne
new_data3=new_df2[['Température la plus élevée(℃)_Tokyo','Température la plus élevée(℃)_Niigata']]
new_df3=pd.DataFrame(new_data3,columns=new_columns3)
#affichage graphique
new_df3.plot()
- Puisque la valeur d'index sur l'axe horizontal est le nombre de lignes, je ne connais pas la correspondance de la température à la date.
- Le graphique est une ligne brisée, ce qui rend difficile la comparaison
3. 3. Formulaire rempli (spécifiez l'index sous forme de date et affichez la température maximale pour la période spécifiée)
weather_parse3.jpynb
import pandas as pd
import datetime as dt
#Lire en spécifiant le code du caractère, en indexant la date
df = pd.read_csv("data_weather2.csv",encoding="sjis")
#Index par date
df.index=pd.to_datetime(df['Date'], format='%Y/%m/%d').values
#Supprimer la colonne d'origine
df = df.drop(columns='Date')
print(df)
Résultat de sortie
- L'index est de type date.
Température moyenne(℃)_Tokyo Quality Information Nombre homogène Température maximale(℃)_Informations sur la qualité de Tokyo.1 nombre homogène.1 Température minimale(℃)_Tokyo\
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
information de qualité.2 nombre homogène.2 Température moyenne(℃)_Information sur la qualité de Niigata.3 nombre homogène.3 Température maximale(℃)_Information sur la qualité de Niigata.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
Nombre homogène.4 Température minimale(℃)_Information sur la qualité de Niigata.5 nombre homogène.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
#Découpez une rangée
new_columns = ['Température la plus élevée(℃)_Tokyo', 'Température la plus élevée(℃)_Niigata'] #Nom de colonne
new_data=df[['Température la plus élevée(℃)_Tokyo','Température la plus élevée(℃)_Niigata']]
#recréer le dataframe
new_df=pd.DataFrame(new_data,columns=new_columns)
print(new_df)
Résultat de sortie
Température la plus élevée(℃)_東京 Température la plus élevée(℃)_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)
Résultat de sortie
Température la plus élevée(℃)_Tokyo température la plus élevée(℃)_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"]
#Affichage du graphique à barres dans la couleur spécifiée
new_df2.plot.bar(color=colorlist)
#Spécifiez la position d'affichage de la légende en bas à droite
plt.legend(loc="lower right")
plt.show()
Résultat de sortie
Conclusion
La température maximale est souvent plus élevée à Tokyo.
Recommended Posts