-
Notifications
You must be signed in to change notification settings - Fork 0
/
analize.py
525 lines (442 loc) · 25.3 KB
/
analize.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
"""
Elektros, demografiniai ir orų duomenų analizė
(c) 2024 Mindaugas Baranauskas
---
Ši programa yra laisva. Jūs galite ją platinti ir/arba modifikuoti
remdamiesi Free Software Foundation paskelbtomis GNU Bendrosios
Viešosios licencijos sąlygomis: 3 licencijos versija, arba (savo
nuožiūra) bet kuria vėlesne versija.
Ši programa platinama su viltimi, kad ji bus naudinga, bet BE JOKIOS
GARANTIJOS; taip pat nesuteikiama jokia numanoma garantija dėl TINKAMUMO
PARDUOTI ar PANAUDOTI TAM TIKRAM TIKSLU. Daugiau informacijos galite
rasti pačioje GNU Bendrojoje Viešojoje licencijoje.
Jūs kartu su šia programa turėjote gauti ir GNU Bendrosios Viešosios
licencijos kopiją; jei ne - žr. <https://www.gnu.org/licenses/>.
---
This program is free software; you can redistribute it and/or modify
it under the terms of the GNU General Public License as published by
the Free Software Foundation; either version 3 of the License, or
(at your option) any later version.
This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
GNU General Public License for more details.
You should have received a copy of the GNU General Public License
along with this program. If not, see <http://www.gnu.org/licenses/>.
"""
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mpl_dates
from sklearn.preprocessing import StandardScaler # duomenų transformacijoms, standartizavimui; reikalingas scikit-learn
import seaborn as sns
import duomenys
from zemelapis import žemėlapis
def analizuoti_jungtinius_duomenis(el_rinkinio_id='buitis', interaktyvus=True,
laikotarpis_orams_ir_gyventojams_nebeanalizuoti=None):
"""
Analizuoti interaktyviai surinktus arba įkeltus jungtinius elektros, meteorologinius ir demografinius duomenis.
:param el_rinkinio_id: 'buitis' (numatyta) - buitinių elektros vartotojų, 'verslas' - verslo elektros vartotojų
:param interaktyvus: užduoti klausimus naudotojui ir leisti jam pačiam pasirinkti
:param laikotarpis_orams_ir_gyventojams_nebeanalizuoti: meteorologinių ir demografinių duomenų analizę praleisti,
jei naudotojo pasirinktas laikotarpis sutampa su nurodytuoju; tai padės išvengti tų pačių duomenų analizavimo, nors
elektros duomenų rinkinys būtų pasikeitęs.
:return: grąžina metus kaip tekstą,
"""
# atsiklausti, ar vykdyti
if interaktyvus:
while True: # klausti, kol pasirinks TAIP arba NE
pasirinkimas = input(
'\nAr norite analizuoti elektros ({}), orų ir gyventojų duomenis '.format(el_rinkinio_id.upper()) +
'pasirinkdami regionus bei laikotarpį? \nĮveskite [TAIP] arba NE: > ')
if pasirinkimas.upper() in ['N', 'NE']:
return None
elif pasirinkimas.upper() in ['', 'T', 'TAIP']:
break
# Jungtiniai elektros, demografiniai ir orų duomenys
df = duomenys.gauti_visus_sutvarkytus_duomenis(
el_rinkinio_id=el_rinkinio_id, perdaryti=False, interaktyvus=interaktyvus, ar_išsamiai=True
)
if df is None: # jei nepavyko surinkti ar įkelti jungtinių duomenų
return None # išeiti be papildomų paaiškinimų; klaidos bus paaiškintos gauti_visus_sutvarkytus_duomenis f-joje
print("Analizuojami duomenys...")
# elektra
pavadinimo_priedėlis = ' %s m. (%s)' % (metai_žodžiu(df['Metai']), el_rinkinio_id)
šalies_abonentai_ir_vidutinis_suvartojimas(df, priedėlis=pavadinimo_priedėlis)
suvartojimo_kitimas_paroje_pagal_regionus(df, priedėlis=pavadinimo_priedėlis)
if df['Metai'].unique().tolist() == laikotarpis_orams_ir_gyventojams_nebeanalizuoti: # jei nesikartoja laikotarpis
print('Praleidžiama orų ir gyventojų analizė, nes šiam laikotarpiui ji jau atlikta')
else:
# demografija
analizuoti_gyventojus(df)
# orai
analizuoti_orus(df)
print("\n- - - - -")
return df['Metai'].unique().tolist() # grąžinti metus, kurie buvo analizuoti
""" Demografiniai duomenys """
def analizuoti_gyventojus(df_gyventojai):
"""
Nupiešti žemėlapiuose gyventojų pasiskirstymą pagal amžiaus grupes.
:param df_gyventojai: pandas.DataFrame lentelė, kurią galite sukurti įvykdę, pvz.,
df_gyventojai = duomenys.RinkinysGyventojams(2022).sutvarkyti_duomenis(perdaryti=False, interaktyvus=True)
"""
if not tikrinti_df(
df_gyventojai,
[
'Regionas',
'Gyventojai 0–6 m. (%)',
'Gyventojai 7–17 m. (%)',
'Gyventojai 18-59 m. (%)',
'Gyventojai 60 m. + (%)',
]
):
return
metai_str = metai_žodžiu(df_gyventojai['Metai'])
pavadinimas = 'Gyventojų pasiskirstymas pagal amžių {} m.'.format(metai_str)
žemėlapis( # pervadinti trumpesniais pavadinimais atvaizdavimui glaustesnėse legendose
df_gyventojai.rename(columns={'Gyventojai 60 m. + (%)': '60+ m., %', 'Gyventojai 18-59 m. (%)': '18-59 m., %'}),
'18-59 m., %', '60+ m., %', pavadinimas=pavadinimas, legendos_pavad='Amžius',
agg_fja='median', # mediana naudojama regionams be vietos agreguoti
)
žemėlapis( # pervadinti trumpesniais pavadinimais atvaizdavimui glaustesnėse legendose
df_gyventojai.rename(columns={'Gyventojai 0–6 m. (%)': '0-6 m., %', 'Gyventojai 7–17 m. (%)': '7-17 m., %'}),
'7-17 m., %', '0-6 m., %', pavadinimas=pavadinimas, legendos_pavad='Amžius',
agg_fja='median', # mediana naudojama regionams be vietos agreguoti
)
""" Meteorologiniai duomenys """
def analizuoti_orus(df_orai):
"""
Nupiešti žemėlapiuose vidutinius orus regione
:param df_orai: pandas.DataFrame lentelė su kintamaisiais 'Regionas', 'Vėjo greitis (m/s)', 'Temperarūra (C)',
'Drėgnis (%)', 'Slėgis (hPa)'
"""
if not tikrinti_df(
df_orai,
['Regionas', 'Vėjo greitis (m/s)', 'Temperarūra (C)', 'Drėgnis (%)', 'Slėgis (hPa)']
):
return
metai_str = metai_žodžiu(df_orai['Metai'])
žemėlapis(df_orai, 'Vėjo greitis (m/s)', 'Temperarūra (C)',
agg_fja='mean', pavadinimas='Vidutinai orai regione {} m.'.format(metai_str))
žemėlapis(df_orai, 'Drėgnis (%)', 'Slėgis (hPa)',
agg_fja='mean', pavadinimas='Vidutinai orai regione {} m.'.format(metai_str))
"""
Automatizuotų elektros abonentų ir jų energijos suvartojimo aprašomoji statistinė analizė
"""
def analizuoti_elektros_duomenis(rinkinio_id='buitis', metai=2022):
"""
Automatizuotų elektros abonentų energijos suvartojimo analizės pagrindinė funkcija.
Kviečiant per ją, elektros duomenys surenkami per visą laikotarpį, o ne imami iš jungtinių (su orais ir gyventojais)
duomenų. Jei norėtumėte analizuoti elektros duomenis su jungtiniais duomenimis, paduokite juos konkrečioms žemesnio
lygio elektros duomenų analizės funkcijoms. Pirmuoju etapu apžvelgiamas abonentų skaičiaus ir elektros suvartojimo
per visą prieinamą laikotarpį kitimas bendrai Lietuvoje. Antruoju etapu analizuojamas tik siauresnis vienerių metų
laikotarpis, bet išsamiau pagal Lietuvos regionus.
:param rinkinio_id: 'buitis' – buitinių vartotojų (numatyta), 'verslas' - verslo vartotojų
:param metai: skaičius nuo 2021 iki šių metų, numatyti 2022 m.
"""
# išvestiniai bendri kintamieji
priedėlis = f' ({rinkinio_id})' if rinkinio_id else '' # pavadinimų priedėlis
""" Iš pradžių analizuoti visą laikotarpį """
# Elektros suvavrtojimo duomenys er visą laikotarpį
elektra = duomenys.RinkinysElektrai(rinkinio_id=rinkinio_id) # duomenų objektas: elektra
elektra.atnaujinti_rinkinio_rinkmenos_vardą() # vietoj data/elektra_buitis.csv būtų su metų priesaga
df_elektra = elektra.sutvarkyti_duomenis(perdaryti=False, interaktyvus=True, ar_išsamiai=False) # gauti sutvartytus
if df_elektra is None:
print("Elektros suvartojimo duomenų rinkinyje nebuvo duomenų")
return
# Per visą laikotarpį bendra Lietuvos analizė: abonentų skaičius ir vidutinio suvartojimo kitimas
šalies_abonentai_ir_vidutinis_suvartojimas(df_elektra, priedėlis=priedėlis)
""" Analizuoti tik pasirinktus metus """
if metai in df_elektra['Metai'].unique(): # ar turime 2022 m. duomenis? šių metų duomenys gausiausi
# Duomenys atrenkami tik 2022 metų
df_elektra1m = df_elektra[df_elektra['Metai'] == metai]
else: # bandyti pakartotinai, bet imti iš pat pradžių tik norimus metus
df_elektra1m = duomenys.RinkinysElektrai(rinkinio_id, metai) # duomenų objektas: elektra 2022 m.
df_elektra1m.atnaujinti_rinkinio_rinkmenos_vardą() # vietoj data/elektra_buitis.csv būtų su metų priesaga
df_elektra1m = elektra.sutvarkyti_duomenis(perdaryti=False, interaktyvus=False, ar_išsamiai=False)
if df_elektra1m is None:
return # kažkokia klaida, ji greičiausiai jau bus aprašyta
# Lyginti elektros suvartojimo kitimą paros eigote tarp mėnesių.
suvartojimo_kitimas_paroje_tarp_mėnesių( # Visa Lietuva, parinkti mėnesiai įvertinti, ar laiko juostos tvarkingos
df_elektra1m, mėnesiai=[2, 4, 9, 11], priedėlis=priedėlis
)
suvartojimo_kitimas_paroje_tarp_mėnesių( # Visa Lietuva, atskiri mėnesiai
df_elektra1m, mėnesiai=[3, 6, 9, 12], priedėlis=priedėlis
)
# Regionų suvartojimo kitimo laike grafikai ir žemėlapiai
regionų_abonentai_ir_vidutinis_suvartojimas(df_elektra1m, priedėlis=' {} m.{}'.format(metai, priedėlis))
def šalies_abonentai_ir_vidutinis_suvartojimas(df, priedėlis=''):
"""
Grafikai apie elektros automatizuotus abonentus ir jų elektros vartojimą imant visą Lietuvą kaip visumą
:param df: pandas.DataFrame lentelė su elektros suvartojimo duomenimis, kuriuos galima gauti iškvietus
df = duomenys.RinkinysElektrai().sutvarkyti_duomenis()
:param priedėlis: papildomas prierašas paveikslėlio pavadinime, pvz., ' (buitiniai)', ' verslo 2022 m.'
"""
Lietuva_per_valandą = df.groupby(
['Data_laikas', 'Data', 'Valanda'] # Išlaikyti datas ir valandas kintamuosius dar vėlesniam grupavimui
)[['Data_laikas', 'Abonentai', 'Suvartojimas (kWh/val)']].agg( # atrenkami stulpeliai
{'Abonentai': 'sum', 'Suvartojimas (kWh/val)': 'sum'} # agregavimo f-jos priklausomai nuo kintamojo
).reset_index() # datų ir valandų informacija iš indeksų grįžta į įprastus stulpelius
# Pruošti analizei pagal dienas
Lietuva_per_dieną = Lietuva_per_valandą.groupby(['Data'])[['Abonentai', 'Suvartojimas (kWh/val)', 'Valanda']].agg(
{'Abonentai': 'max', 'Suvartojimas (kWh/val)': 'sum', 'Valanda': 'count'}
).rename(columns={'Suvartojimas (kWh/val)': 'Elektra_kWh_per_d'}).reset_index()
# aptikti dienas, kurių informacija nepilna; bet leisti 23 valandas turinčias dienas dėl žiemos>vasaros laiko sukimo
nepilnos_dienos = Lietuva_per_dieną['Data'][Lietuva_per_dieną['Valanda'] < 23].to_list() # arba < 24
if nepilnos_dienos:
print('Kai kuriomis dienomis informacija nepilna:', nepilnos_dienos)
Lietuva_per_dieną = Lietuva_per_dieną[Lietuva_per_dieną['Valanda'] >= 23].reset_index() # atrinkti pilnesnes d.
# Apskaičiuoti vieno abonento vidutinį suvartojimą
Lietuva_per_dieną['Elektros energijos kiekis (kWh per parą)'] = (
Lietuva_per_dieną['Elektra_kWh_per_d'] / Lietuva_per_dieną['Abonentai']
)
# Abonentų skaičiaus kitimas laike
plt.figure(figsize=(9, 6)) # platesnis paveiksliukas nei standartinis
atvaizduoti_kitimą_per_metus(
df=Lietuva_per_dieną, x='Data', y='Abonentai',
pavadinimas=f'Lietuvos automatizuotų elektros abonentų skaičius kitimas{priedėlis}',
rodyti=False
)
plt.ylabel('Abonentų skaičius')
plt.show() # atvavizduoti; 2021-03-28 4 val ryto matyti abonentų šuolis nesutvarkytuose duomenyse
# Vidutinio abonento elektros suvartojimas
plt.figure(figsize=(9, 6)) # platesnis paveiksliukas nei standartinis
atvaizduoti_kitimą_per_metus( #
df=Lietuva_per_dieną, x='Data', y='Elektros energijos kiekis (kWh per parą)',
pavadinimas=f'Vidutinio automatizuoto abonento elektros suvartojimo Lietuvoje kitimas{priedėlis}'
)
def regionų_abonentai_ir_vidutinis_suvartojimas(df, priedėlis=''):
"""
Grafikai apie elektros abonentus ir jų elektros vartojimą Lietuvos regionuose
:param df: pandas.DataFrame lentelė su elektros suvartojimo duomenimis, kuriuos galima gauti iškvietus
df = duomenys.RinkinysElektrai().sutvarkyti_duomenis()
:param priedėlis: papildomas prierašas paveikslėlio pavadinime, pvz., ' (buitiniai)', ' verslo 2022 m.'
"""
# Lyginti elektros suvartojimo kitimą paros eigoje tarp regionų.
suvartojimo_kitimas_paroje_pagal_regionus(df, priedėlis=priedėlis) # Atskiri regionai, bendrai metai
kombinuoti_žemėlapius = True
if kombinuoti_žemėlapius:
žemėlapis(
df.rename(columns={'Vid. reg. ab. suvartojimas (kWh/val)': 'Suvartojimas kWh / val.'}),
'Abonentai', 'Suvartojimas kWh / val.',
pavadinimas='Automatizuoti elektros vartotojai{}'.format(priedėlis),
agg_fja={'Suvartojimas kWh / val.': 'median', 'Abonentai': 'max'}
)
else:
žemėlapis(
df, 'Abonentai', agg_fja='max',
# pavadinimo gale pridedu tarpų ir NBSP, kad labiau pastumtų jį į kairę; plt.tight_layout() iškreipia žemėl.
pavadinimas='Didžiausias autom. elektros vartotojų skaičius regione{} '.format(priedėlis)
)
žemėlapis(
df, 'Vid. reg. ab. suvartojimas (kWh/val)',
# pavadinimo gale pridedu tarpų ir NBSP, kad labiau pastumtų jį į kairę; plt.tight_layout() iškreipia žemėl.
pavadinimas=f'Autom. vartotojo vidutinis el. energijos suvartojimas{priedėlis} (mediana) ',
legendos_pavad='Suvartojimas\nkWh / val.', agg_fja='median'
)
def suvartojimo_kitimas_paroje_tarp_mėnesių(df, mėnesiai=None, pavadinimas=None, priedėlis='', rodyti=True):
"""
Funkcija skirta vizualizualiam vidutinio elektros suvartojimo kitimą paros eigoje palyginimui tarp mėnesių.
Jei laiko juostos teisingos, tai suvartojimas prieš ir po vasaros/žiemos laiko pakeitimo turėtų būti panašus,
t.y. vasario ir balandžio, taip pat rugsėjo ir lapkričio.
Jei laikas yra UTC (o ne vietinis), tada matysis ryškus vienos valandos persislinkimas.
:param df: pandas.DataFrame lentelė su kintamaisiais „Mėnuo“, „Valanda“, „Suvartojimas (kWh/val)“
:param mėnesiai: mėnesių numerių sąrašas arba None (tada imami [2, 4, 9, 11] mėnesiai).
:param pavadinimas: paveiksliuko antraštė, pasirinktinai.
:param priedėlis: jei pavadinimas nenurodomas, jis kuriamas automatiškai su nurodytu priedėliu (pvz., „buitinių“)
:param rodyti: ar parodyti paveiksliuką
"""
# Pradiniai kintamieji
if mėnesiai is None:
mėnesiai = [2, 4, 9, 11] # du pavasario ir du rudens mėnesiai prieš ir po vasaros/žiemos laiko keitimo
elif isinstance(mėnesiai, int):
mėnesiai = [mėnesiai]
elif not isinstance(mėnesiai, list):
print('Mėnesiai turi būti sveikųjų skaičių sąrašas, skaičius arba None')
return
if not tikrinti_df(df, ['Mėnuo', 'Valanda', 'Suvartojimas (kWh/val)']):
return
el_v_val = df.groupby(['Mėnuo', 'Valanda']).agg({'Suvartojimas (kWh/val)': 'mean'}).reset_index()
# Grafikas
for mėnuo in mėnesiai:
df_mėnesio = el_v_val[el_v_val['Mėnuo'] == mėnuo]
mėnuo_žodžiu = mėnesio_pavadinimas(mėnuo)
# Reikia dvigubų laužtinių skliaustų, antraip bus klaida:
# ValueError: Expected a 2-dimensional container but got <class 'pandas.core.series.Series'> instead.
st = StandardScaler().fit_transform(df_mėnesio[['Suvartojimas (kWh/val)']])
plt.plot(df_mėnesio['Valanda'], st, label=mėnuo_žodžiu)
if pavadinimas is None:
metai_str = [str(m) for m in sorted(df['Metai'].unique())]
plt.title(f'Automatizuoto elektros abonento energijos vidutinio suvartojimo\n'
'kitimas paros eigoje {} m. Lietuvoje pagal mėnesius{}'.format(', '.join(metai_str), priedėlis))
elif pavadinimas:
plt.title(pavadinimas)
plt.xlabel('Valanda')
plt.ylabel('Standartizuotas abonento el. suvartojimas')
plt.grid(True) # tinklelis
plt.legend(title='Mėnuo')
plt.tight_layout() # apkirpti nuo tuščių vietų ir išplėsti matomas paveviksliuko dalis, kad viskas tilptų
if rodyti: # ar atvaizduoti kaip galutinai išbaigtą paveiksliuką?
plt.show()
def suvartojimo_kitimas_paroje_pagal_regionus(df, pavadinimas=None, priedėlis='', rodyti=True):
"""
Funkcija skirta vizualizualiam vidutinio elektros suvartojimo kitimo paros eigoje palyginimui tarp regionų.
:param df: pandas.DataFrame lentelė su kintamaisiais „Regionas“, „Valanda“, „Suvartojimas (kWh/val)“
:param pavadinimas: paveiksliuko antraštė, pasirinktinai.
:param priedėlis: jei pavadinimas nenurodomas, jis kuriamas automatiškai su nurodytu priedėliu (pvz., „buitinių“)
:param rodyti: ar parodyti paveiksliuką
"""
stiliai_linijoms = ['-', '--', ':', '-.', '.'] # vėliau stilius keisimas kas 11 linijų, nes tiek st. spalvų
el_v_val = df.groupby(['Valanda', 'Regionas']).agg({'Suvartojimas (kWh/val)': 'mean'}).reset_index()
unikalus_regionai = df['Regionas'].unique()
if len(unikalus_regionai) > 40:
plt.figure(figsize=(12, 6)) # daug platesnis paveiksliukas nei standartinis - ypač daug vietos užims legenda
elif len(unikalus_regionai) > 10:
plt.figure(figsize=(10, 6)) # platesnis paveiksliukas nei standartinis - daug vietos užims legenda
for i, regionas in enumerate(unikalus_regionai):
df_regiono = el_v_val[el_v_val['Regionas'] == regionas]
linijos_stilius = stiliai_linijoms[int(i / 10) % len(stiliai_linijoms)]
# žemiau naudoti dvigubus laužtinius skliaustus, antraip
# ValueError: Expected a 2-dimensional container but got <class 'pandas.core.series.Series'> instead.
st = StandardScaler().fit_transform(df_regiono[['Suvartojimas (kWh/val)']])
plt.plot(
df_regiono['Valanda'], st, linijos_stilius, label=regionas
)
plt.grid(True)
plt.xlabel('Valanda')
plt.ylabel('Standartizuotas abonento el. suvartojimas')
plt.legend(title='Regionas')
if len(unikalus_regionai) > 10:
sns.move_legend( # perkelti legendą
plt.gca(), "upper left", bbox_to_anchor=(1, 1), # viršuje dešinėje už paveikslo
ncol=int(len(unikalus_regionai) / 20) + 1, # stulpelių skaičius
frameon=False # be rėmelio pusiau skaidraus fono
)
if pavadinimas is None:
plt.title('Elektros energijos suvartojimo kitimas\n '
'paros eigoje skirtinguose regionuose{}'.format(priedėlis))
elif pavadinimas:
plt.title(pavadinimas)
plt.tight_layout() # apkirpti nuo tuščių vietų ir išplėsti matomas paveviksliuko dalis, kad viskas tilptų
if rodyti: # ar atvaizduoti kaip galutinai išbaigtą paveiksliuką?
plt.show()
"""
Bendrieji įrankiai
"""
def atvaizduoti_kitimą_per_metus(df, x='Data', y=None, pavadinimas=None, rodyti=True):
"""
Apvalkalas grafiko piešimui su Matplotlib ir Seaborn, kur x ašyje atidamas laikas metai-mėnuo
:param df: pandas.DataFrame lentelė
:param x: df stulpelio pavadinimas, kuriame yra data (numatyta "Data")
:param y: df stulpelio pavadinimas, kuriame yra norimi atvaizduoti duomenys
:param pavadinimas: pasirinktinai paveikslėlio antraštė
:param rodyti: ar parodyti paveiksliuką
:return: pagrinidnio grafiko objektas
"""
# pradiniai kintamieji
if not tikrinti_df(df, [x]): # Patikrina, ar df yra pandas.dataFrame su x stulpeliu
return None
if not y: # y nenurodytas
df_stulpeliai_be_datos = list(set(df.columns) - {x})
if df_stulpeliai_be_datos:
y = df_stulpeliai_be_datos[0] # priskirti pirmąjį stulpelį, kuris nesutapo su x
else:
print('Kitų duomenų nei data nėra')
return None
elif not tikrinti_df(df, y): # Patikrina, ar df yra pandas.dataFrame su y stulpeliu
return None
df = df.sort_values(by=y) # dėl visa ko užtikrinti rikiavimą pagal datą
# paruošti datos vaizdavimą
format_date1 = mpl_dates.DateFormatter('%Y-%m') # datos formatas metai-mėnuo
plt.gca().xaxis.set_major_formatter(format_date1) # metai-mėnuo datos formatas bus taikokmas x ašiai
# df[x] turi būti pandas._libs.tslibs.timestamps.Timestamp, antraip busmaklaidos:
# TypeError: Invalid object type
# pandas._libs.lib.maybe_convert_numeric; TypeError: Invalid object type at position 0
if not isinstance(df[x].iloc[0], pd.Timestamp): # pd.Period ir kt.
# print(f'Datos kintamojo reikšmės buvo {type(df[x].iloc[0])} tipo, laikinai konvertuosime į pandas.Timestamp')
df[x] = df[x].apply(lambda t: t.to_timestamp()) # konvertuoti į pandas.Timestamp
# piešimas
grafikas = sns.lineplot(data=df, x=x, y=y) # pats grafikas
plt.grid(True) # tinklelis
plt.xticks(rotation=30) # teksto, esančio x ašyje, pasukimas
plt.xlabel('Laikas (metai-mėnuo)')
if pavadinimas:
plt.title(pavadinimas)
plt.tight_layout() # apkirpti nuo tuščių vietų ir išplėsti matomas paveviksliuko dalis, kad viskas tilptų
if rodyti: # ar atvaizduoti kaip galutinai išbaigtą paveiksliuką?
plt.show()
return grafikas
def mėnesio_pavadinimas(mėnesių_skaičiai):
"""
Lietuviškų mėnesių pavadinimai pagal pateiktą mėnesių numerių sąrašą.
:param mėnesių_skaičiai: sąrašas sveikųjų skaičių nuo 1 iki 12 bet kokia tvarka ir bet kokiu pasikartojimu.
:return: sąrašas atitinkamų mėnesių pavadinimų
"""
mėnesių_pavadinimai = [
'sausis', 'vasaris', 'kovas', 'balandis', 'gegužė', 'birželis',
'liepa', 'rugpjūtis', 'rugsėjis', 'spalis', 'lapkritis', 'gruodis'
]
if type(mėnesių_skaičiai) in [int, float]:
return mėnesių_pavadinimai[int(mėnesių_skaičiai) - 1]
elif type(mėnesių_skaičiai) in [list, pd.DataFrame]:
return [mėnesių_pavadinimai[int(x) - 1] if ((type(x) in [int, float]) and (x in range(1, 13))) else None
for x in mėnesių_skaičiai
]
def tikrinti_df(df, kintamieji=None):
"""
Patikrina, ar df yra pandas.DataFrame ir turi nurodytus kintamuosius
:param df: pandas.DataFrame
:param kintamieji: tikrintinų stulpelių pavadinimų sąrašas
:return: True, jei df tinkamas; False, jei netinkamas
"""
if not isinstance(df, pd.DataFrame): # jei tai ne pandas.DataFrame
return False
if kintamieji is None:
return True
elif isinstance(kintamieji, list):
if all([(m in df.columns) for m in kintamieji]):
return True
else:
trūkstami_stulpeliai = list(set(kintamieji) - set(df.columns))
print("Tikėtasi, kad df bus pandas.DataFrame su stulpeliais:", trūkstami_stulpeliai)
return False
elif isinstance(kintamieji, str) or isinstance(kintamieji, int):
if kintamieji in df.columns:
return True
else:
print("Tikėtasi, kad df bus pandas.DataFrame bent su stulpeliu:", kintamieji)
return False
else:
print("Tikėtasi, kad parametras kintamieji bus sąrašas arba None")
return False
def metai_žodžiu(metai):
"""
Konvertuoja metų skaičius į tekstą
:param metai: metų skaičiai
:return: metų sąrašas kaip tekstas
"""
metai_pd = pd.Series(metai) # konvertuoti į pandas.Series lentelę
metai_unik = sorted(metai_pd.unique()) # unikalių metų sąrašas
metai_str = ', '.join([str(x) for x in metai_unik]) # pats konvertavimas į tekstą, metus skiriant kableliu
return metai_str
def main():
"""
Pagrindinė funkcija dviejų elektros duomenų rinkinių – buitinių ir verslo vartotojų – analizės iškvietimui.
:return:
"""
print('\n=== Visų elektros duomenų analizė prieš jungiant su kitais duomenimis ===')
for rinkinio_id in ['buitis', 'verslas']:
print('\n== %s ==\n' % rinkinio_id.upper())
# analizuoti visus elektros duomenis per visą laikotarpį, po to tik stabiliausius 2022 m.
analizuoti_elektros_duomenis(rinkinio_id, metai=2022)
print('\n=== Jungtinių duomenų analizė, kur imami tik persidengiantys regionai ir laikotarpiai ===')
ankstesnis_laikotarpis = None
for rinkinio_id in ['buitis', 'verslas']:
# analizuoti tik tuos elektros duomenys, kurių regionai bendri su kitų tipų (orų, gyventojų) duomenimis
# o analizei naudotojas galės pats pasirinkti regionus ir laikotarpius
ankstesnis_laikotarpis = analizuoti_jungtinius_duomenis(
el_rinkinio_id=rinkinio_id,
laikotarpis_orams_ir_gyventojams_nebeanalizuoti=ankstesnis_laikotarpis # dalies neanalizuos, jei sutaps
)
print("\nAnalizė baigta.")
if __name__ == '__main__':
main()