import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
building = pd.read_csv('data/COMBED/total_main.csv')
building.columns = ['time', 'Power']
dataset = ['1f', '2f', '3f', '4f', '5f',
'lift', 'ahu_0', 'ahu_1', 'ahu_2']
for i in dataset:
path = 'data/COMBED/%s.csv' % i
target = pd.read_csv(path)
target.columns = ['time', i]
building = pd.merge(building, target, how='outer')
building.describe()
time
Power
1f
2f
3f
4f
5f
lift
ahu_0
ahu_1
ahu_2
count
8.085610e+05
82887.000000
86191.000000
86197.000000
86196.000000
86197.000000
86199.000000
82883.000000
8.619100e+04
8.619700e+04
8.619700e+04
mean
1.402898e+12
26953.199165
6414.705527
6243.521385
2565.171819
2270.086414
5868.598787
663.357962
1.108174e+03
1.175693e+03
1.645170e+03
std
7.445254e+08
12679.686055
2668.779318
3962.974497
937.462608
830.664546
5145.835523
753.209339
1.276242e+03
1.555851e+03
1.720803e+03
min
1.401595e+12
0.000000
0.000000
0.000000
764.284729
0.000000
0.000000
135.551239
1.200000e-17
1.200000e-17
0.000000e+00
25%
1.402249e+12
16527.759766
5399.188232
2394.531494
1784.570007
1633.765137
1022.516541
416.889313
1.200000e-17
1.200000e-17
2.000000e-17
50%
1.402904e+12
23836.597656
6409.180176
5742.391602
2639.118896
2318.925293
1615.134399
429.976685
1.200000e-17
1.200000e-17
2.000000e-17
75%
1.403538e+12
38319.457031
8430.785645
9529.845703
3330.486694
2859.600830
11339.651367
455.709259
2.407904e+03
2.807285e+03
3.363910e+03
max
1.404187e+12
58734.121094
18046.414062
17125.187500
5782.950195
6763.777344
16185.705078
9232.341797
4.367141e+03
4.559870e+03
4.406700e+03
building['datetime'] = building['time'].astype("datetime64[ms]")
# 이 데이터프레임의 인덱스를 ['datetime'] 컬럼의 값으로 바꿔줍니다.
# 시간을 기준으로 묶어주기 용이하기 때문입니다.
building.index = building['datetime']
# .groupby() 를 이용하여 특정 기준으로 데이터를 묶어 .mean()으로 평균값을 구합니다.
# 여기서 특정 기준이라 함은 pd.Grouper() 에서 시간을 기준으로 삼아주게 됩니다.
building = building.groupby(pd.Grouper(freq='H')).mean()
# building 데이터에 연, 월, 일, 시, 분, 초를 나타내는 새로운 컬럼을 생성합니다.
# 각각의 이름을 datetime-month/day/hour/minute/second라고 지정합니다.
# 이 컬럼에 날짜(datetime) 컬럼의 dt(datetime의 약자입니다) 옵션을 활용하여 월일시분을 따로 넣어줍니다.
building["datetime-month"] = building.index.month
building["datetime-day"] = building.index.day
building["datetime-hour"] = building.index.hour
# dayofweek는 날짜에서 요일(월~일)을 가져오는 기능입니다.
# 값은 0(월), 1(화), 2(수), 3(목), 4(금), 5(토), 6(일) 을 나타냅니다.
building["datetime-dayofweek"] = building.index.dayofweek
# building 변수에 할당된 데이터의 행렬 사이즈를 출력합니다.
# 출력은 (row, column) 으로 표시됩니다.
print(building.shape)
# .head()로 building 데이터의 상위 5개를 띄우되,
# datetime과 이와 연관된 나머지 다섯 개의 컬럼만을 출력합니다.
building[["datetime-month", "datetime-day",
"datetime-hour", "datetime-dayofweek"]].head()
(720, 15)
datetime-month
datetime-day
datetime-hour
datetime-dayofweek
datetime
2014-06-01 04:00:00
6
1
4
6
2014-06-01 05:00:00
6
1
5
6
2014-06-01 06:00:00
6
1
6
6
2014-06-01 07:00:00
6
1
7
6
2014-06-01 08:00:00
6
1
8
6
# matplotlib의 subplots를 사용합니다. 이 함수는 여러 개의 시각화를 한 화면에 띄울 수 있도록 합니다.
# 이번에는 2x2으로 총 4개의 시각화를 한 화면에 띄웁니다.
figure, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2)
# 시각화의 전체 사이즈는 18x8로 설정합니다.
figure.set_size_inches(18, 8)
# seaborn의 barplot으로 subplots의 각 구역에
# 건물 전체, 2층, 5층, 4층의 전력 소비량을 출력합니다.
p1 = building.pivot_table(index = 'datetime-dayofweek', columns = 'datetime-hour', values = 'Power')
p2 = building.pivot_table(index = 'datetime-dayofweek', columns = 'datetime-hour', values = '2f')
p3 = building.pivot_table(index = 'datetime-dayofweek', columns = 'datetime-hour', values = '5f')
p4 = building.pivot_table(index = 'datetime-dayofweek', columns = 'datetime-hour', values = '4f')
sns.heatmap(p1, ax=ax1)
sns.heatmap(p2, ax=ax2)
sns.heatmap(p3, ax=ax3)
sns.heatmap(p4, ax=ax4)
<matplotlib.axes._subplots.AxesSubplot at 0x144807dea90>
