加载csv文件绘制折线图_enumerate&列表转化为数组&序列

加载csv文件绘制折线图_enumerate&列表转化为数组&序列

加载csv文件绘制折线图_enumerate&列表转化为数组

将 420 551 行数据转换成一个 Numpy 数组。绘制温度时间序列

# 在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中# 包含多年的记录。原始数据可追溯到 2003 年，但本例仅使用 2009—2016 年的数据。这个数据# 集非常适合用来学习处理数值型时间序列。我们将会用这个数据集来构建模型，输入最近的一# 些数据（几天的数据点），可以预测 24 小时之后的气温。# -并解压数据，如下所示。# cd ~/Downloads# mkdir jena_climate# cd jena_climate# wget unzip jena_climate_2009_2016.csv.zip# 来观察一下数据# 代码清单 6-28　观察耶拿天气数据集的数据import os# 加载csv文件# data_dir = '/home/ubuntu/data/'data_dir = 'C:\\file\data'fname = os.path.join(data_dir, 'jena_climate_2009_2016.csv')f = open(fname)data = f.read()f.close()# 以换行符切分lines = data.split('\n')# 将第一行赋予首行header = lines[0].split(',')lines = lines[1:]print(header)print(len(lines))print(type(lines))['"Date Time"', '"p (mbar)"', '"T (degC)"', '"Tpot (K)"', '"Tdew (degC)"', '"rh (%)"', '"VPmax (mbar)"', '"VPact (mbar)"', '"VPdef (mbar)"', '"sh (g/kg)"', '"H2OC (mmol/mol)"', '"rho (g/m**3)"', '"wv (m/s)"', '"max. wv (m/s)"', '"wd (deg)"']420551Let's convert all of these 420,551 lines of data into a Numpy array:enumerate# 接下来，将 420 551 行数据转换成一个 Numpy 数组。# 代码清单 6-29　解析数据import numpy as npfloat_data = np.zeros((len(lines), len(header) - 1))for i, line in enumerate(lines): values = [float(x) for x in line.split(',')[1:]] float_data[i, :] = values # 比如，温度随时间的变化如图 6-18 所示（单位：摄氏度）。在这张图中，你可以清楚地看# 到温度每年的周期性变化。# 代码清单 6-30　绘制温度时间序列from matplotlib import pyplot as plttemp = float_data[:, 1] # temperature (in degrees Celsius)plt.plot(range(len(temp)), temp)plt.show()

# 图 6-19 给出了前 10 天温度数据的图像。因为每 10 分钟记录一个数据，所以每天有 144 个# 数据点。# 代码清单 6-31　绘制前 10 天的温度时间序列plt.plot(range(1440), temp[:1440])plt.show()# 在这张图中，你可以看到每天的周期性变化，尤其是最后 4 天特别明显。另外请注意，这# 10 天一定是来自于很冷的冬季月份。# 如果你想根据过去几个月的数据来预测下个月的平均温度，那么问题很简单，因为数据具# 有可靠的年度周期性。但从几天的数据来看，温度看起来更混乱一些。以天作为观察尺度，这# 个时间序列是可以预测的吗？我们来寻找这个问题的答案

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。