每个用户用电数据按日差分,并求取差分结果的基本统计量
时间: 2024-02-11 20:04:12 浏览: 131
```python
import pandas as pd
# 读取csv文件,设置编码为GBK,将DATA_DATE转换为时间序列
df = pd.read_csv('data.csv', encoding='GBK', parse_dates=['DATA_DATE'])
# 使用groupby方法按照用户编号进行分组,并对每个用户的用电数据进行按日差分
df_diff = df.groupby('CONS_NO')['KWH'].diff()
# 使用describe方法求取差分结果的基本统计量
df_summary = df_diff.describe()
# 输出统计结果
print(df_summary)
```
结果将会显示每个用户用电数据按日差分后的基本统计量,包括:最大值、最小值、均值、中位数、标准差、方差、偏度和峰度。
相关问题
标题:Python数据分析与可视化 使用学习过的理论知识(Numpy数值分析基础、Matplotlib数据可视化基础、Pandas统计分析基础),对data.csv用户用户用电量数据进行相关处理,其中数据中有编号为1-200的200位电力用户,DATA_DATE表示时间,如2015/1/1表示2015年1月1日,KWH为用电量。请完成以下工作: 1、将数据转置,转置后行为用户编号、列为日期、值为用户每日用电量; 2、对异常数据进行识别并处理; 3、统计每个用户用电数据的基本统计量,包括:最大值、最小值、均值、中位数、和、方差、偏度、峰度; 4、每个用户用电数据按日差分,求取差分结果的基本统计量,统计量同3; 5、求取每个用户的5%分位数; 6、每个用户按周求和并差分(一周7天,年度分开),并求取差分结果的基本统计量,统计量同三; 7、统计每个用户的日用电量在其最大值0.9倍以上的次数; 8、求取每个用户日为最大值/最小值的索引月份,若最大值/最小值存在于多个月份中,则输出含有最大值/最小值最多的那个月份。如1号用户的最小值为0,则看哪个月的0最多; 9、求取每个用户七八月电量和与三四月电量和的比值,最大值的比值,最小值的比值,均值(日均电量)的比值; 10、合并上述特征。
1. 转置数据
```python
import pandas as pd
df = pd.read_csv('data.csv')
df = df.pivot(index='ID', columns='DATA_DATE', values='KWH')
```
2. 处理异常数据
可以使用Tukey方法,将小于Q1-1.5IQR或大于Q3+1.5IQR的数据视为异常值,并用Q1或Q3代替。
```python
Q1 = df.quantile(0.25)
Q3 = df.quantile(0.75)
IQR = Q3 - Q1
outliers = (df < Q1 - 1.5*IQR) | (df > Q3 + 1.5*IQR)
df[outliers] = Q1[outliers] # 用Q1代替异常值
```
3. 统计基本统计量
```python
stats = df.describe()
```
4. 计算每日差分的基本统计量
```python
diff = df.diff(axis=1)
diff_stats = diff.describe()
```
5. 计算每个用户的5%分位数
```python
quantile_5 = df.quantile(0.05)
```
6. 计算每周差分的基本统计量
```python
week_sum = df.resample('W', axis=1).sum()
week_diff = week_sum.diff(axis=1)
week_diff_stats = week_diff.describe()
```
7. 统计每个用户的日用电量在其最大值0.9倍以上的次数
```python
count = (df > 0.9*stats.loc['max']) & (df != stats.loc['max'])
count.sum()
```
8. 求取每个用户日为最大值/最小值的索引月份
```python
max_month = df.apply(lambda x: x.idxmax().month)
min_month = df.apply(lambda x: x.idxmin().month)
```
9. 求取每个用户七八月电量和与三四月电量和的比值
```python
summer = df.loc[:, '2015-07-01':'2015-08-31'].sum(axis=1)
spring = df.loc[:, '2015-03-01':'2015-04-30'].sum(axis=1)
ratio = summer / spring
ratio_stats = ratio.describe()
```
10. 合并特征
```python
features = pd.concat([stats, diff_stats, quantile_5, week_diff_stats, count, max_month, min_month, ratio_stats], axis=1)
features.columns = ['max', 'min', 'mean', 'std', '25%', '50%', '75%', 'diff_max', 'diff_min', 'diff_mean', 'diff_std', 'diff_25%', 'diff_50%', 'diff_75%', 'quantile_5', 'week_diff_max', 'week_diff_min', 'week_diff_mean', 'week_diff_std', 'week_diff_25%', 'week_diff_50%', 'week_diff_75%', 'count', 'max_month', 'min_month', 'ratio_max', 'ratio_min', 'ratio_mean', 'ratio_std', 'ratio_25%', 'ratio_50%', 'ratio_75%']
```
使用学习过的理论知识(Numpy数值分析基础、Matplotlib数据可视化基础、Pandas统计分析基础),对data.csv用户用户用电量数据进行相关处理,其中数据中有编号为1-200的200位电力用户,DATA_DATE表示时间,如2015/1/1表示2015年1月1日,KWH为用电量。请完成以下工作:1、将数据进行转置,转置后行为用户编号、列为日期、值为用户每日用电量。2、对数据中的异常数据进行识别并处理。3、统计每个用户用电数据的基本统计量,包括:最大值、最小值、均值、中位数、和、方差、偏度、峰度。4、每个用户用电数据按日差分,并求取差分结果的基本统计量,统计量同3。5、求取每个用户的5%分位数。6、每个用户按周求和并差分(一周7天,年度分开),并求取差分结果的基本统计量,统计量同三。7、统计每个用户的日用电量在其最大值0.9倍以上的次数。8、求取每个用户日为最大值/最小值的索引月份,若最大值/最小值存在于多个月份中,则输出含有最大值/最小值最多的那个月份。如1号用户的最小值为0,则看哪个月的0最多。9、求取每个用户七八月电量和与三四月电量和的比值,最大值的比值,最小值的比值,均值(日均电量)的比值。10、合并上述特征。
1、将数据进行转置,转置后行为用户编号、列为日期、值为用户每日用电量。
```python
import pandas as pd
# 读取数据
df = pd.read_csv('data.csv')
# 转换日期格式
df['DATA_DATE'] = pd.to_datetime(df['DATA_DATE'])
# 转置数据
df_pivot = df.pivot(index='ID', columns='DATA_DATE', values='KWH')
```
2、对数据中的异常数据进行识别并处理。
```python
import numpy as np
# 计算每个用户每天用电量的标准差
std = df_pivot.std(axis=1)
# 计算每个用户每天用电量的平均值
mean = df_pivot.mean(axis=1)
# 将超过平均值+3倍标准差或小于平均值-3倍标准差的数据替换为NaN
df_pivot[(df_pivot > mean.values[:, np.newaxis] + 3 * std.values[:, np.newaxis]) |
(df_pivot < mean.values[:, np.newaxis] - 3 * std.values[:, np.newaxis])] = np.nan
```
3、统计每个用户用电数据的基本统计量,包括:最大值、最小值、均值、中位数、和、方差、偏度、峰度。
```python
from scipy.stats import skew, kurtosis
# 统计每个用户用电数据的基本统计量
statistics = pd.DataFrame({
'max': df_pivot.max(),
'min': df_pivot.min(),
'mean': df_pivot.mean(),
'median': df_pivot.median(),
'sum': df_pivot.sum(),
'var': df_pivot.var(),
'skew': skew(df_pivot, axis=1),
'kurtosis': kurtosis(df_pivot, axis=1)
})
```
4、每个用户用电数据按日差分,并求取差分结果的基本统计量,统计量同3。
```python
# 按日差分
df_diff = df_pivot.diff(axis=1)
# 删除第一列的NaN值
df_diff = df_diff.iloc[:, 1:]
# 统计每个用户用电数据按日差分后的基本统计量
diff_statistics = pd.DataFrame({
'max': df_diff.max(),
'min': df_diff.min(),
'mean': df_diff.mean(),
'median': df_diff.median(),
'sum': df_diff.sum(),
'var': df_diff.var(),
'skew': skew(df_diff, axis=1),
'kurtosis': kurtosis(df_diff, axis=1)
})
```
5、求取每个用户的5%分位数。
```python
# 求取每个用户的5%分位数
quantile_5 = df_pivot.quantile(q=0.05, axis=1)
```
6、每个用户按周求和并差分(一周7天,年度分开),并求取差分结果的基本统计量,统计量同3。
```python
# 按周求和
df_weekly = df_pivot.resample('W', axis=1).sum()
# 按年度分开
df_weekly = df_weekly.groupby(df_weekly.columns.year, axis=1)
# 差分
df_weekly_diff = df_weekly.diff(axis=1)
# 删除第一列的NaN值
df_weekly_diff = df_weekly_diff.iloc[:, 1:]
# 统计每个用户用电数据按周差分后的基本统计量
weekly_diff_statistics = pd.DataFrame({
'max': df_weekly_diff.max(),
'min': df_weekly_diff.min(),
'mean': df_weekly_diff.mean(),
'median': df_weekly_diff.median(),
'sum': df_weekly_diff.sum(),
'var': df_weekly_diff.var(),
'skew': skew(df_weekly_diff, axis=1),
'kurtosis': kurtosis(df_weekly_diff, axis=1)
})
```
7、统计每个用户的日用电量在其最大值0.9倍以上的次数。
```python
# 统计每个用户的日用电量在其最大值0.9倍以上的次数
count = (df_pivot > df_pivot.max() * 0.9).sum()
```
8、求取每个用户日为最大值/最小值的索引月份,若最大值/最小值存在于多个月份中,则输出含有最大值/最小值最多的那个月份。如1号用户的最小值为0,则看哪个月的0最多。
```python
# 求取每个用户日为最大值的索引月份
max_month = df_pivot.idxmax(axis=1).dt.month
# 求取每个用户日为最小值的索引月份
min_month = df_pivot.idxmin(axis=1).dt.month
# 统计每个用户日为最大值/最小值的索引月份中出现次数最多的月份
max_month_count = max_month.value_counts()
min_month_count = min_month.value_counts()
# 输出结果
print('每个用户日为最大值的索引月份:')
print(max_month[max_month == max_month_count.idxmax()].value_counts())
print('\n每个用户日为最小值的索引月份:')
print(min_month[min_month == min_month_count.idxmax()].value_counts())
```
9、求取每个用户七八月电量和与三四月电量和的比值,最大值的比值,最小值的比值,均值(日均电量)的比值。
```python
# 求取每个用户七八月电量和
summer_sum = df_pivot.loc[:, df_pivot.columns.month.isin([7, 8])].sum(axis=1)
# 求取每个用户三四月电量和
spring_sum = df_pivot.loc[:, df_pivot.columns.month.isin([3, 4])].sum(axis=1)
# 求取比值
ratio = summer_sum / spring_sum
# 输出结果
print('每个用户七八月电量和与三四月电量和的比值:')
print(ratio)
print('\n最大值的比值:')
print(ratio.max())
print('\n最小值的比值:')
print(ratio.min())
print('\n均值的比值:')
print(ratio.mean())
```
10、合并上述特征。
```python
# 合并特征
features = pd.concat([
statistics,
diff_statistics,
pd.DataFrame({'quantile_5': quantile_5}),
weekly_diff_statistics,
pd.DataFrame({'count': count}),
pd.DataFrame({'max_month': max_month, 'min_month': min_month}),
pd.DataFrame({'ratio': ratio})
], axis=1)
```