风电NWP数据清洗python代码

时间: 2023-08-27 08:07:16 浏览: 67
以下是一个简单的风电NWP数据清洗的Python代码示例: ```python import pandas as pd import numpy as np # 读取原始数据文件 data = pd.read_csv('wind_nwp_data.csv') # 删除重复行 data.drop_duplicates(inplace=True) # 删除缺失值 data.dropna(inplace=True) # 格式化时间列 data['time'] = pd.to_datetime(data['time']) # 删除无用列 data = data.drop(['lat', 'lon'], axis=1) # 重命名列 data = data.rename(columns={'u10': 'wind_speed', 'v10': 'wind_direction'}) # 转换风向数据 data['wind_direction'] = np.degrees(np.arctan2(data['wind_direction'], data['wind_speed']) + np.pi) # 保存清洗后的数据 data.to_csv('clean_wind_nwp_data.csv', index=False) ``` 该代码假设原始数据文件名为 `wind_nwp_data.csv`,包含以下列: 时间(time)、纬度(lat)、经度(lon)、10米高度风速(u10)和10米高度风向(v10)。 代码执行的数据清洗步骤包括: - 删除重复行 - 删除缺失值 - 格式化时间列 - 删除无用列 - 重命名列 - 转换风向数据 - 保存清洗后的数据到文件 `clean_wind_nwp_data.csv` 中。

相关推荐

%% 计算指标 INdex=[]; n=[]; for i=1:k A=NWP_cluster{i}; index=[]; for j=1:size(A,1) for x=1:size(A,2) index(j,x)=sum((A(j,:)-A(x,:)).^2)^0.5; end end INdex(k)=sum(sum(index))/(size(A,1)*size(A,2)-1)/2; n(k)=size(A,1)*size(A,2); end compactness=sum(INdex)/sum(n); disp(['紧致度为:',num2str(compactness)]) %% 找出原始不聚类的训练测试集 Label_test_first=[]; first_label=[]; Label_1=[L{1}' L{2}' L{3}']; for i=1:k Label=find(label==i); A=Label_1(find(label==i)); first_label{i}=Label(1+ceil(length(A)*5/6):end); A(1:ceil(length(A)*5/6))=[]; Label_test_first=[Label_test_first A]; end X=1:size(data,1); X(Label_test_first)=[]; Train_NWP_power_zhijie =[data(X,:) power_date(X,:)]; Test_NWP_power_zhijie =[data(Label_test_first,:) power_date(Label_test_first,:)]; csvwrite('不聚类的训练集.csv',Train_NWP_power_zhijie); csvwrite('不聚类的测试集.csv',Test_NWP_power_zhijie); %% 找出一重聚类结果的训练测试集 first_L1=[]; first_L2=[]; first_L3=[]; for i=1:k B=first_label{i}; L1_label=B(find(B<=length(L{1}))); L2_label=B(find(B<=length([L{1}' L{2}']))); L3_label=B(~ismember(B,L2_label)); L2_label=L2_label(~ismember(L2_label,L1_label)); first_L1=[first_L1;L1_label]; first_L2=[first_L2;L2_label]; first_L3=[first_L3;L3_label]; end first_cluster_test_1=Label_1(first_L1); first_cluster_test_2=Label_1(first_L2); first_cluster_test_3=Label_1(first_L3); first_cluster_train_1=Label_cluster{1}(~ismember(Label_cluster{1},first_cluster_test_1)); first_cluster_train_2=Label_cluster{2}(~ismember(Label_cluster{2},first_cluster_test_2)); first_cluster_train_3=Label_cluster{3}(~ismember(Label_cluster{3},first_cluster_test_3)); %% 划分出训练测试集 NWP_power_test_1=[data(first_cluster_test_1,:) power_date(first_cluster_test_1,:)]; NWP_power_test_2=[data(first_cluster_test_2,:) power_date(first_cluster_test_2,:)]; NWP_power_test_3=[data(first_cluster_test_3,:) power_date(first_cluster_test_3,:)]; NWP_power_train_1=[data(first_cluster_train_1,:) power_date(first_cluster_train_1,:)]; NWP_power_train_2=[data(first_cluster_train_2,:) power_date(first_cluster_train_2,:)]; NWP_power_train_3=[data(first_cluster_train_3,:) power_date(first_cluster_train_3,:)]; NWP_power_test=[{NWP_power_test_1} {NWP_power_test_2} {NWP_power_test_3}]; NWP_power_train=[{NWP_power_train_1} {NWP_power_train_2} {NWP_power_train_3}]; for i=1:k str_test=['NWP_power_test_',num2str(i),'.csv']; csvwrite(str_test,NWP_power_test{i}); str_train=['NWP_power_train_',num2str(i),'.csv']; csvwrite(str_train,NWP_power_train{i}); end

INdex=[]; n=[]; for i=1:k A=NWP_cluster{i}; index=[]; for j=1:size(A,1) for x=1:size(A,2) index(j,x)=sum((A(j,:)-A(x,:)).^2)^0.5; end end INdex(k)=sum(sum(index))/(size(A,1)*size(A,2)-1)/2; n(k)=size(A,1)*size(A,2); end compactness=sum(INdex)/sum(n); disp(['紧致度为:',num2str(compactness)]) %% 计算欧氏距离 Dis=[]; for i=1:k Data=NWP_cluster{i}; oushi_dis=[]; Center=center(i,:); for j=1:size(Data,1) oushi_dis(j)=sum((Data(j,:)-Center).^2)^0.5; end Dis{i}=oushi_dis; end L=[]; first_label=[]; for i=1:k [~,location]=sort(Dis{i},'ascend'); Label=Label_cluster{i}; Label=Label(location); L{i}=Label(1:ceil(length(Label))*0.5); first_label=[first_label;Label_cluster{i}]; end %% 二次聚类 double_data=p_train([L{1};L{2};L{3}],:); Double_data=data([L{1};L{2};L{3}],:); double_power=power_date([L{1};L{2};L{3}],:); %% 聚类 k=3; [label,center]=FCM(double_data',k); %% double_label1=label(1:length(L{1})); double_label2=label(1+length(L{1}):length(L{1})+length(L{2})); double_label3=label(1+length(L{1})+length(L{2}):length(L{1})+length(L{2})+length(L{3})); double_label=[{double_label1} {double_label2} {double_label3}];%{double_label4} {double_label5} {double_label6} %% 找出同一类的样本 NWP_cluster=[]; cluster_power=[]; for i=1:k NWP_cluster{i}=double_data(find(label==i),:); cluster_power{i}=double_power(find(label==i),:); end NWP_power=[]; for i=1:k NWP_power{i}=[Double_data(find(label==i),:) double_power(find(label==i),:)]; end for i=1:k str=['NWP_power',num2str(i),'.csv']; csvwrite(str,NWP_power{i});

最新推荐

recommend-type

华为OD机试D卷 - 用连续自然数之和来表达整数 - 免费看解析和代码.html

私信博主免费获取真题解析以及代码
recommend-type

Screenshot_2024-05-10-20-21-01-857_com.chaoxing.mobile.jpg

Screenshot_2024-05-10-20-21-01-857_com.chaoxing.mobile.jpg
recommend-type

数字图像处理|Matlab-频域增强实验-彩色图像的频域滤波.zip

数字图像处理|Matlab-频域增强实验-彩色图像的频域滤波.zip
recommend-type

2024-2030中国定向转向膜市场现状研究分析与发展前景预测报告.docx

2024-2030中国定向转向膜市场现状研究分析与发展前景预测报告
recommend-type

开源工时填报管理系统安装包

开源工时填报管理系统安装包
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

list根据id查询pid 然后依次获取到所有的子节点数据

可以使用递归的方式来实现根据id查询pid并获取所有子节点数据。具体实现可以参考以下代码: ``` def get_children_nodes(nodes, parent_id): children = [] for node in nodes: if node['pid'] == parent_id: node['children'] = get_children_nodes(nodes, node['id']) children.append(node) return children # 测试数
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。