728x90

In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams['font.family'] = 'Malgun Gothic'   # 한글 폰트 사용
plt.rcParams['font.size'] = 20   # Matplotlib 폰트 사이즈 변경
plt.rcParams['axes.unicode_minus'] = False  # 한글 폰트 사용 시, 마이너스 글자가 깨지는 현상해결

데이터 확인¶

In [2]:

sunny = pd.read_csv('c:\py_temp\태양열에너지생산데이터.csv', encoding = 'cp949')
sunny.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 52560 entries, 0 to 52559
Data columns (total 9 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Day     52560 non-null  int64  
 1   Hour    52560 non-null  int64  
 2   Minute  52560 non-null  int64  
 3   DHI     52560 non-null  int64  
 4   DNI     52560 non-null  int64  
 5   WS      52560 non-null  float64
 6   RH      52560 non-null  float64
 7   T       52560 non-null  int64  
 8   TARGET  52560 non-null  float64
dtypes: float64(3), int64(6)
memory usage: 3.6 MB

In [3]:

# 상위 10개
sunny.head(10)

Out[3]:

	Hour	Minute	WS	RH	T
0	0	0	1.5	69.08	-12
1	0	30	1.5	69.06	-12
2	1	0	1.6	71.78	-12
3	1	30	1.6	71.75	-12
4	2	0	1.6	75.20	-12
5	2	30	1.5	69.29	-11
6	3	0	1.5	72.56	-11
7	3	30	1.4	72.55	-11
8	4	0	1.3	74.62	-11
9	4	30	1.3	74.61	-11

각 Columns 의미 파악¶

In [4]:

sunny.columns

Out[4]:

Index(['Day', 'Hour', 'Minute', 'DHI', 'DNI', 'WS', 'RH', 'T', 'TARGET'], dtype='object')

Day: 일
Hour: 시간
Minute: 분
DHI: 수평면 산란일사량
DNI: 직달 일사량
WS: 풍속
T: 기온
Target: 태양광 발전량

In [5]:

# DHI, DNI 기준으로 큰 값부터 정렬
sunny1 = sunny.sort_values(['DHI','DNI'], ascending = False)
sunny1.head(10)

Out[5]:

	Day	Hour	Minute	DHI	DNI	WS	RH	T	TARGET
7752	161	12	0	528	377	3.1	57.21	19	83.413342
8232	171	12	0	526	375	3.0	20.35	32	83.213793
8328	173	12	0	524	374	0.9	22.26	31	82.839444
43608	908	12	0	523	392	3.6	18.40	30	84.435243
8856	184	12	0	523	374	2.8	28.17	31	82.651812
43561	907	12	30	523	368	3.5	13.13	33	82.087112
7992	166	12	0	523	366	2.2	43.75	24	82.001411
26472	551	12	0	522	379	3.3	16.27	32	83.026163
8376	174	12	0	522	367	2.8	23.56	29	82.090722
26136	544	12	0	521	375	2.5	29.33	28	82.560719

In [6]:

# DHI > 500이면서 DNI >= 350인 데이터를 T 컬럼 값 기준 오름차순 정렬

sunny2 = sunny.loc[(sunny['DHI'] > 500) & (sunny['DNI'] >= 350),['Day', 'DHI', 'DNI', 'WS', 'RH', 'T','TARGET']].sort_values(['T'])
sunny2

Out[6]:

	Day	DHI	DNI	WS	RH	T	TARGET
24551	511	512	370	5.8	67.06	10	80.887980
41783	870	504	388	0.6	37.73	15	81.446529
6936	144	511	408	1.2	41.97	16	84.166744
7463	155	511	397	3.5	80.98	17	83.415176
7752	161	528	377	3.1	57.21	19	83.413342
24168	503	504	368	1.4	30.38	20	79.846990
42024	875	502	361	5.0	29.01	21	79.189329
24793	516	510	397	2.6	31.46	22	83.222941
24407	508	512	387	4.7	21.60	22	82.284689
7559	157	504	417	1.8	36.10	22	84.536494
42265	880	505	367	1.5	30.02	23	80.032005
7367	153	514	390	3.0	36.87	23	83.034378
7560	157	515	361	2.1	34.15	23	80.782598
24648	513	502	426	1.8	25.51	23	85.192334
7993	166	503	421	1.9	43.74	24	84.909928
43705	910	517	380	3.7	23.95	24	82.470526
7992	166	523	366	2.2	43.75	24	82.001411
9336	194	504	363	2.2	41.46	25	79.748779
24888	518	518	370	2.9	30.01	25	81.812865
8759	182	509	391	3.4	51.63	25	82.657264
9143	190	508	377	1.0	31.97	25	81.156111
8473	176	506	409	4.4	46.38	25	84.252240
7655	159	506	413	2.1	31.46	27	84.438027
42648	888	515	408	3.4	28.18	27	85.000948
25079	522	507	362	3.2	24.22	27	79.934666
9432	196	507	366	0.5	26.10	28	80.215244
9433	196	508	386	0.6	26.10	28	81.903986
7656	159	501	434	2.3	30.30	28	86.032022
8711	181	511	378	2.4	34.66	28	81.716348
26136	544	521	375	2.5	29.33	28	82.560719
42695	889	506	419	1.8	15.70	29	84.905261
43657	909	512	405	1.1	18.75	29	84.342353
8376	174	522	367	2.8	23.56	29	82.090722
25848	538	505	426	2.9	24.61	30	85.748680
43608	908	523	392	3.6	18.40	30	84.435243
8855	184	501	362	2.9	27.55	30	79.275311
8328	173	524	374	0.9	22.26	31	82.839444
43897	914	512	390	3.7	16.94	31	83.027076
8856	184	523	374	2.8	28.17	31	82.651812
8232	171	526	375	3.0	20.35	32	83.213793
26615	554	503	371	0.4	14.96	32	80.117902
43223	900	509	365	2.0	16.91	32	80.399347
26472	551	522	379	3.3	16.27	32	83.026163
44185	920	512	373	1.8	21.72	32	81.337495
43561	907	523	368	3.5	13.13	33	82.087112
43225	900	511	362	2.1	16.19	33	80.398463
43273	901	520	378	2.2	16.38	33	82.649995

In [7]:

# T 컬럼을 기준으로 그룹화하고 TARGET 컬럼의 합계 계산
sunny3 = sunny2.groupby(['T'])['TARGET'].sum().reset_index()

# T 컬럼 값을 기준으로 오름차순 정렬
sunny3 = sunny3.sort_values(['T'], ascending=True)
sunny3

Out[7]:

	T	TARGET
0	10	80.887980
1	15	81.446529
2	16	84.166744
3	17	83.415176
4	19	83.413342
5	20	79.846990
6	21	79.189329
7	22	250.044124
8	23	329.041315
9	24	249.381865
10	25	409.627259
11	27	249.373641
12	28	412.428320
13	29	251.338335
14	30	249.459233
15	31	248.518332
16	32	408.094700
17	33	245.135569

시각화¶

In [12]:

# 변수 지정
T = sunny3['T']
TARGET = sunny3['TARGET']

# 색상을 데이터 건수만큼 랜덤으로 생성하기
colors = [np.random.rand(3,) for _ in T]

# Bar Chart (가로 10, 세로 6)
plt.figure(figsize=(10, 6))
plt.bar(T, TARGET, color = colors)

# label 생성
plt.xlabel('온도')
plt.ylabel('발전량')
plt.title('온도별 태양광 발전 현황')

Out[12]:

Text(0.5, 1.0, '온도별 태양광 발전 현황')

수평면 산란 일사량과 태양열 발전량의 상관관계¶

In [13]:

sns.set(font_scale=1.5)  
sns.set(style="whitegrid")
sns.scatterplot(x = sunny1['DHI'], y = sunny1['TARGET'], data=sunny1, color = 'red')

plt.xlabel('Diffuse horizontal irradiance (DHI)')
plt.ylabel('Solar Power Generation (TARGET)')
plt.title('Relationship between DHI and Solar Power Generation')
plt.xticks(rotation=45)

Out[13]:

(array([-100.,    0.,  100.,  200.,  300.,  400.,  500.,  600.]),
 [Text(-100.0, 0, '-100'),
  Text(0.0, 0, '0'),
  Text(100.0, 0, '100'),
  Text(200.0, 0, '200'),
  Text(300.0, 0, '300'),
  Text(400.0, 0, '400'),
  Text(500.0, 0, '500'),
  Text(600.0, 0, '600')])

In [14]:

# DHI, TARGET 사이의 상관 계수 구하기
DT_corr = np.corrcoef(sunny1['DHI'], sunny1['TARGET'])[0, 1]
DT_corr

Out[14]:

0.6669080729265234

풍속과 태양열 발전량의 상관관계¶

In [15]:

sns.set(font_scale=1.5)  
sns.set(style="whitegrid")
sns.set_palette("Paired")
sns.scatterplot(x = sunny1['WS'], y = sunny1['TARGET'], data=sunny1, color = 'red')

plt.xlabel('Wind Speed (WS))')
plt.ylabel('Solar Power Generation (TARGET)')
plt.title('Relationship between DHI and Solar Power Generation')
plt.xticks(rotation=45)

Out[15]:

(array([-2.,  0.,  2.,  4.,  6.,  8., 10., 12., 14.]),
 [Text(-2.0, 0, '-2'),
  Text(0.0, 0, '0'),
  Text(2.0, 0, '2'),
  Text(4.0, 0, '4'),
  Text(6.0, 0, '6'),
  Text(8.0, 0, '8'),
  Text(10.0, 0, '10'),
  Text(12.0, 0, '12'),
  Text(14.0, 0, '14')])

In [16]:

# WS, TARGET 사이의 상관 계수 구하기
WT_corr = np.corrcoef(sunny1['WS'], sunny1['TARGET'])[0, 1]
WT_corr

Out[16]:

0.2385214806368927

In [ ]:

728x90

저작자표시 비영리 변경금지

'PYTHON > 기타' 카테고리의 다른 글

Jupyter Notebook에 아나콘다 가상환경 커널 생성 및 연결하기 (2)	2024.02.16
[나도코딩] 파이썬 웹 스크래핑(Web Scraping)(User_Agent, BeautifulSoup4) (2)	2024.01.10
[데이터 분석] Matplotlib, Seaborn 연습 (0)	2024.01.05
[데이터 분석] Pandas 연습 (0)	2024.01.05
[나도코딩] 파이썬 웹스크래핑(Web Scraping)(HTML, XPath, Requests, 정규식) (2)	2023.12.23

[데이터 분석] 파이썬 태양열 신재생 에너지 분석(수평면 산란 일사량,풍속과 태양열 발전량의 상관관계)