In [1]:
import pandas as pd
import numpy as np
%matplotlib inline
import os
os.listdir()
Out[1]:
['.DS_Store',
'.idea',
'.ipynb_checkpoints',
'change_xls_to_csv.ipynb',
'data.csv',
'extensometer.ipynb',
'extensometer.py',
'multiple_stress_strain_curves.ipynb',
'red_dots.jpg',
'sift_data.ipynb',
'stress_strain_curve.ipynb',
'stress_strain_curve.pdf',
'stress_strain_curve.py',
'stress_strain_curve_steel_1018.pdf',
'stress_strain_data.csv',
'T574.xls',
'tensile_bar_with_red_dots.JPG',
'tensiletest.py']
In [5]:
df = pd.read_excel('T574.xls')
df.head()
df.tail()
df.describe()
WARNING *** OLE2 inconsistency: SSCS size is 0 but SSAT size is non-zero
Out[5]:
TESTNUM
POINTNUM
TIME
POSIT
FORCE
EXT
CH5
CH6
CH7
CH8
count
231.0
231.000000
231.000000
231.000000
231.000000
231.000000
231.000000
0.0
0.0
0.0
mean
574.0
116.000000
70.896424
0.315379
10974.029737
0.930457
2.733107
NaN
NaN
NaN
std
0.0
66.828138
40.931303
0.179219
5727.046880
1.258954
4.872528
NaN
NaN
NaN
min
574.0
1.000000
6.309000
0.044260
201.149200
-0.500258
-0.064997
NaN
NaN
NaN
25%
574.0
58.500000
39.861000
0.182550
5902.374756
0.099252
-0.006556
NaN
NaN
NaN
50%
574.0
116.000000
61.561000
0.272560
12557.242188
0.216126
0.103560
NaN
NaN
NaN
75%
574.0
173.500000
113.915000
0.426580
15992.922363
3.008632
2.972621
NaN
NaN
NaN
max
574.0
231.000000
144.964000
0.684380
18745.808594
3.008632
15.550070
NaN
NaN
NaN
In [6]:
df['FORCE'].mean()
Out[6]:
10974.029736935834
In [7]:
df['FORCE'].max()
Out[7]:
18745.80859375
In [9]:
df = pd.read_excel('T574.xls', usecols=[4,5,6])
df.head()
WARNING *** OLE2 inconsistency: SSCS size is 0 but SSAT size is non-zero
Out[9]:
FORCE
EXT
CH5
0
201.149200
-0.500258
-0.014705
1
204.319855
0.000475
-0.012444
2
300.833679
0.000366
-0.022041
3
315.672058
0.000027
-0.027232
4
418.271698
0.001060
-0.025802
In [10]:
df.columns=['Force','mech_deltaL','lsr_deltaL']
df.head()
Out[10]:
Force
mech_deltaL
lsr_deltaL
0
201.149200
-0.500258
-0.014705
1
204.319855
0.000475
-0.012444
2
300.833679
0.000366
-0.022041
3
315.672058
0.000027
-0.027232
4
418.271698
0.001060
-0.025802
In [15]:
A0 = 3.14*(0.506/2)**2
df['stress'] = (df['Force']/A0)*0.001
df['strain'] = df['lsr_deltaL']*0.01
df.head()
Out[15]:
Force
mech_deltaL
lsr_deltaL
stress
strain
0
201.149200
-0.500258
-0.014705
1.000801
-0.000147
1
204.319855
0.000475
-0.012444
1.016576
-0.000124
2
300.833679
0.000366
-0.022041
1.496772
-0.000220
3
315.672058
0.000027
-0.027232
1.570599
-0.000272
4
418.271698
0.001060
-0.025802
2.081075
-0.000258
In [16]:
df1 = df[['strain', 'stress']]
df1.head()
Out[16]:
strain
stress
0
-0.000147
1.000801
1
-0.000124
1.016576
2
-0.000220
1.496772
3
-0.000272
1.570599
4
-0.000258
2.081075
In [21]:
import matplotlib.pyplot as plt
%matplotlib inline
plt.plot(df1['strain'],df1['stress'])
Out[21]:
[<matplotlib.lines.Line2D at 0x113097eb8>]
In [ ]:
df.to_csv('T599.csv', sep=',')
In [6]:
os.listdir()
Out[6]:
['.ipynb_checkpoints',
'Al 6061 Tensile Test Data.csv',
'Aluminum 6061 Data.xls',
'As Recieved Al.xls',
'Heat Treated Al.xls',
'Steel 4042 As recieved.xls',
'Steel 4042 Austenized 870C 1 hr cooled in air.xls',
'T559.xls',
'T562.xls',
'T564.xls',
'T565.xls',
'T566.xls',
'T567.xls',
'T568 - Laser Extensomer not working.xlsx',
'T568.xls',
'T569.xls',
'T570.xls',
'T571.xls',
'T572.xls',
'T573- worked up.xlsx',
'T573.xls',
'T574-worked up.xlsx',
'T574.xls',
'T575.xls',
'T576.xls',
'T577 CJ.xls',
'T578.xls',
'T580.xls',
'T581.xls',
'T582.xls',
'T583.xls',
'T584.xls',
'T593.xls',
'T594.xls',
'T595.xls',
'T596.xls',
'T597.xls',
'T598.xls',
'T599',
'T599.csv',
'T599.xls',
'T601.xls',
'T602.xls',
'T604.xls',
'T605.xls',
'T607.xls',
'T608.xls',
'T609.xls',
'T610.xls',
'T612.xls',
'T613.xls',
'T614.xls',
'T615.xls',
'T616.xls',
'T617.xls',
'T618.xls',
'T620.xls',
'T621.xls',
'T626.xls',
'T627.xls',
'T628.xls',
'T629.xls',
'T630.xls',
'T631.xls',
'T632.xls',
'T633.xls',
'T635.xls',
'T636.xls',
'T638.xls',
'T639.xls',
'T640.xls',
'T641.xls',
'T642.xls',
'T645.xls',
'T646.xls',
'T647.xls',
'T649.xls',
'T652.xls',
'T653.xls',
'T654.xls',
'T655.xls',
'T656.xls',
'T657.xls',
'T658 Al 7075 Julietta Raenna Julietta.xls',
'T659.xls',
'T660.xls',
'T661 - aluminum.xls',
'T662 - steel.xls',
'T663.xls',
'T664.xls',
'T665.xls',
'T666.xls',
'T669.xls',
'T670.xls',
'T671.xls',
'T672.xls',
'T674.xls',
'T675.xls',
'T676.xls',
'T677.xls',
'T678.xls',
'T679.xls',
'T680.xls',
'T681.xls',
'T682.xls',
'T683.xls',
'T684.xls',
'T685.xls',
'Untitled.ipynb']
In [7]:
df1 = pd.read_csv('T599.csv')
df1
Out[7]:
Unnamed: 0
TESTNUM
POINTNUM
TIME
POSIT
FORCE
EXT
CH5
CH6
CH7
CH8
0
0
599
1
6.259
0.07412
204.956070
0.006791
-4.763390
NaN
NaN
NaN
1
1
599
2
6.524
0.07506
212.185226
-0.000256
-11.531219
NaN
NaN
NaN
2
2
599
3
8.523
0.08236
307.685303
-0.002038
-13.402756
NaN
NaN
NaN
3
3
599
4
8.724
0.08310
320.367828
-0.002248
-13.402756
NaN
NaN
NaN
4
4
599
5
9.625
0.08696
416.880920
-0.000530
-28.297144
NaN
NaN
NaN
5
5
599
6
10.419
0.09042
511.617065
0.000549
-20.178375
NaN
NaN
NaN
6
6
599
7
11.321
0.09384
608.000488
0.001380
-19.006807
NaN
NaN
NaN
7
7
599
8
12.030
0.09694
706.157898
0.002395
-3.946888
NaN
NaN
NaN
8
8
599
9
12.822
0.10004
813.571289
0.003565
-13.965880
NaN
NaN
NaN
9
9
599
10
13.432
0.10272
908.555237
0.004899
-7.273529
NaN
NaN
NaN
10
10
599
11
14.219
0.10586
1008.356567
0.005850
-30.153994
NaN
NaN
NaN
11
11
599
12
15.134
0.10970
1124.388062
0.007907
-19.742941
NaN
NaN
NaN
12
12
599
13
15.823
0.11274
1248.533081
0.010064
-3.297182
NaN
NaN
NaN
13
13
599
14
16.426
0.11502
1350.611694
0.011682
1.329798
NaN
NaN
NaN
14
14
599
15
16.923
0.11728
1453.703125
0.013592
-14.538264
NaN
NaN
NaN
15
15
599
16
17.522
0.11952
1558.821533
0.015219
-13.420131
NaN
NaN
NaN
16
16
599
17
18.124
0.12182
1668.249634
0.016288
-9.248567
NaN
NaN
NaN
17
17
599
18
18.520
0.12372
1765.122925
0.017047
-6.728721
NaN
NaN
NaN
18
18
599
19
19.019
0.12564
1864.403931
0.018153
-11.164031
NaN
NaN
NaN
19
19
599
20
19.523
0.12758
1968.755005
0.019597
-19.359203
NaN
NaN
NaN
20
20
599
21
19.920
0.12944
2069.047119
0.020987
-18.568104
NaN
NaN
NaN
21
21
599
22
20.440
0.13138
2177.325439
0.022531
-21.065998
NaN
NaN
NaN
22
22
599
23
20.925
0.13332
2290.039307
0.024369
-11.380553
NaN
NaN
NaN
23
23
599
24
21.321
0.13522
2401.103271
0.026252
-18.315390
NaN
NaN
NaN
24
24
599
25
21.819
0.13716
2516.475586
0.027924
-2.688364
NaN
NaN
NaN
25
25
599
26
22.224
0.13872
2613.462891
0.029670
-21.469311
NaN
NaN
NaN
26
26
599
27
22.521
0.14026
2707.659668
0.031005
-17.070148
NaN
NaN
NaN
27
27
599
28
22.923
0.14180
2805.658447
0.032485
-10.424748
NaN
NaN
NaN
28
28
599
29
23.321
0.14336
2903.655762
0.033847
-11.659607
NaN
NaN
NaN
29
29
599
30
23.621
0.14490
3002.285156
0.035264
5.959369
NaN
NaN
NaN
...
...
...
...
...
...
...
...
...
...
...
...
209
209
599
210
123.519
0.58388
16703.816406
3.006913
224.486710
NaN
NaN
NaN
210
210
599
211
124.017
0.58774
16600.082031
3.006913
228.138824
NaN
NaN
NaN
211
211
599
212
124.519
0.59160
16494.957031
3.006913
235.726120
NaN
NaN
NaN
212
212
599
213
125.016
0.59626
16366.551758
3.006913
220.777435
NaN
NaN
NaN
213
213
599
214
125.512
0.60012
16260.030273
3.006913
247.195251
NaN
NaN
NaN
214
214
599
215
126.015
0.60474
16126.432617
3.006913
226.453522
NaN
NaN
NaN
215
215
599
216
126.512
0.60860
16010.166016
3.006913
239.024857
NaN
NaN
NaN
216
216
599
217
127.017
0.61246
15895.920898
3.006913
248.987030
NaN
NaN
NaN
217
217
599
218
127.517
0.61710
15755.609375
3.006913
246.067642
NaN
NaN
NaN
218
218
599
219
127.916
0.62020
15659.073242
3.006913
246.991531
NaN
NaN
NaN
219
219
599
220
128.312
0.62328
15558.360352
3.006913
266.854858
NaN
NaN
NaN
220
220
599
221
128.618
0.62634
15459.669922
3.006913
254.031067
NaN
NaN
NaN
221
221
599
222
129.016
0.62944
15355.664062
3.006913
242.873932
NaN
NaN
NaN
222
222
599
223
129.415
0.63254
15250.896484
3.006913
265.021088
NaN
NaN
NaN
223
223
599
224
129.813
0.63564
15145.622070
3.006913
250.135757
NaN
NaN
NaN
224
224
599
225
130.114
0.63872
15032.248047
3.006913
251.320557
NaN
NaN
NaN
225
225
599
226
130.518
0.64182
14924.565430
3.006913
249.407608
NaN
NaN
NaN
226
226
599
227
130.917
0.64494
14812.957031
3.006913
268.382874
NaN
NaN
NaN
227
227
599
228
131.317
0.64878
14665.537109
3.006913
266.678772
NaN
NaN
NaN
228
228
599
229
131.716
0.65192
14546.838867
3.006913
255.370148
NaN
NaN
NaN
229
229
599
230
132.113
0.65506
14421.811523
3.006913
265.997070
NaN
NaN
NaN
230
230
599
231
132.517
0.65894
14266.156250
3.006913
270.136749
NaN
NaN
NaN
231
231
599
232
132.814
0.66126
14172.001953
3.006913
247.075455
NaN
NaN
NaN
232
232
599
233
133.116
0.66358
14074.049805
3.006913
276.942413
NaN
NaN
NaN
233
233
599
234
133.416
0.66592
13971.033203
3.006913
275.651794
NaN
NaN
NaN
234
234
599
235
133.712
0.66828
13869.028320
3.006913
260.768097
NaN
NaN
NaN
235
235
599
236
133.917
0.67058
13765.628906
3.006913
270.523987
NaN
NaN
NaN
236
236
599
237
134.214
0.67292
13654.887695
3.006913
268.111633
NaN
NaN
NaN
237
237
599
238
134.516
0.67524
13521.869141
3.006913
280.513702
NaN
NaN
NaN
238
238
599
239
134.616
0.67602
13454.410156
3.006913
280.513702
NaN
NaN
NaN
239 rows × 11 columns
In [ ]:
Content source: ProfessorKazarinoff/staticsite
Similar notebooks: