Modelado de un sistema con ipython

In [1]:

    

#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns
import sklearn as sk
from sklearn.linear_model import Ridge
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline


    

In [2]:

    

#Mostramos las versiones usadas de cada librerías
print ("Numpy v{}".format(np.__version__))
print ("Pandas v{}".format(pd.__version__))
print ("Seaborn v{}".format(sns.__version__))
print ("Sklearn v{}".format(sk.__version__))


    

    




Numpy v1.9.2
Pandas v0.16.2
Seaborn v0.6.0
Sklearn v0.16.1

In [3]:

    

#Abrimos el fichero csv con los datos de la muestra
datos = pd.read_csv('datos.csv')


    

In [37]:

    

#datos_filtrados = datos[(datos['Diametro X'] >= 1.2) & (datos['Diametro Y'] >= 1.2)]


    

In [4]:

    

%pylab inline


    

    




Populating the interactive namespace from numpy and matplotlib

In [6]:

    

#Mostramos un resumen de los datos obtenidoss
datos.describe()
#datos.describe().loc['mean',['Diametro X [mm]', 'Diametro Y [mm]']]


    

    
Out[6]:






  

    

      

      
time
      
temperatura
      
entrada
    
  
  

    

      
count
      
475.000000
      
475.000000
      
475.000000
    
    

      
mean
      
35700.000000
      
34.217895
      
40.105263
    
    

      
std
      
20589.742592
      
9.328896
      
19.941620
    
    

      
min
      
150.000000
      
25.600000
      
0.000000
    
    

      
25%
      
17925.000000
      
25.700000
      
50.000000
    
    

      
50%
      
35700.000000
      
30.300000
      
50.000000
    
    

      
75%
      
53475.000000
      
41.500000
      
50.000000
    
    

      
max
      
71250.000000
      
55.200000
      
50.000000
    
  

In [7]:

    

#Almacenamos en una lista las columnas del fichero con las que vamos a trabajar
#columns = ['Diametro X', 'Diametro Y', 'RPM TRAC']
columns = ['temperatura', 'entrada']


    

In [10]:

    

#Mostramos en varias gráficas la información obtenida tras el ensayo
datos[columns].plot(secondary_y=['entrada'],figsize=(10,10))
#datos_filtrados['RPM TRAC'].plot(secondary_y=True,style='g',figsize=(20,20)).set_ylabel=('RPM')


    

    
Out[10]:





<matplotlib.axes._subplots.AxesSubplot at 0xfc674b0>






    

In [25]:

    

# Buscamos el polinomio de orden 4 que determina la distribución de los datos
reg = np.polyfit(datos['time'],datos['temperatura'],4)
# Calculamos los valores de y con la regresión
ry = np.polyval(reg,datos['time'])
#print ('P(x)= {} {}*X {}*X^2'.format(reg[0],reg[1],reg[2]) )


    

In [26]:

    

plt.plot(datos['time'],datos['temperatura'],'b^', label=('f(x)'))
plt.plot(datos['time'],ry,'ro', label=('regression'))
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')


    

    
Out[26]:





<matplotlib.text.Text at 0x132b1af0>