Análisis de los datos obtenidos

Uso de ipython para el análsis y muestra de los datos obtenidos durante la producción. La regulación del diámetro se hace mediante el control del filawinder. Los datos analizados son del día 16 de Junio del 2015

Los datos del experimento:

Hora de inicio: 11:50
Hora final : 12:20
$T: 150ºC$



In [2]:

    
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns



In [3]:

    
#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__))









    



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



In [4]:

    
#Abrimos el fichero csv con los datos 2de la muestra
datos = pd.read_csv('ensayo1.CSV')



In [5]:

    
%pylab inline









    



Populating the interactive namespace from numpy and matplotlib



In [6]:

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



In [7]:

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









    Out[7]:






  
    
      
      Diametro X
      Diametro Y
    
  
  
    
      count
      1110.000000
      1110.000000
    
    
      mean
      1.176870
      0.913499
    
    
      std
      0.393488
      0.510295
    
    
      min
      0.014000
      0.000342
    
    
      25%
      1.069229
      0.761755
    
    
      50%
      1.241277
      1.092180
    
    
      75%
      1.401856
      1.241589
    
    
      max
      1.929470
      1.747282

Representamos ambos diámetro y la velocidad de la tractora en la misma gráfica



In [20]:

    
graf=datos.ix[:, "Diametro X"].plot(figsize=(16,10),ylim=(0.5,3))
graf.axhspan(1.65,1.85, alpha=0.2)
graf.set_xlabel('Tiempo (s)')
graf.set_ylabel('Diámetro (mm)')




#datos['RPM TRAC'].plot(secondary_y='RPM TRAC')









    Out[20]:





<matplotlib.text.Text at 0x940c250>



In [9]:

    
box = datos.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')
box.axhspan(1.65,1.85, alpha=0.2)









    Out[9]:





<matplotlib.patches.Polygon at 0x849efb0>

Comparativa de Diametro X frente a Diametro Y para ver el ratio del filamento



In [10]:

    
plt.scatter(x=datos['Diametro X'], y=datos['Diametro Y'], marker='.')









    Out[10]:





<matplotlib.collections.PathCollection at 0x8899cb0>

Filtrado de datos

Las muestras tomadas $d_x >= 0.9$ or $d_y >= 0.9$ las asumimos como error del sensor, por ello las filtramos de las muestras tomadas.



In [11]:

    
datos_filtrados = datos[(datos['Diametro X'] >= 0.9) & (datos['Diametro Y'] >= 0.9)]



In [12]:

    
#datos_filtrados.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')

Representación de X/Y



In [13]:

    
plt.scatter(x=datos_filtrados['Diametro X'], y=datos_filtrados['Diametro Y'], marker='.')









    Out[13]:





<matplotlib.collections.PathCollection at 0x88de710>

Analizamos datos del ratio



In [14]:

    
ratio = datos_filtrados['Diametro X']/datos_filtrados['Diametro Y']
ratio.describe()









    Out[14]:





count    781.000000
mean       1.123596
std        0.172839
min        0.589877
25%        1.007567
50%        1.107309
75%        1.238627
max        1.766776
dtype: float64



In [15]:

    
rolling_mean = pd.rolling_mean(ratio, 50)
rolling_std = pd.rolling_std(ratio, 50)
rolling_mean.plot(figsize=(12,6))
# plt.fill_between(ratio, y1=rolling_mean+rolling_std, y2=rolling_mean-rolling_std, alpha=0.5)
ratio.plot(figsize=(12,6), alpha=0.6, ylim=(0.5,1.5))









    Out[15]:





<matplotlib.axes._subplots.AxesSubplot at 0x8931650>

	Diametro X	Diametro Y
count	1110.000000	1110.000000
mean	1.176870	0.913499
std	0.393488	0.510295
min	0.014000	0.000342
25%	1.069229	0.761755
50%	1.241277	1.092180
75%	1.401856	1.241589
max	1.929470	1.747282