Análisis de los datos obtenidos

Compararación de tres filamentos distintos

  • Filamento de BQ
  • Filamento de formfutura
  • Filamento de filastriuder

In [2]:
%pylab inline
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns


Populating the interactive namespace from numpy and matplotlib

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 los ficheros con los datos
conclusiones = pd.read_csv('Conclusiones.csv')

In [5]:
columns=['bq','formfutura','filastruder']

In [6]:
#Mostramos un resumen de los datos obtenidoss
conclusiones[columns].describe()


Out[6]:
bq formfutura filastruder
count 291.000000 291.000000 291.000000
mean 1.758832 1.701546 1.742131
std 0.017870 0.057691 0.215783
min 1.670000 1.640000 1.010000
25% 1.750000 1.680000 1.600000
50% 1.760000 1.690000 1.800000
75% 1.770000 1.710000 1.910000
max 1.800000 2.480000 2.140000

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


In [7]:
graf=conclusiones[columns].plot(figsize=(16,10),ylim=(0.5,2.6))
graf.axhspan(1.65,1.85, alpha=0.2)
#datos['RPM TRAC'].plot(secondary_y='RPM TRAC')


Out[7]:
<matplotlib.patches.Polygon at 0x83b3b30>

In [8]:
graf = conclusiones[columns].boxplot(return_type='axes')
graf.axhspan(1.65,1.85, alpha=0.2)


Out[8]:
<matplotlib.patches.Polygon at 0x83db330>

Aumentando la velocidad se ha conseguido que disminuya el valor máxima, sin embargo ha disminuido el valor mínimo. Para la siguiente iteracción, se va a volver a las velocidades de 1.5- 3.4 y se van a añadir más reglas con unos incrementos de velocidades menores, para evitar saturar la velocidad de traccción tanto a nivel alto como nivel bajo.

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