In [1]:
import ext_datos as ext
import pandas as pd
import matplotlib.pyplot as plt
import separar as sp
In [3]:
data = ext.extraer_data('dia2')
In [4]:
motor1, motor2 = sp.sep(data)
In [5]:
motor1f, motor2f = sp.concatenar(motor1,motor2)
In [6]:
motores = sp.juntar(motor1f,motor2f)
In [7]:
motores.values.nbytes + motores.index.nbytes + motores.columns.nbytes
Out[7]:
94956520
In [8]:
94956520/1024
Out[8]:
92730
In [19]:
motores[['busVoltage_m1','busVoltage_m2']].head(1000)
Out[19]:
busVoltage_m1
busVoltage_m2
time
2014-11-14 08:53:36
NaN
151.366074
2014-11-14 08:53:36.200000
NaN
151.361038
2014-11-14 08:53:36.400000
NaN
151.361633
2014-11-14 08:53:36.600000
NaN
151.404617
2014-11-14 08:53:36.800000
NaN
151.408127
2014-11-14 08:53:37
NaN
151.416626
2014-11-14 08:53:37.200000
NaN
151.430328
2014-11-14 08:53:37.400000
NaN
151.442947
2014-11-14 08:53:37.600000
NaN
151.417343
2014-11-14 08:53:37.800000
NaN
151.415558
2014-11-14 08:53:38
NaN
151.418121
2014-11-14 08:53:38.200000
NaN
151.445114
2014-11-14 08:53:38.400000
NaN
151.445557
2014-11-14 08:53:38.600000
NaN
151.432007
2014-11-14 08:53:38.800000
NaN
151.424561
2014-11-14 08:53:39
NaN
151.332764
2014-11-14 08:53:39.200000
NaN
151.275452
2014-11-14 08:53:39.400000
NaN
151.305099
2014-11-14 08:53:39.600000
NaN
151.373505
2014-11-14 08:53:39.800000
NaN
151.510956
2014-11-14 08:53:40
NaN
151.495453
2014-11-14 08:53:40.200000
NaN
151.504013
2014-11-14 08:53:40.400000
NaN
151.510498
2014-11-14 08:53:40.600000
NaN
151.520660
2014-11-14 08:53:40.800000
NaN
151.527527
2014-11-14 08:53:41
NaN
151.509903
2014-11-14 08:53:41.200000
NaN
151.517151
2014-11-14 08:53:41.400000
NaN
151.508804
2014-11-14 08:53:41.600000
NaN
151.522690
2014-11-14 08:53:41.800000
NaN
151.514221
...
...
...
2014-11-14 08:56:50
151.910278
151.958252
2014-11-14 08:56:50.200000
151.916077
151.923859
2014-11-14 08:56:50.400000
151.890579
151.936829
2014-11-14 08:56:50.600000
151.855530
151.963852
2014-11-14 08:56:50.800000
151.902527
151.953278
2014-11-14 08:56:51
151.907196
151.949341
2014-11-14 08:56:51.200000
151.910934
151.902222
2014-11-14 08:56:51.400000
151.886581
151.940430
2014-11-14 08:56:51.600000
151.863297
151.935806
2014-11-14 08:56:51.800000
151.904694
151.946365
2014-11-14 08:56:52
151.902847
151.958618
2014-11-14 08:56:52.200000
151.907623
151.965530
2014-11-14 08:56:52.400000
151.893250
151.963501
2014-11-14 08:56:52.600000
151.905945
151.959183
2014-11-14 08:56:52.800000
151.897217
151.953659
2014-11-14 08:56:53
151.900253
151.949524
2014-11-14 08:56:53.200000
151.898712
151.928665
2014-11-14 08:56:53.400000
151.903351
151.966568
2014-11-14 08:56:53.600000
151.904602
151.964249
2014-11-14 08:56:53.800000
151.905151
151.963409
2014-11-14 08:56:54
151.918350
151.972168
2014-11-14 08:56:54.200000
151.908569
151.968689
2014-11-14 08:56:54.400000
151.910950
151.964981
2014-11-14 08:56:54.600000
151.909729
151.962097
2014-11-14 08:56:54.800000
151.906937
151.942368
2014-11-14 08:56:55
151.906342
151.940247
2014-11-14 08:56:55.200000
151.877335
151.939713
2014-11-14 08:56:55.400000
151.904160
151.939621
2014-11-14 08:56:55.600000
151.905685
151.960938
2014-11-14 08:56:55.800000
151.901932
151.925949
1000 rows × 2 columns
In [13]:
plt.plot(motores[['busCurrent_m1','busCurrent_m2']])
plt.savefig('busCurrent.png',dpi=300)
<matplotlib.figure.Figure at 0x7f4183178410>
In [22]:
motores.resample('1s')
Out[22]:
currentSP_m1
velocitySP_m1
idcSP_m1
miscSP_m1
busVoltage_m1
busCurrent_m1
velocityMs_m1
motorRpm_m1
pcCurrent_m1
pbCurrent_m1
...
1.9v_m2
3.3v_m2
motorTemp_m2
dspTemp_m2
phaseaTemp_m2
phasebTemp_m2
phasecTemp_m2
cantranserr_m2
canrecerr_m2
slipSpeed_m2
time
2014-11-14 08:53:36
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852568
3.314380
22.153625
22.308737
0
0
20.277434
0
0
99.999992
2014-11-14 08:53:37
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852575
3.314310
22.153625
22.310806
0
0
20.279411
0
0
99.999992
2014-11-14 08:53:38
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852823
3.314493
22.153625
22.300461
0
0
20.279411
0
0
99.999992
2014-11-14 08:53:39
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852744
3.314673
22.153625
22.300461
0
0
20.279411
0
0
99.999992
2014-11-14 08:53:40
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852792
3.314373
22.153625
22.300461
0
0
20.279411
0
0
99.999992
2014-11-14 08:53:41
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
...
1.852833
3.314641
22.153625
22.290115
0
0
20.279411
0
0
99.999992
2014-11-14 08:53:42
0
4000
1
0
151.492609
0
0.000000
0.000000
0
0
...
1.852653
3.314671
22.153625
22.310806
0
0
20.289307
0
0
99.999992
2014-11-14 08:53:43
0
4000
1
0
151.516803
0
0.000000
0.000000
0
0
...
1.852705
3.314522
22.153625
22.310806
0
0
20.289307
0
0
99.999992
2014-11-14 08:53:44
0
4000
1
0
151.518469
0
0.000000
0.000000
0
0
...
1.852708
3.314593
22.153625
22.314946
0
0
20.291286
0
0
99.999992
2014-11-14 08:53:45
0
4000
1
0
151.525372
0
0.000000
0.000000
0
0
...
1.852764
3.314705
22.153625
22.329436
0
0
20.299202
0
0
99.999992
2014-11-14 08:53:46
0
4000
1
0
151.513458
0
0.000000
0.000000
0
0
...
1.852794
3.314707
22.153625
22.323228
0
0
20.299202
0
0
99.999992
2014-11-14 08:53:47
0
4000
1
0
151.522226
0
0.000000
0.000000
0
0
...
1.852753
3.314453
22.153625
22.327365
0
0
20.299202
0
0
99.999992
2014-11-14 08:53:48
0
4000
1
0
151.527157
0
0.000000
0.000000
0
0
...
1.852890
3.314661
22.153625
22.310806
0
0
20.299202
0
0
99.999992
2014-11-14 08:53:49
0
4000
1
0
151.531387
0
0.000000
0.000000
0
0
...
1.852923
3.314721
22.153625
22.310806
0
0
20.301181
0
0
99.999992
2014-11-14 08:53:50
0
4000
1
0
151.532727
0
0.000000
0.000000
0
0
...
1.852919
3.314639
22.153625
22.314946
0
0
20.309097
0
0
99.999992
2014-11-14 08:53:51
0
4000
1
0
151.529098
0
0.000000
0.000000
0
0
...
1.852812
3.314531
22.153625
22.329436
0
0
20.309097
0
0
99.999992
2014-11-14 08:53:52
0
4000
1
0
151.527701
0
0.000000
0.000000
0
0
...
1.852875
3.314624
22.153625
22.321159
0
0
20.311076
0
0
99.999992
2014-11-14 08:53:53
0
4000
1
0
151.534585
0
0.000000
0.000000
0
0
...
1.852820
3.314578
22.153625
22.323228
0
0
20.318993
0
0
99.999992
2014-11-14 08:53:54
0
4000
1
0
151.534695
0
0.000000
0.000000
0
0
...
1.852822
3.314654
22.153625
22.333574
0
0
20.318993
0
0
99.999992
2014-11-14 08:53:55
0
4000
1
0
151.552603
0
0.000000
0.000000
0
0
...
1.852808
3.314620
22.153625
22.343921
0
0
20.320972
0
0
99.999992
2014-11-14 08:53:56
0
4000
1
0
151.538873
0
0.000000
0.000000
0
0
...
1.852709
3.314516
22.324449
22.350132
0
0
20.328888
0
0
99.999992
2014-11-14 08:53:57
0
4000
1
0
151.533160
0
0.000000
0.000000
0
0
...
1.852779
3.314530
22.836920
22.345990
0
0
20.328888
0
0
99.999992
2014-11-14 08:53:58
0
4000
1
0
151.535162
0
0.000000
0.000000
0
0
...
1.852791
3.314484
22.153625
22.362549
0
0
20.332846
0
0
99.999992
2014-11-14 08:53:59
0
4000
1
0
151.525815
0
0.000000
0.000000
0
0
...
1.852698
3.314474
22.153625
22.366690
0
0
20.338783
0
0
99.999992
2014-11-14 08:54:00
0
4000
1
0
151.535803
0
0.000000
0.000000
0
0
...
1.852669
3.314481
22.153625
22.372902
0
0
20.340762
0
0
99.999992
2014-11-14 08:54:01
0
4000
1
0
151.543713
0
0.000000
0.000000
0
0
...
1.852606
3.314274
22.153625
22.377043
0
0
20.348679
0
0
99.999992
2014-11-14 08:54:02
0
4000
1
0
151.538342
0
0.000000
0.000000
0
0
...
1.852651
3.314306
22.153625
22.379114
0
0
20.348679
0
0
99.999992
2014-11-14 08:54:03
0
4000
1
0
151.533563
0
0.000000
0.000000
0
0
...
1.852778
3.314512
22.153625
22.372902
0
0
20.348679
0
0
99.999992
2014-11-14 08:54:04
0
4000
1
0
151.533957
0
0.000000
0.000000
0
0
...
1.852715
3.314500
22.153625
22.377043
0
0
20.352637
0
0
99.999992
2014-11-14 08:54:05
0
4000
1
0
151.532120
0
0.000000
0.000000
0
0
...
1.852742
3.314650
22.153625
22.374973
0
0
20.354616
0
0
99.999992
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
2014-11-14 20:27:14
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:15
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:16
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:17
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:18
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:19
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:20
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:21
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:22
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:23
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:24
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:25
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:26
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:27
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:28
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:29
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:30
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:31
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:32
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:33
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:34
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:35
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:36
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:37
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:38
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:39
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:40
0
2000
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:41
0
1600
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:42
0
0
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2014-11-14 20:27:43
0
0
1
0
152.541656
0
-0.093193
-3.236085
0
0
...
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
41648 rows × 56 columns
In [23]:
len(motores.index)
Out[23]:
208237
In [24]:
motores[['busVoltage_m1','busCurrent_m1']].ix['2014-11-14 09:30':'2014-11-14 10:30'].plot()
Out[24]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f86940f6a50>
In [18]:
from bokeh.plotting import *
import ext_datos
output_notebook()
#prepare some data
# output to static HTML file
output_file("lines.html", title="Bus Voltage")
import gc
# Plot a `line` renderer setting the color, line thickness, title, and legend value.
p = figure(title="Bus Voltage",x_axis_type="datetime")
p.line(motores.index,motores['busCurrent_m1'].values, legend="current M1")
p.line(motores.index,motores['busCurrent_m2'].values, legend="current M2",color='red')
gc.collect()
show(p)
In [17]:
In [51]:
motoresTest=motores.dropna()
In [52]:
motoresTest=motoresTest[['busCurrent_m1','busCurrent_m2']]
In [53]:
motor1=motoresTest['busCurrent_m1']
motor2=motoresTest['busCurrent_m2']
In [17]:
del(motoresTest)
In [18]:
del(data)
In [19]:
del (motor1f)
del(motor2f)
In [91]:
from sklearn import linear_model
In [92]:
motor1test=motor1[:len(motor1)/2]
motor2test=motor2[:len(motor2)/2]
motor1val=motor1[len(motor1)/2:]
motor2val=motor2[len(motor2)/2:]
In [93]:
xx = motor1test.reshape((motor1test.shape[0],-1))
yy = motor2test.reshape((motor2test.shape[0],-1))
xt = motor1val.reshape((motor1val.shape[0],-1))
yt = motor2val.reshape((motor2val.shape[0],-1))
In [94]:
regr = linear_model.LinearRegression()
In [95]:
regr.fit(xx,yy)
Out[95]:
LinearRegression(copy_X=True, fit_intercept=True, normalize=False)
In [100]:
print(regr.coef_,regr.intercept_)
(array([[ 0.82745463]]), array([-0.28916653]))
In [97]:
np.mean((regr.predict(xt)-yt)**2)
Out[97]:
1.5039727491311823
In [98]:
regr.score(xt, yt)
Out[98]:
0.85439433705889456
In [101]:
plt.scatter(xx,yy, color='black')
plt.plot(xt, regr.predict(xt), color='blue',linewidth=3)
plt.show()
In [99]:
regr.get_params(deep=True)
Out[99]:
{'copy_X': True, 'fit_intercept': True, 'normalize': False}
In [ ]:
Content source: ereodeereigeo/dataTritiumWS22
Similar notebooks: