Número de datos obtenidos y perdidos



In [1]:

    
import pandas as pd
import matplotlib.pyplot as plt



In [2]:

    
%matplotlib inline



In [3]:

    
import ext_datos as ext
import procesar as pro
import time_plot as tplt

Notas:
- Se leeran los archivos guardados en una carpeta por dia
- El problema de la configuración actual de la telemetría del auto solar es que usa software hecho para registrar datos de un motor a la vez, lo que nos obliga a usar dos instancias cada una de las cuales escribe un archivo de datos diferente, sin embargo el protocolo tcp/ip si pierde momentáneamente la conexión intenta reconectar automáticamente y los programas se reconectan al primer motor que detectan.
- Esto genera archivos mezclados, datos duplicados y pérdidas de datos
- Cree un script que automatiza separar los motores, fusiona los datos duplicados y junta en una sola tabla ambos motores.

En primer lugar se extraen los datos de todos los archivos de cada día y se genera una lista de tablas separadas por motor



In [4]:

    
dia1 = ext.extraer_data('dia1')



In [5]:

    
cd ..









    



c:\Users\Angelica\dataTritiumWS22



In [6]:

    
dia2 = ext.extraer_data('dia2')



In [7]:

    
cd ..









    



c:\Users\Angelica\dataTritiumWS22



In [8]:

    
dia3 = ext.extraer_data('dia3')



In [9]:

    
cd ..









    



c:\Users\Angelica\dataTritiumWS22



In [10]:

    
dia4 = ext.extraer_data('dia4')

Se procesan las listas anteriores, se concatenan por motor según la hora de los registros y se rellenan los espacios vacíos con datos NaN, luego se juntan de costado las tablas (join) y se le añade el sufijo _m1 y _m2 para diferenciar las columnas



In [11]:

    
motoresdia1 = pro.procesar(dia1)



In [12]:

    
motoresdia2 = pro.procesar(dia2)



In [13]:

    
motoresdia3 = pro.procesar(dia3)



In [16]:

    
motoresdia4 = pro.procesar(dia4)



In [26]:

    
motoresdia4.motorRpm_m1[motoresdia4.motorRpm_m1>1].plot(kind='hist', bins=50)









    Out[26]:





<matplotlib.axes._subplots.AxesSubplot at 0xed1f550>



In [30]:

    
motoresdia1.motorRpm_m2[motoresdia1.motorRpm_m2>1].plot(kind='hist', bins=50)









    Out[30]:





<matplotlib.axes._subplots.AxesSubplot at 0x1afcad30>



In [32]:

    
motoresdia2.motorRpm_m1[motoresdia2.motorRpm_m1>1].plot(kind='hist', bins=50)









    Out[32]:





<matplotlib.axes._subplots.AxesSubplot at 0xb6d1ff0>



In [35]:

    
motoresdia3.motorRpm_m1[motoresdia3.motorRpm_m1>1].plot(kind='hist', bins=50)









    Out[35]:





<matplotlib.axes._subplots.AxesSubplot at 0xebffbd0>



In [38]:

    
motoresdia4.motorTemp_m1.plot()









    Out[38]:





<matplotlib.axes._subplots.AxesSubplot at 0x2305d2f0>



In [45]:

    
motoresdia4[motoresdia4.busCurrent_m1 == 0].busVoltage_m1.plot()









    Out[45]:





<matplotlib.axes._subplots.AxesSubplot at 0x265e1630>



In [56]:

    
motoresdia4[motoresdia4.motorRpm_m1>1].motorRpm_m1.mean()









    Out[56]:





610.61770051836459



In [60]:

    
motoresdia3[motoresdia3.motorRpm_m1>1].motorRpm_m1.mean()









    Out[60]:





549.39086534146429



In [64]:

    
motoresdia2[motoresdia2.motorRpm_m1>1].motorRpm_m1.mean()









    Out[64]:





400.69051094898401



In [68]:

    
motoresdia1[motoresdia1.motorRpm_m2>1].motorRpm_m2.mean()









    Out[68]:





599.72058330214747



In [ ]: