notebook.community

Edit and run



In [2]:

    
import sys
import pandas as pd
import numpy as np
import json
import matplotlib.pyplot as plt
import seaborn as sns
from pathlib import Path

sns.set(style="white")

#pd.set_option("display.max_rows",6)

%matplotlib inline



In [3]:

    
# analysis of entire data set - collected using varsomdata2.varsomscripts.avalanchewarningscomplete.get_season_17_18()
data_pth = Path(r'D:\Dev\varsomdata2\localstorage\aval_incidents_2013_2019.csv')

inc_df = pd.read_csv(data_pth, index_col=0)
inc_df.head()









    Out[3]:







  
    
      
      ActivityInfluencedName
      ActivityInfluencedTID
      CompetenceLevelName
      DamageExtentName
      DamageExtentTID
      DtObsTime
      DtRegTime
      ForecastRegionName
      ForecastRegionTID
      GeoHazardName
      ...
      Longitude
      MunicipalName
      NickName
      ObserverId
      RegID
      RegistrationName
      RegistrationTID
      UTMEast
      UTMNorth
      UTMZone
    
    
      index
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
    
  
  
    
      0
      Topptur
      111
      Ukjent
      Påvirket ingenting
      10
      2013-01-20 11:15:00+01:00
      2013-01-21 08:43:14+00:00
      Indre Troms
      3013
      Snø
      ...
      19.815385
      BALSFJORD
      magkjeld@regobsTroms
      498
      5061
      Ulykke/hendelse
      11
      690714
      7683582
      33
    
    
      1
      Hus
      160
      ***
      Kun materielle skader
      20
      2013-01-21 06:30:00+01:00
      2013-01-25 10:16:36+00:00
      Indre Troms
      3013
      Snø
      ...
      19.760810
      BALSFJORD
      Ragnar@NVE
      6
      5474
      Ulykke/hendelse
      11
      688532
      7683725
      33
    
    
      2
      Fjellskitur
      114
      Ukjent
      Påvirket ingenting
      10
      2013-01-22 19:21:00+01:00
      2013-01-22 21:29:37+00:00
      Svartisen
      3017
      Snø
      ...
      14.217975
      RANA
      Ukjent observatør
      0
      5254
      Ulykke/hendelse
      11
      465128
      7369823
      33
    
    
      3
      Topptur
      111
      Ukjent
      Påvirket ingenting
      10
      2013-01-23 20:00:00+01:00
      2013-01-25 12:25:57+00:00
      Tromsø
      3011
      Snø
      ...
      18.745638
      TROMSØ
      Ukjent observatør
      0
      5509
      Ulykke/hendelse
      11
      644894
      7737784
      33
    
    
      4
      Ski offpist
      113
      ****
      Nestenulykke
      29
      2013-01-28 20:00:00+01:00
      2013-01-29 07:25:05+00:00
      Tromsø
      3011
      Snø
      ...
      19.061126
      TROMSØ
      Karsten@NVE
      49
      5878
      Ulykke/hendelse
      11
      657417
      7733551
      33
    
  

5 rows × 28 columns



In [4]:

    
inc_df.columns









    Out[4]:





Index(['ActivityInfluencedName', 'ActivityInfluencedTID',
       'CompetenceLevelName', 'DamageExtentName', 'DamageExtentTID',
       'DtObsTime', 'DtRegTime', 'ForecastRegionName', 'ForecastRegionTID',
       'GeoHazardName', 'GeoHazardTID', 'IncidentHeader', 'IncidentIngress',
       'IncidentText', 'LangKey', 'Latitude', 'LocationID', 'LocationName',
       'Longitude', 'MunicipalName', 'NickName', 'ObserverId', 'RegID',
       'RegistrationName', 'RegistrationTID', 'UTMEast', 'UTMNorth',
       'UTMZone'],
      dtype='object')



In [5]:

    
inc_df['DtObsTime'][0][:4]









    Out[5]:





'2013'



In [6]:

    
inc_df['year'] = inc_df.apply(lambda d: int(d['DtObsTime'][:4]), axis=1)



In [7]:

    
inc_df.groupby(['year']).count()
#plt.plot(inc_df['DtObsTime'], inc_df['GeoHazardTID'])









    Out[7]:







  
    
      
      ActivityInfluencedName
      ActivityInfluencedTID
      CompetenceLevelName
      DamageExtentName
      DamageExtentTID
      DtObsTime
      DtRegTime
      ForecastRegionName
      ForecastRegionTID
      GeoHazardName
      ...
      Longitude
      MunicipalName
      NickName
      ObserverId
      RegID
      RegistrationName
      RegistrationTID
      UTMEast
      UTMNorth
      UTMZone
    
    
      year
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
    
  
  
    
      2013
      100
      100
      100
      100
      100
      100
      100
      100
      100
      100
      ...
      100
      95
      100
      100
      100
      100
      100
      100
      100
      100
    
    
      2014
      55
      55
      55
      55
      55
      55
      55
      55
      55
      55
      ...
      55
      55
      55
      55
      55
      55
      55
      55
      55
      55
    
    
      2015
      309
      309
      309
      309
      309
      309
      309
      309
      309
      309
      ...
      309
      304
      309
      309
      309
      309
      309
      309
      309
      309
    
    
      2016
      351
      351
      351
      351
      351
      351
      351
      351
      351
      351
      ...
      351
      346
      351
      351
      351
      351
      351
      351
      351
      351
    
    
      2017
      353
      353
      353
      353
      353
      353
      353
      353
      353
      353
      ...
      353
      352
      353
      353
      353
      353
      353
      353
      353
      353
    
    
      2018
      392
      392
      392
      392
      392
      392
      392
      390
      392
      392
      ...
      392
      387
      392
      392
      392
      392
      392
      392
      392
      392
    
    
      2019
      380
      380
      380
      380
      380
      380
      380
      380
      380
      380
      ...
      380
      377
      380
      380
      380
      380
      380
      380
      380
      380
    
  

7 rows × 28 columns



In [ ]:

	ActivityInfluencedName	ActivityInfluencedTID	CompetenceLevelName	DamageExtentName	DamageExtentTID	DtObsTime	DtRegTime	ForecastRegionName	ForecastRegionTID	GeoHazardName	...	Longitude	MunicipalName	NickName	ObserverId	RegID	RegistrationName	RegistrationTID	UTMEast	UTMNorth	UTMZone
index
0	Topptur	111	Ukjent	Påvirket ingenting	10	2013-01-20 11:15:00+01:00	2013-01-21 08:43:14+00:00	Indre Troms	3013	Snø	...	19.815385	BALSFJORD	magkjeld@regobsTroms	498	5061	Ulykke/hendelse	11	690714	7683582	33
1	Hus	160	***	Kun materielle skader	20	2013-01-21 06:30:00+01:00	2013-01-25 10:16:36+00:00	Indre Troms	3013	Snø	...	19.760810	BALSFJORD	Ragnar@NVE	6	5474	Ulykke/hendelse	11	688532	7683725	33
2	Fjellskitur	114	Ukjent	Påvirket ingenting	10	2013-01-22 19:21:00+01:00	2013-01-22 21:29:37+00:00	Svartisen	3017	Snø	...	14.217975	RANA	Ukjent observatør	0	5254	Ulykke/hendelse	11	465128	7369823	33
3	Topptur	111	Ukjent	Påvirket ingenting	10	2013-01-23 20:00:00+01:00	2013-01-25 12:25:57+00:00	Tromsø	3011	Snø	...	18.745638	TROMSØ	Ukjent observatør	0	5509	Ulykke/hendelse	11	644894	7737784	33
4	Ski offpist	113	****	Nestenulykke	29	2013-01-28 20:00:00+01:00	2013-01-29 07:25:05+00:00	Tromsø	3011	Snø	...	19.061126	TROMSØ	Karsten@NVE	49	5878	Ulykke/hendelse	11	657417	7733551	33

	ActivityInfluencedName	ActivityInfluencedTID	CompetenceLevelName	DamageExtentName	DamageExtentTID	DtObsTime	DtRegTime	ForecastRegionName	ForecastRegionTID	GeoHazardName	...	Longitude	MunicipalName	NickName	ObserverId	RegID	RegistrationName	RegistrationTID	UTMEast	UTMNorth	UTMZone
year
2013	100	100	100	100	100	100	100	100	100	100	...	100	95	100	100	100	100	100	100	100	100
2014	55	55	55	55	55	55	55	55	55	55	...	55	55	55	55	55	55	55	55	55	55
2015	309	309	309	309	309	309	309	309	309	309	...	309	304	309	309	309	309	309	309	309	309
2016	351	351	351	351	351	351	351	351	351	351	...	351	346	351	351	351	351	351	351	351	351
2017	353	353	353	353	353	353	353	353	353	353	...	353	352	353	353	353	353	353	353	353	353
2018	392	392	392	392	392	392	392	390	392	392	...	392	387	392	392	392	392	392	392	392	392
2019	380	380	380	380	380	380	380	380	380	380	...	380	377	380	380	380	380	380	380	380	380