Descubriendo los datos de las estaciones

Descubriendo los datos de las estaciones#

Uso de la API MakeSens#

Instalar Librerias

#!pip install APIMakeSens
#!pip install tk

Cargar librería MakeSens

# Makesens
from MakeSens import MakeSens

# Pandas 
import pandas as pd 

#  datetime para manejo de fechas
import datetime

# pytz para manejo de zonas horarias
import pytz

import pylab as plt

Definimos el rango de fechas para descargar los datos:

#Vamos a descargar los datos desde hoy hasta 240 horas atras. Primero definimos la fecha de fin e inicio de la descarga
fechaFin = datetime.datetime.now(pytz.timezone('America/Bogota')).strftime('%Y-%m-%d %H:%M:%S')
fechaInicio = (datetime.datetime.now(pytz.timezone('America/Bogota'))-datetime.timedelta(hours=240)).strftime('%Y-%m-%d %H:%M:%S')

Ahora usamos la API de Makesens para descargar los datos (preguntale a tu instructor que otras alternativas tienes!)

Para mayor información sobre las funciones de la API de makesens, puedes visitar su página web

data = MakeSens.download_data('mE1_00004', fechaInicio, fechaFin, '1H')

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[4], line 1
----> 1 data = MakeSens.download_data('mE1_00004', fechaInicio, fechaFin, '1H')

File /usr/local/lib/python3.9/site-packages/MakeSens/MakeSens.py:153, in download_data(id_device, start_date, end_date, sample_rate, logs, format, fields)
    150     dat.extend(d['data'])
    152 if not dat:
--> 153     raise ValueError("There are no data for that date range.")
    155 if dat:
    156     data = pd.DataFrame(dat)

ValueError: There are no data for that date range.

Exploremos los datos del DataFrame!!

data.head()

	ts	humedad	humedad2	iluminancia	pm10_1	pm10_1_AE	pm10_2	pm10_2_AE	pm1_1	pm1_1_AE	...	pm_n_10_0_2	pm_n_1_0_1	pm_n_1_0_2	pm_n_2_5_1	pm_n_2_5_2	pm_n_5_0_1	pm_n_5_0_2	presion	temperatura	temperatura2
0	2023-08-16 17:00:00	38.897320	41.228504	6.000000	13.700000	13.700000	14.200000	14.200000	10.000000	10.000000	...	0.200000	66.700000	71.300000	5.000000	7.400000	1.800000	2.000000	969.452265	28.068901	28.687991
1	2023-08-16 18:00:00	41.789214	44.269801	39.071429	10.000000	10.000000	10.285714	10.285714	7.071429	7.071429	...	0.142857	49.785714	54.071429	3.857143	4.285714	1.428571	1.000000	967.443556	28.146178	28.780804
2	2023-08-16 19:00:00	42.114675	44.522121	41.428571	8.428571	8.428571	7.571429	7.571429	5.428571	5.428571	...	0.000000	40.071429	39.571429	5.142857	3.000000	1.285714	0.571429	966.713915	28.195374	28.835164
3	2023-08-16 20:00:00	38.560408	40.723931	41.857143	5.857143	5.857143	5.428571	5.428571	3.714286	3.714286	...	0.285714	26.571429	21.428571	3.428571	2.285714	0.857143	0.857143	966.744908	28.157669	28.842603
4	2023-08-16 21:00:00	38.032839	40.042586	42.000000	6.045455	6.045455	5.363636	5.363636	4.181818	4.181818	...	0.363636	26.000000	22.818182	3.454545	2.545455	1.000000	0.818182	982.620261	27.273129	27.939668

5 rows × 31 columns

¿Cuál es el indice de los datos?
¿Cuántas columnas tiene? ¿Qué tipo de datos tiene cada columna?
¿Qué significa cada columna?

#Columnas del paquete de datos que descargamos
data.columns.values

array(['humedad2', 'irradiancia', 'pm_n_2_5_2', 'pm25_1', 'pm25_2',
       'pm_temperatura', 'pm_n_2_5_1', 'iluminancia', 'pm1_1', 'pm1_2',
       'humedad', 'temperatura', 'presion', 'uv', 'pm_n_10_0_2',
       'pm_n_10_0_1', 'pm_n_0_5_2', 'temperatura2', 'pm_n_0_3_2',
       'pm_n_0_5_1', 'pm_n_0_3_1', 'pm_n_5_0_1', 'pm_humedad',
       'pm_n_5_0_2', 'pm10_2', 'pm10_1', 'pm_n_1_0_1', 'pm_n_1_0_2',
       'precipitacion'], dtype=object)

Mira la página de makesens para entender que representa cada columna

#Exploremos el valor máximo para cada columna
data.max()

humedad2          67.164636
pm_n_2_5_2        49.521739
pm25_1            39.695652
pm25_2            41.086957
pm1_1_AE          20.962963
pm10_2_AE          47.26087
pm_n_2_5_1        63.869565
iluminancia       54.483871
pm1_1             21.962963
pm25_1_AE         34.521739
pm1_2             22.235294
humedad           65.776849
temperatura       35.909904
presion         1019.413362
pm_n_10_0_2        5.952381
pm_n_10_0_1       14.727273
pm1_2_AE          21.117647
pm10_1_AE         50.956522
pm_n_0_5_2      1131.764706
temperatura2      34.657491
pm_n_0_3_2      3592.588235
pm_n_0_5_1      1118.037037
pm_n_0_3_1      3577.666667
pm_n_5_0_1        27.478261
pm_n_5_0_2        19.913043
pm10_2             53.73913
pm10_1            59.478261
pm25_2_AE         35.608696
pm_n_1_0_1       315.130435
pm_n_1_0_2       331.391304
longitud               None
latitud                None
dtype: object

#¿Qué más quieres saber de los datos?

#Prueba graficando algunos datos. 
#Por ejemplo, grafiquemos la temperatura

fig=plt.figure()

data.plot( y=["temperatura","temperatura2"])

plt.xticks(rotation='vertical')
plt.ylabel("Temperatura [C]")

plt.show()

<Figure size 640x480 with 0 Axes>

../_images/852fb8b7038ac18e2c8f77c60931fc7f420a879a0d3678c9729d01907e307efa.png

Resumiendo:

Descubriendo los datos de las estaciones

Contents

Descubriendo los datos de las estaciones#

Uso de la API MakeSens#