Analysieren von Daten aus der Gantner Instruments Demo-Cloud mit Python

Als führendes Unternehmen im Bereich der hochpräzisen Datenerfassung bietet Gantner Instruments eine Demo-Cloud-Plattform an, die über mehrere Streams und Variablen verfügt, die Benutzer zum Zweck der Datenanalyse erkunden können. In diesem Beitrag werden wir die Schritte der Datenerfassung, -bereinigung, -aufbereitung und -analyse mit Python erläutern. Für weitere Informationen oder Fragen senden Sie bitte eine E-Mail an: info@gantner-instruments.com

Bevor Sie beginnen, sollten Sie einen Blick auf die notwendigen Voraussetzungen und Abhängigkeiten werfen:

Bevor Sie beginnen

• Voraussetzungen
  • Python 3.8 oder höher
  • Jupyter Labor
  • Jupyter Notizbuch
• Abhängigkeiten
  • gimodules
  • pandas
  • numpy
  • matplotlib
  • seaborn
  • datetime
  • plotly
  • pytz
  • xgboost
  • math
  • sklearn

Python kann von der offiziellen Python-Website heruntergeladen und installiert werden: Hier herunterladen
Jupyter Lab und Jupyter Notebook sowie die Abhängigkeiten können mit dem Befehl ‘pip install’ installiert werden.

---

Prozess

Um zu beginnen, öffnen Sie Ihr jupyter lab, indem Sie ‘jupyter lab’ in die Eingabeaufforderung eingeben. Fahren Sie mit dem Öffnen eines neuen jupyter Notebooks fort und importieren Sie die Abhängigkeiten (Sie müssen nicht alle importieren. Wenn Sie nur bestimmte Plots erstellen möchten, importieren Sie die dafür benötigten Abhängigkeiten). Verbinden Sie sich dann mit Ihren Anmeldedaten mit der Cloud, wählen Sie einen Stream und die Variablen, die Sie extrahieren möchten:

1. Ersetzen Sie einfach Ihren Benutzernamen und Ihr Passwort wie in diesem Beispiel, in dem die Verbindung zur Demo-Cloud hergestellt wird.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import seaborn as sns
from gimodules.visualization.definedplots import *
from gimodules.cloudconnect import cloud_request
import datetime as dt

2. Geben Sie an, zu welchem Stream Sie eine Verbindung herstellen möchten, und wählen Sie die Zeilen ab der vierten aus, da in diesen die Daten gespeichert sind:

3. Stellen Sie sicher, dass Sie datetime als Index festlegen und alle nicht druckbaren Zeichen entfernen:

4. Löschen Sie die Variablen, mit denen Sie nicht arbeiten möchten, und benennen Sie die vorhandenen Variablen zur besseren Lesbarkeit um. In diesem Beispiel ist auch eine Normalisierung der Variablen erforderlich. Ein Beispiel dafür sehen Sie im folgenden Codeschnipsel:

Oft können einige der Variablen als ‘Objekt’-Typen erkannt werden. In diesem Fall sehen Sie im folgenden Beispiel, wie Sie in den Typ ‘numerisch’ wechseln:

---

Visualisierungen erstellen

Die Erstellung eines Matrixdiagramms ist eine gute Methode, um die Beziehungen zwischen den Variablen in Ihren Daten zu visualisieren. Das folgende Code-Beispiel zeigt, wie Sie eine solche Matrix erstellen und welche Ausgabe Sie erhalten sollten:

Folgen Sie den nächsten Codebeispielen, um Ihre Daten für die Erstellung von Heatmaps vorzubereiten. Die Schritte werden in Code-Schnipseln erklärt:

Das folgende Codebeispiel erstellt eine Heatmap für den Zeitraum vom 24.05.01 bis zum 24.05.20, aber Sie können dies an Ihre Bedürfnisse anpassen, indem Sie einfach die Daten für ‘start_yymmdd’ und ‘end_yymmdd’ ändern:

Sie können auch eine Geigengrafik zu Visualisierungszwecken erstellen. Der erste Codeschnipsel zeigt, wie Sie eine Funktion einrichten, um den Code wiederverwenden zu können. Im nächsten Beispiel müssen Sie, ähnlich wie bei Heatmaps, den Zeitraum angeben, den Sie in die Ausgabe aufnehmen möchten:

Beispielhafte Ausgabe:

Die Erstellung eines Histogramms mit kumulativer Verteilung (CDF) ermöglicht es Ihnen, die Gesamtverteilung zu sehen und zu erkennen, wo die meisten Datenpunkte liegen und wo es bemerkenswerte Ausreißer gibt. Das folgende Codebeispiel zeigt Ihnen, wie Sie es erstellen können:

Beispielhafte Ausgabe:

Sie können eine interaktive Pivot-Tabelle erstellen, um eine dynamische Datenexploration durchzuführen, einschließlich Datenfilterung und Sortierung, um neue Trends zu erkennen, ohne jedes Mal neuen Code schreiben zu müssen:

Interaktive Beispielausgabe:

Verkleinert:

---

Zusammenfassend lässt sich sagen, dass die Analyse von Daten aus der Gantner Instruments Demo-Cloud mit Python Ihnen Einblicke und ein besseres Verständnis Ihrer Daten verschaffen kann. Verschiedene Visualisierungsmethoden wie Matrixplots, Heatmaps, Violinplots und Histogramme sind großartige Werkzeuge, um Muster und Beziehungen innerhalb Ihrer Daten zu untersuchen. Python mit seinen zahlreichen leistungsstarken Bibliotheken zeigt, wie effizient dies erreicht werden kann. Da datengestützte Entscheidungen immer beliebter werden, ist die Analyse Ihrer Daten von grundlegender Bedeutung.

Möchten Sie Ihre Datenanalyse noch weiter ausbauen? Gantner Instruments bietet leistungsstarke und präzise Datenerfassung. Besuchen Sie unsere Website, um mehr über unsere innovativen Lösungen und ihre Anwendungsmöglichkeiten zu erfahren.