数学建模——校园供水系统智能管理

这篇具有很好参考价值的文章主要介绍了数学建模——校园供水系统智能管理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

import pandas as pd
data1=pd.read_excel("C://Users//JJH//Desktop//E//附件_一季度.xlsx")
data2=pd.read_excel("C://Users//JJH//Desktop//E//附件_二季度.xlsx")
data3=pd.read_excel("C://Users//JJH//Desktop//E//附件_三季度.xlsx")
data4=pd.read_excel("C://Users//JJH//Desktop//E//附件_四季度.xlsx")
data1

水表名 水表号 采集时间 上次读数 当前读数 用量
0 司法鉴定中心 0 2019/1/1 00:15:00 2157.1 2157.1 0.0
1 司法鉴定中心 0 2019/1/1 00:30:00 2157.1 2157.1 0.0
2 司法鉴定中心 0 2019/1/1 00:45:00 2157.1 2157.1 0.0
3 司法鉴定中心 0 2019/1/1 01:00:00 2157.1 2157.1 0.0
4 司法鉴定中心 0 2019/1/1 01:15:00 2157.1 2157.1 0.0
... ... ... ... ... ... ...
729278 物业 3030100102 2019/3/31 22:45:00 50.9 50.9 0.0
729279 物业 3030100102 2019/3/31 23:00:00 50.9 50.9 0.0
729280 物业 3030100102 2019/3/31 23:15:00 50.9 50.9 0.0
729281 物业 3030100102 2019/3/31 23:30:00 50.9 50.9 0.0
729282 物业 3030100102 2019/3/31 23:45:00 50.9 50.9 0.0

729283 rows × 6 columns

data1.isnull().sum()
水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64
data2.isnull().sum()
水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64
data3.isnull().sum()
水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64
data4.isnull().sum()
水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64
import numpy as np
# 合并数据
data1['季度'] = pd.Series(["一季度" for i in range(len(data1.index))])
data2['季度'] = pd.Series(["二季度" for i in range(len(data2.index))])
data3['季度'] = pd.Series(["三季度" for i in range(len(data3.index))])
data4['季度'] = pd.Series(["四季度" for i in range(len(data4.index))])
data1

水表名 水表号 采集时间 上次读数 当前读数 用量 季度
0 司法鉴定中心 0 2019/1/1 00:15:00 2157.1 2157.1 0.0 一季度
1 司法鉴定中心 0 2019/1/1 00:30:00 2157.1 2157.1 0.0 一季度
2 司法鉴定中心 0 2019/1/1 00:45:00 2157.1 2157.1 0.0 一季度
3 司法鉴定中心 0 2019/1/1 01:00:00 2157.1 2157.1 0.0 一季度
4 司法鉴定中心 0 2019/1/1 01:15:00 2157.1 2157.1 0.0 一季度
... ... ... ... ... ... ... ...
729278 物业 3030100102 2019/3/31 22:45:00 50.9 50.9 0.0 一季度
729279 物业 3030100102 2019/3/31 23:00:00 50.9 50.9 0.0 一季度
729280 物业 3030100102 2019/3/31 23:15:00 50.9 50.9 0.0 一季度
729281 物业 3030100102 2019/3/31 23:30:00 50.9 50.9 0.0 一季度
729282 物业 3030100102 2019/3/31 23:45:00 50.9 50.9 0.0 一季度

729283 rows × 7 columns

data = data1.append([data2,data3,data4],ignore_index=True) # 添加合并
data

C:\Users\JJH\AppData\Local\Temp\ipykernel_31264\4019438690.py:1: FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.
  data = data1.append([data2,data3,data4],ignore_index=True) # 添加合并
水表名 水表号 采集时间 上次读数 当前读数 用量 季度
0 司法鉴定中心 0 2019/1/1 00:15:00 2157.1 2157.1 0.0 一季度
1 司法鉴定中心 0 2019/1/1 00:30:00 2157.1 2157.1 0.0 一季度
2 司法鉴定中心 0 2019/1/1 00:45:00 2157.1 2157.1 0.0 一季度
3 司法鉴定中心 0 2019/1/1 01:00:00 2157.1 2157.1 0.0 一季度
4 司法鉴定中心 0 2019/1/1 01:15:00 2157.1 2157.1 0.0 一季度
... ... ... ... ... ... ... ...
3086783 消防 3620303200 2019/12/31 22:45:00 22.0 22.0 0.0 四季度
3086784 消防 3620303200 2019/12/31 23:00:00 22.0 22.0 0.0 四季度
3086785 消防 3620303200 2019/12/31 23:15:00 22.0 22.0 0.0 四季度
3086786 消防 3620303200 2019/12/31 23:30:00 22.0 22.0 0.0 四季度
3086787 消防 3620303200 2019/12/31 23:45:00 22.0 22.0 0.0 四季度

3086788 rows × 7 columns

x=data[['水表名','用量','采集时间']]
x
水表名 用量 采集时间
0 司法鉴定中心 0.0 2019/1/1 00:15:00
1 司法鉴定中心 0.0 2019/1/1 00:30:00
2 司法鉴定中心 0.0 2019/1/1 00:45:00
3 司法鉴定中心 0.0 2019/1/1 01:00:00
4 司法鉴定中心 0.0 2019/1/1 01:15:00
... ... ... ...
3086783 消防 0.0 2019/12/31 22:45:00
3086784 消防 0.0 2019/12/31 23:00:00
3086785 消防 0.0 2019/12/31 23:15:00
3086786 消防 0.0 2019/12/31 23:30:00
3086787 消防 0.0 2019/12/31 23:45:00

3086788 rows × 3 columns

x1=x[x['水表名']=='消防']
x1
水表名 用量 采集时间
1500912 消防 0.0 2019/4/22 12:15:00
1500913 消防 0.0 2019/4/22 12:30:00
1500914 消防 0.0 2019/4/22 12:45:00
1500915 消防 0.0 2019/4/22 13:00:00
1500916 消防 0.0 2019/4/22 13:15:00
... ... ... ...
3086783 消防 0.0 2019/12/31 22:45:00
3086784 消防 0.0 2019/12/31 23:00:00
3086785 消防 0.0 2019/12/31 23:15:00
3086786 消防 0.0 2019/12/31 23:30:00
3086787 消防 0.0 2019/12/31 23:45:00

23984 rows × 3 columns

import matplotlib.pyplot as plt
print(len(x1))
23984
# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签
x = range(23984)



# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x1['采集时间'],x1['用量'],color='black',linewidth=0.5)
plt.show()       


数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

x=data[['水表名','用量','采集时间']]
x     
水表名 用量 采集时间
0 司法鉴定中心 0.0 2019/1/1 00:15:00
1 司法鉴定中心 0.0 2019/1/1 00:30:00
2 司法鉴定中心 0.0 2019/1/1 00:45:00
3 司法鉴定中心 0.0 2019/1/1 01:00:00
4 司法鉴定中心 0.0 2019/1/1 01:15:00
... ... ... ...
3086783 消防 0.0 2019/12/31 22:45:00
3086784 消防 0.0 2019/12/31 23:00:00
3086785 消防 0.0 2019/12/31 23:15:00
3086786 消防 0.0 2019/12/31 23:30:00
3086787 消防 0.0 2019/12/31 23:45:00

3086788 rows × 3 columns

x2=x[x['水表名']=='XXX第一学生宿舍']
x2
水表名 用量 采集时间
220372 XXX第一学生宿舍 0.12 2019/1/1 00:15:00
220373 XXX第一学生宿舍 0.12 2019/1/1 00:30:00
220374 XXX第一学生宿舍 0.12 2019/1/1 00:45:00
220375 XXX第一学生宿舍 0.12 2019/1/1 01:00:00
220376 XXX第一学生宿舍 0.12 2019/1/1 01:15:00
... ... ... ...
2533541 XXX第一学生宿舍 0.40 2019/12/31 22:45:00
2533542 XXX第一学生宿舍 0.40 2019/12/31 23:00:00
2533543 XXX第一学生宿舍 0.50 2019/12/31 23:15:00
2533544 XXX第一学生宿舍 0.50 2019/12/31 23:30:00
2533545 XXX第一学生宿舍 0.50 2019/12/31 23:45:00

35039 rows × 3 columns

# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签




# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x2) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x2['采集时间'],x2['用量'],color='black',linewidth=0.5)
plt.show()       


数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

x=data[['水表名','用量','采集时间']]
x3=x[x['水表名']=='留学生楼(新)']
# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签




# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x3) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x3['采集时间'],x3['用量'],color='black',linewidth=0.3)
plt.show()       


数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

x=data[['水表名','用量','采集时间']]
x4=x[x['水表名']=='XXX教学大楼总表']
# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签




# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x4) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x4['采集时间'],x4['用量'],color='black',linewidth=0.3)
plt.show()       


数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定字体为SimHei
labels = ['消防', '留学生楼(新)', 'XXX教学大楼总表']

plt.boxplot([x1['用量'],x3['用量'],x4['用量']])

plt.xticks(range(1, 4), labels)
# 显示图形
plt.show()


数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

x5=x[x['水表名']=='XXX第四学生宿舍']
x5
水表名 用量 采集时间
246289 XXX第四学生宿舍 0.4 2019/1/1 00:15:00
246290 XXX第四学生宿舍 0.4 2019/1/1 00:30:00
246291 XXX第四学生宿舍 0.4 2019/1/1 00:45:00
246292 XXX第四学生宿舍 0.4 2019/1/1 01:00:00
246293 XXX第四学生宿舍 0.4 2019/1/1 01:15:00
... ... ... ...
2560037 XXX第四学生宿舍 0.7 2019/12/31 22:45:00
2560038 XXX第四学生宿舍 0.6 2019/12/31 23:00:00
2560039 XXX第四学生宿舍 0.6 2019/12/31 23:15:00
2560040 XXX第四学生宿舍 0.5 2019/12/31 23:30:00
2560041 XXX第四学生宿舍 1.2 2019/12/31 23:45:00

35039 rows × 3 columns

x6=x[x['水表名']=='茶园+']
x6
水表名 用量 采集时间
611260 茶园+ 0.0 2019/1/3 16:15:00
611261 茶园+ 0.0 2019/1/3 16:30:00
611262 茶园+ 0.0 2019/1/3 16:45:00
611263 茶园+ 0.0 2019/1/3 17:00:00
611264 茶园+ 0.0 2019/1/3 17:15:00
... ... ... ...
2945006 茶园+ 0.0 2019/12/31 22:45:00
2945007 茶园+ 0.0 2019/12/31 23:00:00
2945008 茶园+ 0.0 2019/12/31 23:15:00
2945009 茶园+ 0.0 2019/12/31 23:30:00
2945010 茶园+ 0.0 2019/12/31 23:45:00

34249 rows × 3 columns

x7=x[x['水表名']=='XXX4舍热泵热水舍']
x7
水表名 用量 采集时间
x21=x[x['水表名']=='XXX第一学生宿舍']
x21
水表名 用量 采集时间
220372 XXX第一学生宿舍 0.12 2019/1/1 00:15:00
220373 XXX第一学生宿舍 0.12 2019/1/1 00:30:00
220374 XXX第一学生宿舍 0.12 2019/1/1 00:45:00
220375 XXX第一学生宿舍 0.12 2019/1/1 01:00:00
220376 XXX第一学生宿舍 0.12 2019/1/1 01:15:00
... ... ... ...
2533541 XXX第一学生宿舍 0.40 2019/12/31 22:45:00
2533542 XXX第一学生宿舍 0.40 2019/12/31 23:00:00
2533543 XXX第一学生宿舍 0.50 2019/12/31 23:15:00
2533544 XXX第一学生宿舍 0.50 2019/12/31 23:30:00
2533545 XXX第一学生宿舍 0.50 2019/12/31 23:45:00

35039 rows × 3 columns

x22=x[x['水表名']=='XXX第二学生宿舍']
x22
水表名 用量 采集时间
229011 XXX第二学生宿舍 0.9 2019/1/1 00:15:00
229012 XXX第二学生宿舍 0.7 2019/1/1 00:30:00
229013 XXX第二学生宿舍 0.8 2019/1/1 00:45:00
229014 XXX第二学生宿舍 0.7 2019/1/1 01:00:00
229015 XXX第二学生宿舍 0.1 2019/1/1 01:15:00
... ... ... ...
2542373 XXX第二学生宿舍 0.1 2019/12/31 22:45:00
2542374 XXX第二学生宿舍 0.1 2019/12/31 23:00:00
2542375 XXX第二学生宿舍 0.2 2019/12/31 23:15:00
2542376 XXX第二学生宿舍 0.1 2019/12/31 23:30:00
2542377 XXX第二学生宿舍 0.1 2019/12/31 23:45:00

35039 rows × 3 columns

x21.set_index('采集时间', inplace=True)
x22.set_index('采集时间', inplace=True)
print(x21['用量'].dtypes,x21['水表名'])
print(x22['用量'].dtypes,x22['水表名'])
x_sum = x21.add(x22, fill_value=0)

# 打印结果
x_sum
float64 采集时间
2019/1/1 00:15:00      XXX第一学生宿舍
2019/1/1 00:30:00      XXX第一学生宿舍
2019/1/1 00:45:00      XXX第一学生宿舍
2019/1/1 01:00:00      XXX第一学生宿舍
2019/1/1 01:15:00      XXX第一学生宿舍
                         ...    
2019/12/31 22:45:00    XXX第一学生宿舍
2019/12/31 23:00:00    XXX第一学生宿舍
2019/12/31 23:15:00    XXX第一学生宿舍
2019/12/31 23:30:00    XXX第一学生宿舍
2019/12/31 23:45:00    XXX第一学生宿舍
Name: 水表名, Length: 35039, dtype: object
float64 采集时间
2019/1/1 00:15:00      XXX第二学生宿舍
2019/1/1 00:30:00      XXX第二学生宿舍
2019/1/1 00:45:00      XXX第二学生宿舍
2019/1/1 01:00:00      XXX第二学生宿舍
2019/1/1 01:15:00      XXX第二学生宿舍
                         ...    
2019/12/31 22:45:00    XXX第二学生宿舍
2019/12/31 23:00:00    XXX第二学生宿舍
2019/12/31 23:15:00    XXX第二学生宿舍
2019/12/31 23:30:00    XXX第二学生宿舍
2019/12/31 23:45:00    XXX第二学生宿舍
Name: 水表名, Length: 35039, dtype: object
水表名 用量
采集时间
2019/1/1 00:15:00 XXX第一学生宿舍XXX第二学生宿舍 1.02
2019/1/1 00:30:00 XXX第一学生宿舍XXX第二学生宿舍 0.82
2019/1/1 00:45:00 XXX第一学生宿舍XXX第二学生宿舍 0.92
2019/1/1 01:00:00 XXX第一学生宿舍XXX第二学生宿舍 0.82
2019/1/1 01:15:00 XXX第一学生宿舍XXX第二学生宿舍 0.22
... ... ...
2019/12/31 22:45:00 XXX第一学生宿舍XXX第二学生宿舍 0.50
2019/12/31 23:00:00 XXX第一学生宿舍XXX第二学生宿舍 0.50
2019/12/31 23:15:00 XXX第一学生宿舍XXX第二学生宿舍 0.70
2019/12/31 23:30:00 XXX第一学生宿舍XXX第二学生宿舍 0.60
2019/12/31 23:45:00 XXX第一学生宿舍XXX第二学生宿舍 0.60

35039 rows × 2 columns

x26=x[x['水表名']=='茶园+']
x26
水表名 用量 采集时间
611260 茶园+ 0.0 2019/1/3 16:15:00
611261 茶园+ 0.0 2019/1/3 16:30:00
611262 茶园+ 0.0 2019/1/3 16:45:00
611263 茶园+ 0.0 2019/1/3 17:00:00
611264 茶园+ 0.0 2019/1/3 17:15:00
... ... ... ...
2945006 茶园+ 0.0 2019/12/31 22:45:00
2945007 茶园+ 0.0 2019/12/31 23:00:00
2945008 茶园+ 0.0 2019/12/31 23:15:00
2945009 茶园+ 0.0 2019/12/31 23:30:00
2945010 茶园+ 0.0 2019/12/31 23:45:00

34249 rows × 3 columns

x21=x[x['水表名']=='XXX第一学生宿舍']
x21
水表名 用量 采集时间
220372 XXX第一学生宿舍 0.12 2019/1/1 00:15:00
220373 XXX第一学生宿舍 0.12 2019/1/1 00:30:00
220374 XXX第一学生宿舍 0.12 2019/1/1 00:45:00
220375 XXX第一学生宿舍 0.12 2019/1/1 01:00:00
220376 XXX第一学生宿舍 0.12 2019/1/1 01:15:00
... ... ... ...
2533541 XXX第一学生宿舍 0.40 2019/12/31 22:45:00
2533542 XXX第一学生宿舍 0.40 2019/12/31 23:00:00
2533543 XXX第一学生宿舍 0.50 2019/12/31 23:15:00
2533544 XXX第一学生宿舍 0.50 2019/12/31 23:30:00
2533545 XXX第一学生宿舍 0.50 2019/12/31 23:45:00

35039 rows × 3 columns

df_merged = pd.merge(x21, x26, on='采集时间', how='inner')
df_merged
水表名_x 用量_x 采集时间 水表名_y 用量_y
0 XXX第一学生宿舍 0.22 2019/1/3 16:15:00 茶园+ 0.0
1 XXX第一学生宿舍 0.22 2019/1/3 16:30:00 茶园+ 0.0
2 XXX第一学生宿舍 0.22 2019/1/3 16:45:00 茶园+ 0.0
3 XXX第一学生宿舍 0.22 2019/1/3 17:00:00 茶园+ 0.0
4 XXX第一学生宿舍 0.22 2019/1/3 17:15:00 茶园+ 0.0
... ... ... ... ... ...
34244 XXX第一学生宿舍 0.40 2019/12/31 22:45:00 茶园+ 0.0
34245 XXX第一学生宿舍 0.40 2019/12/31 23:00:00 茶园+ 0.0
34246 XXX第一学生宿舍 0.50 2019/12/31 23:15:00 茶园+ 0.0
34247 XXX第一学生宿舍 0.50 2019/12/31 23:30:00 茶园+ 0.0
34248 XXX第一学生宿舍 0.50 2019/12/31 23:45:00 茶园+ 0.0

34249 rows × 5 columns

df_merged['总用水量'] = df_merged['用量_x'] + df_merged['用量_y']
df_merged
水表名_x 用量_x 采集时间 水表名_y 用量_y 总用水量
0 XXX第一学生宿舍 0.22 2019/1/3 16:15:00 茶园+ 0.0 0.22
1 XXX第一学生宿舍 0.22 2019/1/3 16:30:00 茶园+ 0.0 0.22
2 XXX第一学生宿舍 0.22 2019/1/3 16:45:00 茶园+ 0.0 0.22
3 XXX第一学生宿舍 0.22 2019/1/3 17:00:00 茶园+ 0.0 0.22
4 XXX第一学生宿舍 0.22 2019/1/3 17:15:00 茶园+ 0.0 0.22
... ... ... ... ... ... ...
34244 XXX第一学生宿舍 0.40 2019/12/31 22:45:00 茶园+ 0.0 0.40
34245 XXX第一学生宿舍 0.40 2019/12/31 23:00:00 茶园+ 0.0 0.40
34246 XXX第一学生宿舍 0.50 2019/12/31 23:15:00 茶园+ 0.0 0.50
34247 XXX第一学生宿舍 0.50 2019/12/31 23:30:00 茶园+ 0.0 0.50
34248 XXX第一学生宿舍 0.50 2019/12/31 23:45:00 茶园+ 0.0 0.50

34249 rows × 6 columns

df_merged1 = pd.merge(x21, x26, on='采集时间', how='outer')
df_merged1
水表名_x 用量_x 采集时间 水表名_y 用量_y
0 XXX第一学生宿舍 0.12 2019/1/1 00:15:00 NaN NaN
1 XXX第一学生宿舍 0.12 2019/1/1 00:30:00 NaN NaN
2 XXX第一学生宿舍 0.12 2019/1/1 00:45:00 NaN NaN
3 XXX第一学生宿舍 0.12 2019/1/1 01:00:00 NaN NaN
4 XXX第一学生宿舍 0.12 2019/1/1 01:15:00 NaN NaN
... ... ... ... ... ...
35034 XXX第一学生宿舍 0.40 2019/12/31 22:45:00 茶园+ 0.0
35035 XXX第一学生宿舍 0.40 2019/12/31 23:00:00 茶园+ 0.0
35036 XXX第一学生宿舍 0.50 2019/12/31 23:15:00 茶园+ 0.0
35037 XXX第一学生宿舍 0.50 2019/12/31 23:30:00 茶园+ 0.0
35038 XXX第一学生宿舍 0.50 2019/12/31 23:45:00 茶园+ 0.0

35039 rows × 5 columns

df_merged1['用量_y'] = df_merged1['用量_y'].replace(np.nan, 0)
df_merged1
# df_merged1['总用水量'] = df_merged1['用量_x'] + df_merged1['用量_y']
# df_merged1
水表名_x 用量_x 采集时间 水表名_y 用量_y 总用水量
0 XXX第一学生宿舍 0.12 2019/1/1 00:15:00 NaN 0.0 0.12
1 XXX第一学生宿舍 0.12 2019/1/1 00:30:00 NaN 0.0 0.12
2 XXX第一学生宿舍 0.12 2019/1/1 00:45:00 NaN 0.0 0.12
3 XXX第一学生宿舍 0.12 2019/1/1 01:00:00 NaN 0.0 0.12
4 XXX第一学生宿舍 0.12 2019/1/1 01:15:00 NaN 0.0 0.12
... ... ... ... ... ... ...
35034 XXX第一学生宿舍 0.40 2019/12/31 22:45:00 茶园+ 0.0 0.40
35035 XXX第一学生宿舍 0.40 2019/12/31 23:00:00 茶园+ 0.0 0.40
35036 XXX第一学生宿舍 0.50 2019/12/31 23:15:00 茶园+ 0.0 0.50
35037 XXX第一学生宿舍 0.50 2019/12/31 23:30:00 茶园+ 0.0 0.50
35038 XXX第一学生宿舍 0.50 2019/12/31 23:45:00 茶园+ 0.0 0.50

35039 rows × 6 columns

df_merged1['总用水量'] = df_merged1['用量_x'] + df_merged1['用量_y']
df_merged1
水表名_x 用量_x 采集时间 水表名_y 用量_y 总用水量
0 XXX第一学生宿舍 0.12 2019/1/1 00:15:00 NaN 0.0 0.12
1 XXX第一学生宿舍 0.12 2019/1/1 00:30:00 NaN 0.0 0.12
2 XXX第一学生宿舍 0.12 2019/1/1 00:45:00 NaN 0.0 0.12
3 XXX第一学生宿舍 0.12 2019/1/1 01:00:00 NaN 0.0 0.12
4 XXX第一学生宿舍 0.12 2019/1/1 01:15:00 NaN 0.0 0.12
... ... ... ... ... ... ...
35034 XXX第一学生宿舍 0.40 2019/12/31 22:45:00 茶园+ 0.0 0.40
35035 XXX第一学生宿舍 0.40 2019/12/31 23:00:00 茶园+ 0.0 0.40
35036 XXX第一学生宿舍 0.50 2019/12/31 23:15:00 茶园+ 0.0 0.50
35037 XXX第一学生宿舍 0.50 2019/12/31 23:30:00 茶园+ 0.0 0.50
35038 XXX第一学生宿舍 0.50 2019/12/31 23:45:00 茶园+ 0.0 0.50

35039 rows × 6 columns

# 创建一个包含多个子图的图形
fig, axes = plt.subplots(nrows=4 ,ncols=2)

# 在第一个子图中绘制数据
step = len(x11) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[0, 0].set_xticks(xtick_positions)
axes[0, 0].set_xticklabels(xticks)
axes[0, 0].plot(x11['采集时间'],x11['用量'],color='black',linewidth=0.1)
axes[0, 0].set_title('XXX第一学生宿舍')

# 在第二个子图中绘制数据
step = len(x12) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[0, 1].set_xticks(xtick_positions)
axes[0, 1].set_xticklabels(xticks)
axes[0, 1].plot(x12['采集时间'],x12['用量'],color='black',linewidth=0.1)
axes[0, 1].set_title('XXX第二学生宿舍')

# 在第三个子图中绘制数据
step = len(x13) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[1, 0].set_xticks(xtick_positions)
axes[1, 0].set_xticklabels(xticks)
axes[1, 0].plot(x13['采集时间'],x13['用量'],color='black',linewidth=0.1)
axes[1, 0].set_title('XXX第三学生宿舍')

# 在第四个子图中绘制数据
step = len(x14) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[1, 1].set_xticks(xtick_positions)
axes[1, 1].set_xticklabels(xticks)
axes[1, 1].plot(x14['采集时间'],x14['用量'],color='black',linewidth=0.1)
axes[1, 1].set_title('XXX第四学生宿舍')


# 在第五个子图中绘制数据
step = len(x15) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[2, 0].set_xticks(xtick_positions)
axes[2, 0].set_xticklabels(xticks)
axes[2, 0].plot(x15['采集时间'],x15['用量'],color='black',linewidth=0.1)
axes[2, 0].set_title('XXX第五学生宿舍')

# 在第六个子图中绘制数据
step = len(x17) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[2, 1].set_xticks(xtick_positions)
axes[2, 1].set_xticklabels(xticks)
axes[2, 1].plot(x17['采集时间'],x17['用量'],color='black',linewidth=0.1)
axes[2, 1].set_title('XXX第七学生宿舍')

# 在第七个子图中绘制数据
step = len(x18) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[3, 0].set_xticks(xtick_positions)
axes[3, 0].set_xticklabels(xticks)
axes[3, 0].plot(x18['采集时间'],x18['用量'],color='black',linewidth=0.1)
axes[3, 0].set_title('XXX第八学生宿舍')

# 在第八个子图中绘制数据
step = len(x19) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
axes[3, 1].set_xticks(xtick_positions)
axes[3, 1].set_xticklabels(xticks)
axes[3, 1].plot(x19['采集时间'],x19['用量'],color='black',linewidth=0.1)
axes[3, 1].set_title('XXX第九学生宿舍')
# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

from datetime import datetime
ans=[0]*24
for i in range(len(x_merged)):
    # 采集时间字符串
    time_str = x_merged ['采集时间'][i]

    # 将时间字符串转换为datetime对象
    time_obj = datetime.strptime(time_str, '%Y/%m/%d %H:%M:%S')

    # 提取小时
    hour = time_obj.hour
    ans[hour]+= x_merged['总用水量'][i]
    # 打印结果
#     print(f"当前是第{hour}个小时")

数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas

from datetime import datetime
ans=[0]*24
for i in range(2000):
    # 采集时间字符串
    time_str = x_merged ['采集时间'][i]

    # 将时间字符串转换为datetime对象
    time_obj = datetime.strptime(time_str, '%Y/%m/%d %H:%M:%S')

    # 提取小时
    hour = time_obj.hour
    day = time_obj.day
    ans[hour]+= x_merged['总用水量'][i]
    if day == 60:
        break
    # 打印结果
#     print(f"当前是第{hour}个小时")

数学建模——校园供水系统智能管理,数学建模,python,数学建模,pandas文章来源地址https://www.toymoban.com/news/detail-691359.html

到了这里,关于数学建模——校园供水系统智能管理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包