{"id":2137,"date":"2022-08-31T20:48:25","date_gmt":"2022-09-01T01:48:25","guid":{"rendered":"http:\/\/blog.espol.edu.ec\/estg1003\/?p=2137"},"modified":"2026-04-14T05:45:44","modified_gmt":"2026-04-14T10:45:44","slug":"correlacion-ejercicio-estacion-meteorologica","status":"publish","type":"post","link":"https:\/\/blog.espol.edu.ec\/algoritmos101\/stp-u02eva\/correlacion-ejercicio-estacion-meteorologica\/","title":{"rendered":"Correlaci\u00f3n con Python - Ejercicio Estaci\u00f3n Meteorol\u00f3gica"},"content":{"rendered":"\n

Referencia<\/strong><\/em>: Ross 8.2 p334<\/p>\n\n\n\n

De una estaci\u00f3n meteorol\u00f3gica se obtiene un archivo.csv con los datos de los sensores disponibles.<\/p>\n\n\n\n

2021_10_EstMeteorologica.csv<\/a><\/p>\n\n\n\n

\"Estaci\u00f3n<\/figure>\n\n\n\n

\u00a0Nota: las instrucciones para la lectura del archivo se describen en:<\/p>\n\n\n\n

Archivos.csv con Python<\/a> \u2013 Ejercicio con gr\u00e1fica de temperatura y Humedad<\/p>\n\n\n\n

Para observar la correlaci\u00f3n entre las medidas obtenidas de varios sensores, se considera usar las variables:<\/p>\n\n\n\n

sensor_EM = [\"TEMP\"<\/span>,\"Humidity\"<\/span>,\"Solar_rad\"<\/span>,\"Bar_press.\"<\/span>]<\/code><\/pre>\n\n\n\n
La correlaci\u00f3n entre las variables se realiza seleccionando las columnas desde una lista, para luego realizar la operaci\u00f3n desde una de las funciones de Pandas-Python<\/p>\n\n\n\n
# Matriz de Correlaci\u00f3n<\/span>\nmediciones = tablaEM[sensor_EM].copy()\ncorrelacion_matriz = mediciones.corr()<\/code><\/pre>\n\n\n\n
obteniendo como resultados:<\/p>\n\n\n\n
Matriz de correlaci\u00f3n:\n                TEMP  Humidity  Solar_rad  Bar_press.\nTEMP        1.000000 -0.957730   0.743379   -0.387187\nHumidity   -0.957730  1.000000  -0.765766    0.447845\nSolar_rad   0.743379 -0.765766   1.000000   -0.093236\nBar_press. -0.387187  0.447845  -0.093236    1.000000<\/code><\/pre>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
Del resultado se observa que el coeficiente de correlaci\u00f3n entre las mediciones de \"TEMP\" y \"Humidity\" es alta. Para observar el caso se usa la gr\u00e1fica entre las dos variables comparando los datos en el tiempo por fechas.
Cuando la temperatura aumenta la Humedad disminuye, lo opuesto tambi\u00e9n es observable.<\/p>\n\n\n\n
Comparando solo entre las dos variables:<\/p>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
Para el caso de radiaci\u00f3n solar y presi\u00f3n barom\u00e9rica, el coeficiente de correlaci\u00f3n es \"bajo\".<\/p>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
comparando entre las dos variables solamente:<\/p>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
Instrucciones en Python<\/h2>\n\n\n
\n# Archivos de estaci\u00f3n meteorologica\n# correlacion entre sensor_EM\nimport numpy as np\nimport pandas as pd\nimport datetime as dt\nimport os\nimport matplotlib.pyplot as plt\nfrom matplotlib.dates import DateFormatter, DayLocator\n\n# INGRESO\narchivoEM = "2021_10_EstMeteorologica.csv"\nsensor_EM = ["TEMP","Humidity","Solar_rad","Bar_press."]\nsensor_EM_u = ["(\u00b0C)","(%)","(kW)","(hPa)"]\n\n# PROCEDIMIENTO\n# tabla estacion meteorologica\ntablaEM = pd.read_csv(archivoEM, sep=';',decimal=',')\ntablaEM = pd.DataFrame(tablaEM)\ntablaEM_n = len(tablaEM)\n\n# Matriz de Correlaci\u00f3n\nmediciones = tablaEM[sensor_EM].copy()\ncorrelacion_matriz = mediciones.corr()\n\n# SALIDA\nprint('Matriz de correlaci\u00f3n:')\nprint(correlacion_matriz)\n<\/pre><\/div>\n\n\n
Para a\u00f1adir las gr\u00e1ficas, se a\u00f1aden instrucciones para seleccionar las variables en intervalos de fechas.<\/p>\n\n\n
\n# tabla estacion meteorologica\nfechaformatoEM = "%d\/%m\/%Y %H:%M:%S"\n# fechas concatenando columnas de texto\ntablaEM['fecha'] = tablaEM['Date']+' '+tablaEM['Time']\ntablaEM['fecha'] = pd.to_datetime(tablaEM['fecha'],\n                                  format=fechaformatoEM)\n# grafica\nsensorA = "TEMP"\nsensorB = "Humidity"\nfechaA = "2021\/10\/01"\nfechaB = "2021\/10\/07"\n\nti = tablaEM["fecha"].loc[tablaEM["fecha"].between(fechaA,fechaB)]\nxi = tablaEM[sensorA].loc[tablaEM["fecha"].between(fechaA,fechaB)]\nyi = tablaEM[sensorB].loc[tablaEM["fecha"].between(fechaA,fechaB)]\n\n# grafica compara sensores en tiempo\nfig_Pt, graf1 = plt.subplots()\ngraf1.scatter(ti,xi, marker = '.',\n              label=sensorA)\n\neje12 = graf1.twinx()  # segundo eje del grafico\neje12.scatter(ti,yi, marker = '.',\n              color='orange',label=sensorB)\ngraf1.set_ylabel(sensorA, color='blue')\neje12.set_ylabel(sensorB, color='orange')\nplt.show()\n\n# grafica compara sensores\nplt.scatter(xi,yi)\nplt.xlabel(sensorA, color='blue')\nplt.ylabel(sensorB, color='orange')\nplt.show()\n<\/pre><\/div>\n\n\n
 <\/p>\n","protected":false},"excerpt":{"rendered":"
Referencia: Ross 8.2 p334 De una estaci\u00f3n meteorol\u00f3gica se obtiene un archivo.csv con los datos de los sensores disponibles. 2021_10_EstMeteorologica.csv \u00a0Nota: las instrucciones para la lectura del archivo se describen en: Archivos.csv con Python \u2013 Ejercicio con gr\u00e1fica de temperatura y Humedad Para observar la correlaci\u00f3n entre las medidas obtenidas de varios sensores, se considera […]<\/p>\n","protected":false},"author":8043,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"wp-custom-template-entrada-stp-unidades","format":"standard","meta":{"footnotes":""},"categories":[214],"tags":[],"class_list":["post-2137","post","type-post","status-publish","format-standard","hentry","category-stp-u02eva"],"_links":{"self":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/2137","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/users\/8043"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/comments?post=2137"}],"version-history":[{"count":2,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/2137\/revisions"}],"predecessor-version":[{"id":22366,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/2137\/revisions\/22366"}],"wp:attachment":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/media?parent=2137"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/categories?post=2137"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/tags?post=2137"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}