La matriz de correlaci\u00f3n entre los par\u00e1metros de propagaci\u00f3n observados y las variables de clima de una estaci\u00f3n meteorol\u00f3gica se puede procesar con Python.<\/p>\n\n\n\n
Se dispone de las descripciones estad\u00edsticas de Rssi obtenidas en cada punto sobre una l\u00ednea de propagaci\u00f3n usadas para estimar el modelo de propagaci\u00f3n para esa ruta.<\/p>\n\n\n\n
Por otra parte tambi\u00e9n se dispone de las lecturas de una estaci\u00f3n meteorol\u00f3gica cercana al lugar de mediciones.<\/p>\n\n\n\n
La primera parte del proceso consiste en leer los archivos en diferentes tablas, para seguir un procedimiento donde se emparejan los valores de las variables a usar. El emparejamiento se realiza buscando la fecha y hora mas cercana usando la instrucci\u00f3n de Pandas dataframe.<\/p>\n\n\n\n
fechap = tablaPt['publishedAt'<\/span>][i]\n donde = tablaEM['fecha'<\/span>].searchsorted(fechap)<\/code><\/pre>\n\n\n\nLa matriz de correlaci\u00f3n se calcula usando la librer\u00eda Pandas para mantener un formato de columnas de lectura sencilla. Los datos en columnas a usar se agrupan en una tabla \"mediciones\" para realizar la llamada a corr()<\/code>.<\/p>\n\n\n\ncorrelacion_matriz = mediciones.corr()<\/code><\/pre>\n\n\n\nla tabla de correlaci\u00f3n que se obtiene:<\/p>\n\n\n\n
Matriz de correlaci\u00f3n: m_MD10\n rssi_up rssi_down TEMP Humidity Solar_rad Bar_press. Rainfall\nrssi_up 1.000000 0.062009 -0.103856 0.050208 -0.079344 0.172215 NaN\nrssi_down 0.062009 1.000000 -0.058020 -0.004584 0.002753 0.158011 NaN\nTEMP -0.103856 -0.058020 1.000000 -0.972939 0.841263 -0.673707 NaN\nHumidity 0.050208 -0.004584 -0.972939 1.000000 -0.819612 0.618423 NaN\nSolar_rad -0.079344 0.002753 0.841263 -0.819612 1.000000 -0.361084 NaN\nBar_press. 0.172215 0.158011 -0.673707 0.618423 -0.361084 1.000000 NaN\nRainfall NaN NaN NaN NaN NaN NaN NaN\n<\/code><\/pre>\n\n\n\nLa matriz de correlaci\u00f3n se aplica para cada punto.<\/p>\n\n\n\n
Instrucciones en Python<\/h2>\n\n\n\n# Archivos de sensores y estaci\u00f3n meteorologica\n# correlacion entre medida_Punto y sensor_EM\nimport numpy as np\nimport pandas as pd\nimport datetime as dt\nimport matplotlib.pyplot as plt\nfrom matplotlib.dates import DateFormatter, DayLocator\n\n# INGRESO\n# tabla punto\narchivoPunto = "data_m_MD10.csv"\nmedida_Punto = ["rssi_up","rssi_down"]\nmedida_Punto_u = ["(dBm)","(dBm)"]\n\n# tabla estacion meteorologica\narchivoEM = "2021_10a12EstMeteorologica.csv"\nsensor_EM = ["TEMP","Humidity","Solar_rad",\n "Bar_press.","Rainfall"]\nsensor_EM_u = ["(\u00b0C)","(%)","(kW)",\n "(hPa)","(mm)"]\n\n# carpeta de resultados\ncarpeta_rsm = "correlacion_rsm"\n\n# PROCEDIMIENTO\n# tabla punto\ntablaPt = pd.read_csv(archivoPunto)\ntablaPt = tablaPt.drop(columns='Unnamed: 0')\ntablaPt = pd.DataFrame(tablaPt)\ntablaPt_n = len(tablaPt)\nfechaformatoPt = "%Y-%m-%d %H:%M:%S.%f"\ntablaPt['publishedAt'] = pd.to_datetime(tablaPt['publishedAt'],\n format=fechaformatoPt)\n# tabla estacion meteorologica\ntablaEM = pd.read_csv(archivoEM, sep=';',decimal=',')\ntablaEM = pd.DataFrame(tablaEM)\ntablaEM_n = len(tablaEM)\nfechaformatoEM = "%d\/%m\/%Y %H:%M:%S"\ntablaEM['fecha'] = tablaEM['Date']+' '+tablaEM['Time']\ntablaEM['fecha'] = pd.to_datetime(tablaEM['fecha'],\n format=fechaformatoEM)\n\n# intersecta tablas: punto con estacion meteorologica\n# columnas vacias\nfor j in range(0,len(sensor_EM),1):\n tablaPt[sensor_EM[j]] = np.NAN\n# busca fecha y hora mas cercana\nfor i in range(0,tablaPt_n-1,1):\n fechap = tablaPt['publishedAt'][i]\n donde = tablaEM['fecha'].searchsorted(fechap)\n if donde<tablaEM_n:\n for j in range(0,len(sensor_EM),1):\n sensor_EMvalor = tablaEM[sensor_EM[j]][donde]\n tablaPt.at[i,sensor_EM[j]] = sensor_EMvalor\n\n# Matriz de Correlaci\u00f3n\ncolumnas = medida_Punto.copy()\ncolumnas.extend(sensor_EM)\nmediciones = tablaPt[columnas].copy()\ncorrelacion_matriz = mediciones.corr()\n\n# Para graficas\nti = tablaPt['publishedAt']\nmedida_graf = {}\nuntitulo = archivoPunto.split('.')[0][5:]\nfor i in range(0,len(medida_Punto),1):\n xi = tablaPt[medida_Punto[i]]\n xiavg = np.around(np.average(xi),1)\n xistd = np.around(np.std(xi),2)\n etiq = medida_Punto[i]+' '+str(xiavg)\n etiq = etiq+' +\/- '+str(xistd)\n medida_graf[i] = {'medida':xi,'promedio':xiavg,\n 'std':xistd,'etiqueta':etiq}\n# SALIDA\nprint('Matriz de correlaci\u00f3n:', untitulo)\nprint(correlacion_matriz)\n\n# Guarda archivo de matriz de correlaci\u00f3n\nunresumen = carpeta_rsm+'\/'+untitulo+'_correlacion.csv'\ntablacorr = correlacion_matriz.round(decimals=4)\ntablacorr.to_csv(unresumen)\n\n# Grafica variable vs tiempo --------\ncolores = ['blue','orange','green','magenta']\nfor j in range(0,len(sensor_EM),1): # cada sensor_EM\n graf_ylim =[]\n fig_Pt, graf_EM = plt.subplots(2,1)\n for i in range(0,len(medida_Punto),1): # cada medida_Punto\n # medida del punto\n graf_EM[i].scatter(ti,medida_graf[i]['medida'],\n marker = '.',color=colores[i],\n label=medida_graf[i]['etiqueta'])\n # estacion meteorologica\n eje12 = graf_EM[i].twinx() # eje de izquierda\n yi = tablaPt[sensor_EM[j]]\n eje12.scatter(ti,yi, marker = '.',\n color='lightgreen',label=sensor_EM[j])\n # etiquetas\n graf_EM[i].xaxis.set_major_formatter(DateFormatter('%H:%M'))\n etiq_izq = medida_Punto[i]+' '+medida_Punto_u[i]\n graf_EM[i].set_ylabel(etiq_izq, color=colores[i])\n etiq_der = sensor_EM[j]+' '+sensor_EM_u[j]\n eje12.set_ylabel(etiq_der, color='green')\n graf_EM[i].legend()\n graf_ylim.extend(list(graf_EM[i].get_ylim()))\n\n # ejey subgraficas, limites izquierdo iguales\n y_a = np.min(graf_ylim)\n y_b = np.max(graf_ylim)\n for i in range(0,len(medida_Punto),1):\n graf_EM[i].set_ylim(y_a,y_b)\n # titulos\n titulo_graf = untitulo +': '+medida_Punto[0].split('_')[0]\n titulo_graf = titulo_graf +' vs '+sensor_EM[j]\n graf_EM[0].set_title(titulo_graf)\n fig_Pt.tight_layout()\n # archivo de grafico\n arch_graf = untitulo +'_'+medida_Punto[0].split('_')[0]\n arch_graf = arch_graf +'_'+sensor_EM[j]\n plt.savefig(carpeta_rsm+'\/'+arch_graf+'.png')\n# plt.show()\n\n# Grafica entre variables --------\nfor j in range(0,len(sensor_EM),1): # cada sensor_EM\n fig_Pt, graf_EM = plt.subplots(2,1)\n for i in range(0,len(medida_Punto),1): # cada medida_Punto\n graf_EM[i].scatter(medida_graf[i]['medida'],\n tablaPt[sensor_EM[j]],\n marker = '.',color=colores[i])\n # etiquetas\n etiq_x = medida_Punto[i]+' '+medida_Punto_u[i]\n graf_EM[i].set_xlabel(etiq_x, color=colores[i])\n etiq_y = sensor_EM[j]+' '+sensor_EM_u[j]\n graf_EM[i].set_ylabel(etiq_y, color='green')\n # titulos\n titulo_graf = untitulo +': '+medida_Punto[0].split('_')[0]\n titulo_graf = titulo_graf +' vs '+sensor_EM[j]\n graf_EM[0].set_title(titulo_graf)\n fig_Pt.tight_layout()\n # archivo de grafico\n arch_graf = untitulo +'_'+medida_Punto[0].split('_')[0]\n arch_graf = arch_graf +'_'+sensor_EM[j]\n plt.savefig(carpeta_rsm+'\/'+arch_graf+'.png')\nplt.show()\n<\/pre><\/div>\n\n\nReferencia<\/strong><\/em>: Correlaci\u00f3n y lectura de archivos con Python<\/p>\n\n\n\n