电力负荷案例之按照月份、假日可视化数据

analysis_data['month'] = analysis_data['time'].str[5:7]

month_load = analysis_data.groupby('month')['power_load'].mean()

analysis_data['weekday'] = analysis_data['time'].apply(
    lambda x: pd.to_datetime(x).weekday()
)

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 解决中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 生成模拟数据
print("=== 1. 生成模拟数据 ===")

def generate_power_load_data(n_days=90):
    """生成电力负荷数据"""
    np.random.seed(42)
    
    dates = pd.date_range('2024-01-01', periods=n_days*24, freq='h')
    power_load = []
    
    for date in dates:
        hour = date.hour
        dayofweek = date.dayofweek
        month = date.month
        
        # 基础负荷
        if 0 <= hour < 6:
            base_load = 500
        elif 6 <= hour < 9:
            base_load = 800
        elif 9 <= hour < 17:
            base_load = 1000
        elif 17 <= hour < 21:
            base_load = 1200
        else:
            base_load = 700
        
        # 周末调整
        if dayofweek >= 5:
            base_load *= 0.8
        
        # 季节调整
        if month in [12, 1, 2]:
            base_load *= 1.2
        elif month in [6, 7, 8]:
            base_load *= 1.3  # 夏季用电更多
        
        load = base_load + np.random.normal(0, 50)
        power_load.append(max(100, load))
    
    data = pd.DataFrame({
        'time': dates,
        'power_load': power_load
    })
    
    return data

data = generate_power_load_data(n_days=90)
print(f"数据形状: {data.shape}")

# 2. 按月份可视化
print("\n=== 2. 按月份可视化 ===")

def visualize_by_month(data):
    """按月份可视化"""
    analysis_data = data.copy()
    
    # 方法1：字符串切片（如果time是字符串）
    # analysis_data['month'] = analysis_data['time'].str[5:7]
    
    # 方法2：使用dt（如果time是datetime）
    analysis_data['month'] = analysis_data['time'].dt.month
    
    # 按月份分组求平均
    month_load = analysis_data.groupby('month')['power_load'].mean()
    
    print("各月份平均负荷:")
    for month, load in month_load.items():
        print(f"  {month:2d}月: {load:.2f}")
    
    # 绘制折线图
    plt.figure(figsize=(12, 6))
    plt.plot(month_load.index, month_load.values, 'bo-', linewidth=2, markersize=8)
    plt.xlabel('月份')
    plt.ylabel('平均负荷')
    plt.title('各月份平均负荷分布')
    plt.grid(True, alpha=0.3)
    plt.xticks(range(1, 13))
    plt.savefig('month_load.png', dpi=100)
    print("月份负荷图已保存")
    
    return month_load

month_load = visualize_by_month(data)

# 3. 月份分析结论
print("\n=== 3. 月份分析结论 ===")

def month_analysis_conclusions(month_load):
    """月份分析结论"""
    peak_month = month_load.idxmax()
    peak_load = month_load.max()
    
    valley_month = month_load.idxmin()
    valley_load = month_load.min()
    
    print(f"""
月份分析结论:

1. 高峰月份
   - 月份: {peak_month}月
   - 平均负荷: {peak_load:.2f}
   - 原因: 夏季降温用电多

2. 低谷月份
   - 月份: {valley_month}月
   - 平均负荷: {valley_load:.2f}
   - 原因: 气候适宜，用电少

3. 趋势分析
   - 从4月到7月递增
   - 7月、8月用电量最多
   - 建议夏季做好电力储备
""")

month_analysis_conclusions(month_load)

# 4. 按假日（工作日/周末）可视化
print("\n=== 4. 按假日（工作日/周末）可视化 ===")

def visualize_by_weekday(data):
    """按工作日/周末可视化"""
    analysis_data = data.copy()
    
    # 方法1：使用apply和weekday
    analysis_data['weekday'] = analysis_data['time'].apply(
        lambda x: pd.to_datetime(x).weekday()
    )
    
    # 方法2：使用dt（更高效）
    # analysis_data['weekday'] = analysis_data['time'].dt.dayofweek
    
    print("weekday前10条:")
    print(analysis_data[['time', 'weekday']].head(10))
    
    # 按weekday分组求平均
    weekday_load = analysis_data.groupby('weekday')['power_load'].mean()
    
    days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
    
    print("\n各天平均负荷:")
    for i, day in enumerate(days):
        load = weekday_load.iloc[i] if i < len(weekday_load) else 0
        print(f"  {day} (weekday={i}): {load:.2f}")
    
    # 绘制柱状图
    plt.figure(figsize=(10, 6))
    colors = ['blue'] * 5 + ['red'] * 2  # 工作日蓝色，周末红色
    plt.bar(days, weekday_load.values, color=colors, edgecolor='black')
    plt.xlabel('星期')
    plt.ylabel('平均负荷')
    plt.title('工作日和周末平均负荷')
    plt.grid(True, alpha=0.3, axis='y')
    plt.savefig('weekday_load.png', dpi=100)
    print("工作日/周末负荷图已保存")
    
    return weekday_load

weekday_load = visualize_by_weekday(data)

# 5. 工作日 vs 周末对比
print("\n=== 5. 工作日 vs 周末对比 ===")

def compare_weekday_weekend(data):
    """对比工作日和周末"""
    analysis_data = data.copy()
    analysis_data['weekday'] = analysis_data['time'].dt.dayofweek
    
    # 判断是否周末
    analysis_data['is_weekend'] = analysis_data['weekday'].isin([5, 6]).astype(int)
    
    # 分组求平均
    weekend_load = analysis_data.groupby('is_weekend')['power_load'].mean()
    
    print("工作日 vs 周末:")
    print(f"  工作日 (is_weekend=0): {weekend_load.iloc[0]:.2f}")
    print(f"  周末   (is_weekend=1): {weekend_load.iloc[1]:.2f}")
    
    # 计算差异
    diff = weekend_load.iloc[0] - weekend_load.iloc[1]
    pct = diff / weekend_load.iloc[0] * 100
    
    print(f"\n  差异: {diff:.2f} ({pct:.2f}%)")
    print(f"  工作日比周末{'高' if diff > 0 else '低'} {abs(pct):.2f}%")
    
    # 可视化
    plt.figure(figsize=(8, 6))
    labels = ['工作日', '周末']
    plt.bar(labels, weekend_load.values, color=['blue', 'red'], edgecolor='black')
    plt.xlabel('日期类型')
    plt.ylabel('平均负荷')
    plt.title('工作日 vs 周末平均负荷')
    plt.grid(True, alpha=0.3, axis='y')
    
    # 添加数值标签
    for i, v in enumerate(weekend_load.values):
        plt.text(i, v + 10, f'{v:.2f}', ha='center', va='bottom')
    
    plt.savefig('weekday_vs_weekend.png', dpi=100)
    print("对比图已保存")

compare_weekday_weekend(data)

# 6. 综合可视化
print("\n=== 6. 综合可视化 ===")

def comprehensive_visualization(data):
    """综合可视化"""
    analysis_data = data.copy()
    analysis_data['hour'] = analysis_data['time'].dt.hour
    analysis_data['month'] = analysis_data['time'].dt.month
    analysis_data['weekday'] = analysis_data['time'].dt.dayofweek
    analysis_data['is_weekend'] = analysis_data['weekday'].isin([5, 6]).astype(int)
    
    fig = plt.figure(figsize=(20, 40))
    
    # 子图1：负荷整体分布（直方图）
    ax1 = fig.add_subplot(4, 1, 1)
    ax1.hist(analysis_data['power_load'], bins=50, color='skyblue', edgecolor='black')
    ax1.set_xlabel('电力负荷')
    ax1.set_ylabel('频数')
    ax1.set_title('负荷整体分布')
    ax1.grid(True, alpha=0.3)
    
    # 子图2：各小时平均负荷（柱状图）
    ax2 = fig.add_subplot(4, 1, 2)
    hourly_avg = analysis_data.groupby('hour')['power_load'].mean()
    ax2.bar(hourly_avg.index, hourly_avg.values, color='lightgreen', edgecolor='black')
    ax2.set_xlabel('小时')
    ax2.set_ylabel('平均负荷')
    ax2.set_title('各小时平均负荷分布')
    ax2.set_xticks(range(24))
    ax2.grid(True, alpha=0.3)
    
    # 子图3：各月份平均负荷（折线图）
    ax3 = fig.add_subplot(4, 1, 3)
    monthly_avg = analysis_data.groupby('month')['power_load'].mean()
    ax3.plot(monthly_avg.index, monthly_avg.values, 'bo-', linewidth=2, markersize=8)
    ax3.set_xlabel('月份')
    ax3.set_ylabel('平均负荷')
    ax3.set_title('各月份平均负荷分布')
    ax3.set_xticks(range(1, 13))
    ax3.grid(True, alpha=0.3)
    
    # 子图4：工作日和周末平均负荷（柱状图）
    ax4 = fig.add_subplot(4, 1, 4)
    weekend_avg = analysis_data.groupby('is_weekend')['power_load'].mean()
    labels = ['工作日', '周末']
    colors = ['blue', 'red']
    ax4.bar(labels, weekend_avg.values, color=colors, edgecolor='black')
    ax4.set_xlabel('日期类型')
    ax4.set_ylabel('平均负荷')
    ax4.set_title('工作日和周末平均负荷')
    ax4.grid(True, alpha=0.3, axis='y')
    
    plt.tight_layout()
    plt.savefig('comprehensive_distribution.png', dpi=100)
    print("综合可视化图已保存")

comprehensive_visualization(data)

# 7. weekday和apply详解
print("\n=== 7. weekday和apply详解 ===")

def weekday_apply_explanation():
    """weekday和apply详解"""
    print("""
weekday和apply详解:

1. pd.to_datetime
   - 将字符串转成datetime类型
   - pd.to_datetime(x)

2. weekday
   - 获取一周中的第几天
   - 返回值: 0-6
   - 0: 周一, 1: 周二, ..., 5: 周六, 6: 周日

3. apply
   - 对每个值做操作
   - analysis_data['time'].apply(lambda x: ...)

4. 使用方法
   # 方法1: apply + weekday
   analysis_data['weekday'] = analysis_data['time'].apply(
       lambda x: pd.to_datetime(x).weekday()
   )
   
   # 方法2: dt.dayofweek (更高效)
   analysis_data['weekday'] = analysis_data['time'].dt.dayofweek

5. 判断周末
   analysis_data['is_weekend'] = analysis_data['weekday'].isin([5, 6]).astype(int)
""")

weekday_apply_explanation()

# 8. Jupyter Notebook建议
print("\n=== 8. Jupyter Notebook建议 ===")

def jupyter_notebook_tips():
    """Jupyter Notebook建议"""
    print("""
Jupyter Notebook建议:

1. 优势
   - 分段式执行
   - 避免重复执行前面代码
   - 适合数据探索和分析

2. 使用场景
   - 数据预处理
   - 特征工程
   - 数据可视化
   - 模型调试

3. 建议
   - 数据探索时使用Jupyter
   - 项目部署时使用.py文件
   - 可以拆解步骤，逐步执行
""")

jupyter_notebook_tips()

# 9. 完整可视化代码
print("\n=== 9. 完整可视化代码 ===")

def complete_visualization_code():
    """完整可视化代码"""
    print("""
def analysis_data(data):
    \"\"\"查看数据分布\"\"\"
    analysis_data = data.copy()
    
    # 提取特征
    analysis_data['hour'] = analysis_data['time'].dt.hour
    analysis_data['month'] = analysis_data['time'].dt.month
    analysis_data['weekday'] = analysis_data['time'].dt.dayofweek
    analysis_data['is_weekend'] = analysis_data['weekday'].isin([5, 6]).astype(int)
    
    # 创建画布
    fig = plt.figure(figsize=(20, 40))
    
    # 子图1: 负荷整体分布
    ax1 = fig.add_subplot(4, 1, 1)
    ax1.hist(analysis_data['power_load'], bins=50)
    ax1.set_title('负荷整体分布')
    
    # 子图2: 各小时平均负荷
    ax2 = fig.add_subplot(4, 1, 2)
    hourly_avg = analysis_data.groupby('hour')['power_load'].mean()
    ax2.bar(hourly_avg.index, hourly_avg.values)
    ax2.set_title('各小时平均负荷')
    
    # 子图3: 各月份平均负荷
    ax3 = fig.add_subplot(4, 1, 3)
    monthly_avg = analysis_data.groupby('month')['power_load'].mean()
    ax3.plot(monthly_avg.index, monthly_avg.values, 'bo-')
    ax3.set_title('各月份平均负荷')
    
    # 子图4: 工作日和周末
    ax4 = fig.add_subplot(4, 1, 4)
    weekend_avg = analysis_data.groupby('is_weekend')['power_load'].mean()
    ax4.bar(['工作日', '周末'], weekend_avg.values)
    ax4.set_title('工作日和周末平均负荷')
    
    plt.tight_layout()
    plt.savefig('data_distribution.png', dpi=100)
""")

complete_visualization_code()

# 10. 总结
def visualization_summary():
    """可视化总结"""
    print("=" * 50)
    print("数据可视化总结")
    print("=" * 50)
    
    print("\n1. 按月份可视化")
    print("   提取month: dt.month")
    print("   分组求平均: groupby('month').mean()")
    print("   绘制折线图")
    
    print("\n2. 按假日可视化")
    print("   提取weekday: apply(lambda) 或 dt.dayofweek")
    print("   判断周末: isin([5, 6])")
    print("   分组求平均")
    print("   绘制柱状图")
    
    print("\n3. 分析结论")
    print("   7-8月用电最多（夏季降温）")
    print("   工作日用电比周末多")
    
    print("\n4. 工具建议")
    print("   数据探索用Jupyter Notebook")
    print("   项目部署用.py文件")
    
    print("\n" + "=" * 50)
    print("数据可视化完成!")
    print("=" * 50)

visualization_summary()

analysis_data['weekday'] = analysis_data['time'].apply(
    lambda x: pd.to_datetime(x).weekday()
)

analysis_data['weekday'] = analysis_data['time'].dt.dayofweek

analysis_data['is_weekend'] = analysis_data['weekday'].isin([5, 6]).astype(int)