Python:csv,DataFrame,Matplotlibの操作例

データ処理のコード例です。

有限要素法解析のポストプロセッサJ-visionから吐き出される応力データを評価使用とすると、自分でデータをこねくり回す必要があります。エクセルではやってられないのでpythonで自動化しました。

私の使い方は、csvからデータフレームとして取り込む＞不要なデータを削除してデータフレームを整形する。＞欲しいデータになるように演算する＞結果を可視化する。という流れが多いです。

一度作ったら、クラス化しておけば後々改造するのが楽ちんになりますので、積極的にやっています。

やっていきましょう。モジュール群をインポートします。

#python3
"""
当該プログラムはLS-Dyna ポストプロセッサ J-Visionによる第１主応力、ミーゼス相当応力などのcsv出力データを取り込み
時系列最大値（場所は問わず）のグラフを出力するスクリプトです。Keita_Nakamori

"""
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as tick # 目盛り操作
import matplotlib.patches as patches # グラフ内へ図形を追加

#python3

"""

当該プログラムはLS-Dyna ポストプロセッサ J-Visionによる第１主応力、ミーゼス相当応力などのcsv出力データを取り込み

時系列最大値（場所は問わず）のグラフを出力するスクリプトです。Keita_Nakamori

"""

%matplotlib inline

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.ticker as tick # 目盛り操作

import matplotlib.patches as patches # グラフ内へ図形を追加

Contents

クラスとメソドです。
csvファイルを読み込んでDataFrameを作成。整理します。

class jvision():
    def __init__(self):
        pass
    
    def show_graph(self,file_addr, save=True):
        """csvデータを読み込んで　データフレームとして整形し　グラフを出力する
        
        args:
            file_addr : csvファイルのアドレス.拡張子
            save      : 出力したグラフを file_addr.png　としてカレントディレクトリに保存する
        
        return : なし
        
        attribute :
            self.df            :整形したデータフレーム
            self.array_max     : 選択した全要素のうち、最大の応力を時系列に並べたリストを表示
            self.max           : 全時刻　選択した全要素の応力の最大値を算出
            self.array_impulse : 選択した全要素の応力の総和を時系列に並べたリスト
            self.impulse       : 全時刻　選択した全要素の力積の総和
                 
        
        """
        # ======== データの整形========
        
        #csvデータの１行目に空白があるのでデータフレームを作成する際に予め定義してエラーを回避する
        col_names = [ 'c{0:02d}'.format(i) for i in range(1000) ]

        #csvデータの１，２行目に日本語があるのでエンコーディングをshift-jisとしてエラーを回避する
        encoding="shift-jis"

        #データフレームを作成する
        df=pd.read_csv(file_addr,names=col_names, encoding="shift-jis")

        #不要なcolumnを削除する
        del df["c00"]

        #不要なindexを削除する
        df = df.drop(range(2))

        #timeをindexとして定義し、不要となったc0を削除する
        time = np.array(df["c01"])
        df.index = time
        del df["c01"]

        # データフレーム内の NAN を含むcolumを削除 .dropna
        df.shape              #削除前のシェイプ(102, 999)
        df = df.dropna(axis=1, how ="all")
        df = df.astype(float) #データフレームのあ中はすべて文字列になっているので数値化する
        df.shape              #削除後のシェイプ(102, 321)
        
        # ======== データの解析========
        
        # 各時刻ごとの最大値を算出
        df_max = df.max(axis=1) # kgf/mm2
        df_max =df_max *9.8     # MPa
        
        #全時刻の最大値を算出
        print(" Max stress in the data : {:.3f} MPa".format(df_max.max(axis=0)))  # MPa
        
        # Figureを設定        #最大値を算出
        df_max = df.max(axis=1) # kgf/mm2
        df_max =df_max *9.8  # MPa
        array_max =np.array(df_max) #np.arrayとして抽出
        fig = plt.figure(figsize=(10, 5))

        # グラフ描画領域を追加
        ax = fig.add_subplot(111)

        # Axesのタイトルを設定
        ax.set_title(file_addr, fontsize = 20)
        
        # 時間timeを表すdf.indexは文字列なのでfloatに変換する
        li=[]
        for i in df.index: 
            li.append(float(i))
        time = li
        
        # 全時刻　選択した全要素の力積の総和
        array_impulse = df.sum(axis=1)*(li[1]-li[0]) # 時系列の力積リスト
        impulse = array_impulse.sum(axis=0)          # 力積の最大値
        
        
        
        #アトリビュートを生成する
        self.df   = df
        self.time = time
        self.array_max = array_max
        self.max = df_max.max(axis=0)
        self.array_impulse = array_impulse
        self.impulse =impulse
        
        # ======== データの可視化========
        
        # データをプロット
        ax.plot(time, array_max,label="stress",color="red",marker="",linestyle="solid" ,linewidth=2 )
        ax.legend(fontsize=20,loc=1)
        plt.xlabel("time / sec",fontsize=20)
        plt.ylabel("Stress / MPa",fontsize=20)
        plt.tick_params(labelsize = 18)
        
        
        # x軸の目盛設定
        #ax.set_xticks( np.arange(0, 0.0010, 0.0002) )
        
        # y軸の目盛設定
        #ax.set_yticks(np.arange(0,1000,10))
        
        #ax.tick_params(direction = "inout", length = 5, colors = "black")
        
        #plt.gca().xaxis.set_minor_locator(tick.MultipleLocator(5))
        #plt.gca().yaxis.set_minor_locator(tick.MultipleLocator(0.1))
        
        
        # グリッド表示をONにする
        plt.grid(which='minor')
        ax.grid(True)
        
        #x,yのリミット範囲を定義する
        ax.set_xlim(0,0.001)
        ax.set_ylim(0,10000)
        
        #保存と表示
        if save==True:
            plt.savefig(file_addr+".png")

        return

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

class jvision():

def __init__(self):

pass

def show_graph(self,file_addr, save=True):

"""csvデータを読み込んで　データフレームとして整形し　グラフを出力する

args:

file_addr : csvファイルのアドレス.拡張子

save : 出力したグラフを file_addr.png　としてカレントディレクトリに保存する

return : なし

attribute :

self.df :整形したデータフレーム

self.array_max : 選択した全要素のうち、最大の応力を時系列に並べたリストを表示

self.max : 全時刻　選択した全要素の応力の最大値を算出

self.array_impulse : 選択した全要素の応力の総和を時系列に並べたリスト

self.impulse : 全時刻　選択した全要素の力積の総和

"""

# ======== データの整形========

#csvデータの１行目に空白があるのでデータフレームを作成する際に予め定義してエラーを回避する

col_names = [ 'c{0:02d}'.format(i) for i in range(1000) ]

#csvデータの１，２行目に日本語があるのでエンコーディングをshift-jisとしてエラーを回避する

encoding="shift-jis"

#データフレームを作成する

df=pd.read_csv(file_addr,names=col_names, encoding="shift-jis")

#不要なcolumnを削除する

del df["c00"]

#不要なindexを削除する

df = df.drop(range(2))

#timeをindexとして定義し、不要となったc0を削除する

time = np.array(df["c01"])

df.index = time

del df["c01"]

# データフレーム内の NAN を含むcolumを削除 .dropna

df.shape #削除前のシェイプ(102, 999)

df = df.dropna(axis=1, how ="all")

df = df.astype(float) #データフレームのあ中はすべて文字列になっているので数値化する

df.shape #削除後のシェイプ(102, 321)

# ======== データの解析========

# 各時刻ごとの最大値を算出

df_max = df.max(axis=1) # kgf/mm2

df_max =df_max *9.8 # MPa

#全時刻の最大値を算出

print(" Max stress in the data : {:.3f} MPa".format(df_max.max(axis=0))) # MPa

# Figureを設定 #最大値を算出

df_max = df.max(axis=1) # kgf/mm2

df_max =df_max *9.8 # MPa

array_max =np.array(df_max) #np.arrayとして抽出

fig = plt.figure(figsize=(10, 5))

# グラフ描画領域を追加

ax = fig.add_subplot(111)

# Axesのタイトルを設定

ax.set_title(file_addr, fontsize = 20)

# 時間timeを表すdf.indexは文字列なのでfloatに変換する

li=[]

for i in df.index:

li.append(float(i))

time = li

# 全時刻　選択した全要素の力積の総和

array_impulse = df.sum(axis=1)*(li[1]-li[0]) # 時系列の力積リスト

impulse = array_impulse.sum(axis=0) # 力積の最大値

#アトリビュートを生成する

self.df = df

self.time = time

self.array_max = array_max

self.max = df_max.max(axis=0)

self.array_impulse = array_impulse

self.impulse =impulse

# ======== データの可視化========

# データをプロット

ax.plot(time, array_max,label="stress",color="red",marker="",linestyle="solid" ,linewidth=2 )

ax.legend(fontsize=20,loc=1)

plt.xlabel("time / sec",fontsize=20)

plt.ylabel("Stress / MPa",fontsize=20)

plt.tick_params(labelsize = 18)

# x軸の目盛設定

#ax.set_xticks( np.arange(0, 0.0010, 0.0002) )

# y軸の目盛設定

#ax.set_yticks(np.arange(0,1000,10))

#ax.tick_params(direction = "inout", length = 5, colors = "black")

#plt.gca().xaxis.set_minor_locator(tick.MultipleLocator(5))

#plt.gca().yaxis.set_minor_locator(tick.MultipleLocator(0.1))

# グリッド表示をONにする

plt.grid(which='minor')

ax.grid(True)

#x,yのリミット範囲を定義する

ax.set_xlim(0,0.001)

ax.set_ylim(0,10000)

#保存と表示

if save==True:

plt.savefig(file_addr+".png")

return

クラスのインスタンスを作成して、メソドを実行します。

# インスタンスの作成
data = jvision()

# 読み込むファイルのアドレスを定義する
file_addr_li =[]

file_addr_li.append("case1_n0_principal_stress.csv")
file_addr_li.append("case1_n1_principal_stress.csv")
file_addr_li.append("case1_n2_principal_stress.csv")
file_addr_li.append("case2_n0_principal_stress.csv")
file_addr_li.append("case2_n1_principal_stress.csv")
file_addr_li.append("case2_n2_principal_stress.csv")
file_addr_li.append("case3_n0_principal_stress.csv")
file_addr_li.append("case3_n1_principal_stress.csv")
file_addr_li.append("case3_n2_principal_stress.csv")



# グラフ作成・保存・アトリビュートのメソド jvision.make_graph()を実行する

stress_dict={}
impulse_dict ={}

for file_addr in file_addr_li:
    data.show_graph(file_addr,save=True)
    
    # 応力の最大値をディクショナリで取得
    stress_dict[file_addr] = data.max # MPa
    
    # 力積の総和をディクショナリで取得
    impulse_dict[file_addr] = data.impulse # MPa・s

# インスタンスの作成

data = jvision()

# 読み込むファイルのアドレスを定義する

file_addr_li =[]

file_addr_li.append("case1_n0_principal_stress.csv")

file_addr_li.append("case1_n1_principal_stress.csv")

file_addr_li.append("case1_n2_principal_stress.csv")

file_addr_li.append("case2_n0_principal_stress.csv")

file_addr_li.append("case2_n1_principal_stress.csv")

file_addr_li.append("case2_n2_principal_stress.csv")

file_addr_li.append("case3_n0_principal_stress.csv")

file_addr_li.append("case3_n1_principal_stress.csv")

file_addr_li.append("case3_n2_principal_stress.csv")

# グラフ作成・保存・アトリビュートのメソド jvision.make_graph()を実行する

stress_dict={}

impulse_dict ={}

for file_addr in file_addr_li:

data.show_graph(file_addr,save=True)

# 応力の最大値をディクショナリで取得

stress_dict[file_addr] = data.max # MPa

# 力積の総和をディクショナリで取得

impulse_dict[file_addr] = data.impulse # MPa・s

結果整理１

#del stress_dict["case3_n0_principal_stress.csv"]
y=stress_dict.values()
x=range(len(y))
plt.bar(x,y)
plt.show()

#del stress_dict["case3_n0_principal_stress.csv"]

y=stress_dict.values()

x=range(len(y))

plt.bar(x,y)

plt.show()

結果整理２

#del impulse_dict["case3_n0_principal_stress.csv"]
y=impulse_dict.values()
x=range(len(y))
plt.bar(x,y)
plt.show()

#del impulse_dict["case3_n0_principal_stress.csv"]

y=impulse_dict.values()

x=range(len(y))

plt.bar(x,y)

plt.show()

以上、参考まで。

この記事を書いた人
最新の記事

クラスとメソドです。
csvファイルを読み込んでDataFrameを作成。整理します。

クラスのインスタンスを作成して、メソドを実行します。

結果整理１

結果整理２

Keita N

最新記事 by Keita N (全て見る)

2024年11月
月	火	水	木	金	土	日
				1	2	3
4	5	6	7	8	9	10
11	12	13	14	15	16	17
18	19	20	21	22	23	24
25	26	27	28	29	30

クラスとメソドです。 csvファイルを読み込んでDataFrameを作成。整理します。

クラスのインスタンスを作成して、メソドを実行します。

結果整理１

結果整理２

Keita N

最新記事 by Keita N (全て見る)

クラスとメソドです。
csvファイルを読み込んでDataFrameを作成。整理します。