ladyLein startpagina

0. R install & library
1. R start
2. Vectoren
(een rij waarden)

3. Matrixen
(tabellen)

4. Statistieken
(min, max, gemiddelde, standaard defiatie)

5. Factoren
(-categorieën/typen)

6. Data frames
(wat is een dataframe,
inlezen txt en csv bestanden)

7. Correlatie in de grafiek
8. Plot
9. GGplot2
(lijn, staaf, taart)

10. Functies
(o.a.if else, for, while, string, datum)

11. SQL / dplyr
(gegevens ophalen uit tabellen)

12. WAR meetkastjes en KNMI
- Locaties meetkastjes
- Data één meetkastje
- Meerdere meetkastjes +tijdreeks
- KNMI data
- WAR met KNMI data
- Analyse meetkastjes
- Waarnemingen
13. Qgis
gegevens op de kaart zetten



Analyse meetkastjes data


Haal de data van meerdere meetkastjes op

# maak een variabele genaamd 'start', met het beginmoment van je grafiek
start<-"2017-10-20,00:00"

# maak een variabele genaamd 'eind', met het eindmoment van je grafiek
end<-"2018-01-15,23:59"

# maak variabele 'ids', met het nummer van de sensor die je wilt bekijken
# voorbeelden: "13", "13,14", "1-50", "1,2,10-20", etc.
ids<-"1-50"
ids<-"121,104"
ids<-"11,14,19,26,31,37,41,47" (windroos)
ids<-"67,60,74,22,10" (centrum, west, zuid, noord, oost)

# haal de data op van de server van Meet je Stad
data<-read.table(paste("http://meetjestad.net/data?
type=sensors&start=",start,"&end=",end,"&ids=",ids,"&format=csv", sep=""), sep="\t", header=T)

# op de server zijn alle metingen opgeslagen in Universal Time Code. Laten we deze globale tijd omrekenen naar onze lokale tijd
ts<-as.POSIXct(data$timestamp, origin="1970-01-01", tz="UTC")
data$localtime<-as.POSIXct(ts, "CET")
attributes(data$localtime)$tzone <- "CET"

# zoek de hoogste en de laagste temperatuur van de opgehaalde datareeks
# we gebruiken het 5e en 95e percentiel van de meetwaarden, en trekken daar 1 graad of of tellen het erbij
ylow<-quantile(data$temperature,0.05)-1
yhigh<-quantile(data$temperature,0.95)+1

# maak een grafiek van de data (lijnen)
ggplot(data=data, aes(localtime,temperature, colour = as.factor(id))) +
geom_line(aes(group = as.factor(id)) ) +
ylim(ylow,yhigh)



Alles goed zetten tov elkaar

# Maak een vector met de vroegste en laatste tijd
tsrange <- range(data$localtime)
# rond deze start- en eindtijd af naar het dichtstbijzijnde kwartier
startkwartier<-as.POSIXlt(round(as.double(tsrange[1])/(15*60))*(15*60),origin=(as.POSIXlt('1970-01-01')))
eindkwartier<-as.POSIXlt(round(as.double(tsrange[2])/(15*60))*(15*60),origin=(as.POSIXlt('1970-01-01')))
# maak een reeks van het beginkwartier tot het eindkwartier in stappen van 15 minuten
tssequence <- seq(startkwartier+15*60,eindkwartier-15*60, by=15*60)
# maak een data frame met een lege matrix voor alle stations en kwartieren
matrix<-data.frame(matrix(,nrow=length(levels(factor(data$id))),ncol=length(tssequence) ) )

# vul de matrix
# van iedere reeks metingen van een station,
# berekenen we de lineaire interpolartie naar de kwartier tijden
j<-0
for (i in as.numeric(levels(factor(data$id))) ) {
tree <- subset(data, id==i)
ltime <- tree$localtime
if (length(ltime) > 1) {
j<-j+1
interpol<-approx( as.numeric(ltime),tree$temperature, xout=as.numeric(tssequence), rule=1, method = "linear", ties=mean)
matrix[j,] <- c(interpol$y)
}
}
# geeft de kolommen en rijen namen
colnames(matrix)<-tssequence
rownames(matrix)<-levels(factor(data$id))

ja ja .... (ik ben geen gevorderde)

Analyses

Een simpele plot van de (getransponeerde) matrix

matplot(t(matrix), type="l")

Bereken de gemiddelde temperatuur per station

1 = rij, 2 = kolom
apply(matrix,1,mean, na.rm=T)


Bereken de minima en de maxima

apply(matrix,1,max, na.rm=T)
apply(matrix,1,min, na.rm=T)


Bereken de gemiddelde temperatuur van alle stations, per kwartier

apply(matrix,2,mean, na.rm=T)
lange lijst voor elk kwartier
plaatje van laatste 4 kwartieren

Plot de modale temperatuur


Modaal is het meest voorkomende, het gemiddelde is het gemiddelde.
mediantemp <- as.numeric(apply(matrix,2,median, na.rm=T))
plot(tssequence, mediantemp,ylab="temperatuur", xlab="tijd", type="b", col="blue")

type="b" zowel punten als een lijn

Plot het verschil tov de modale temperatuur

matplot(t(matrix)-mediantemp, type="l")

De maximale afwijking van het gemiddelde per station

apply(t(matrix)-mediantemp,2,max, na.rm=T)

Plot het verschil tussen 2 stations

Zorg dat ze in de data frame zitten!
station1<-104
station2<-121
plot(tssequence, as.numeric(matrix[levels(factor(data$id))==station1,] - matrix[levels(factor(data$id))==station2,]), ylab="temperatuur", xlab="tijd", type="b", col="blue")


Zoek de maximale standaard deviatie tussen de stations

max(apply(matrix,2,sd, na.rm=T))


Zoek het tijdstip met de maximale standaard deviatie tussen de stations

which.max(apply(matrix,2,sd, na.rm=T))

Plot de standaard deviatie

plot(tssequence, apply(matrix,2,sd, na.rm=T),
ylab="sd temperatuur", xlab="tijd", type="b", col="blue")
Is bij twee stations hetzelfde als het verschil tussen twee stations
Deze wordt pas leuk bij meerdere stations



Stations die meer dan 10 graden afwijken!

slechtestations <- abs(apply(t(matrix)-mediantemp,2,max, na.rm=T)) > 10
which(slechtestations==T)
antwoord 0, deze twee stations wijken niet meer dan 10 graden af

Stations minder dan 10 graden afwijken

goedematrix <- matrix[!slechtestations,]
matplot(t(goedematrix), type="l")




Terug naar top