Discussion :

[Thomas1875]

Voilà j'ai un exercice python a faire pour mon école problème je n'y arrive vraiment pas j'espère que vous pourrez m'aider c'est la première fois que je vais sur un forum je sais pas trop comment ça se passe, voilà mon intitulé.
Nous allons analyser le fichier des mesures quotidien du nombre de tâches solaires
recensées dans les deux hémisphères du Soleil. Le but est d'identifier la période du
cycle solaire et d'identifier s'il existe des différences entre l'apparition des tâches
solaires entre les deux hémisphères.
Dans la page web de l'URL https://wwwbis.sidc.be/silso/datafiles déployer la section
"Hemispheric sunspot numbers" puis télécharger le fichier TXT correspondant à"Daily hemispheric sunspot number [1/1/1992 – now]".
Charger l'ensemble du contenu du fichier mémoire et extraire la date (colonne 2), le
nombre de tâches de l'hémisphère nord (colonne 4) et le nombre de tâches de
l'hémisphère sud (colonne 5).
A l'aide des librairies numpy et matplotlib on affichera les données en séparant les
deux hémisphères. La suite de ce projet consiste à utiliser les outils de numpy pour
savoir si l'apparition des tâches sur la surface du Soleil se produite en même temps ou
non pour les deux hémisphères.

[wiztricks]

Salut,

Voilà j'ai un exercice python a faire pour mon école problème je n'y arrive vraiment pas j'espère que vous pourrez m'aider c'est la première fois que je vais sur un forum je sais pas trop comment ça se passe, voilà mon intitulé.

Ça serait mieux de poster le code que vous avez essayé de faire et de poser des questions sur ce qui ne va pas ou que vous n'arrivez pas à faire.

- W

[Diablo76]

Salut,

Dans la page web de l'URL https://wwwbis.sidc.be/silso/datafiles déployer la section
"Hemispheric sunspot numbers" puis télécharger le fichier TXT correspondant à"Daily hemispheric sunspot number [1/1/1992 – now]".
Charger l'ensemble du contenu du fichier mémoire et extraire la date (colonne 2), le
nombre de tâches de l'hémisphère nord (colonne 4) et le nombre de tâches de
l'hémisphère sud (colonne 5).

Déjà plusieurs choses ne vont pas entre ce que l'on te demande de faire et le fichier à charger.
la date se compose de la colonne 0 pour l'année, la colonne 1 pour le mois et la colonne 2 pour le jour.
La colonne 4 correspond au total des deux hémisphères, c'est donc la colonne 5 pour le Nord et 6 pour le Sud.

[lg_53]

Il a l'air cool ce petit projet. Comme dit précédemment, aucune aide si vous ne présentez pas de code.

[jurassic pork]

hello,
comme le fait remarquer Diablo76 , le contenu du fichier à télécharger ne correspond pas à ce qui est écrit dans l'énoncé :

TXT : all years from 1992 to last elapsed month-------------------------------------------------------------------------------
Filename: SN_d_hem_V2.0.txt


Format: plain ASCII text


Contents:
Columns 1-3: Gregorian calendar date
Column 1: Year
Column 2: Month
Column 3: Day
Column 4: Date in fraction of year
Column 5: Daily total sunspot number.
Column 6: Daily North sunspot number.
Column 7: Daily South sunspot number.
Column 8: Standard deviation of raw daily total sunspot data

Ami calmant, J.P

[Invité]

Bien vu Diablo76 !

Par contre question annexe pour les pros, c'est plus efficace et rapide d'utiliser numpy que statistics avec un peu de traitement de données ?

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
with open(r'C:\Users\toto\Downloads\SN_d_hem_V2.0.txt', 'r') as file:
    text = file.read().splitlines()
 
donnees = []
for line in text:
    w = line.split()
    donnees.append({w[2]+' '+w[1]+' '+w[0]: (w[5], w[6])})

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
>>> donnees[0]
{'01 01 1992': ('0', '186')}

Suivi d'un truc du genre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
#Pour le graph :
plt.plot(list(donnees.keys()), list(donnees.values()),'#00BAEE', label="Légende")
 
#Pour les stats (exemple) :
moyenne = statistics.mean([v[0] for dico in donnees for v in dico.values()]))

[wiztricks]

Par contre question annexe pour les pros, c'est plus efficace et rapide d'utiliser numpy que statistics avec un peu de traitement de données ?

Pour répondre à ce genre de question, les pros commenceront par chercher sur Internet puis s'ils sont dans un cas particulier où économiser du temps CPU est important, ils testent...

- W

[Invité]

Okay Wiz !

Visiblement pour la moyenne il n'y a quasi aucune différence de performance entre statistics et numpy avec les données du PO...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
import matplotlib, time
import numpy as np
import statistics
 
with open(r'C:\Users\cedri\Downloads\SN_d_hem_V2.0.txt', 'r') as file:
    text = file.read().splitlines()
 
 
print('Statistics :')    
st = time.time()
donnees = []
for line in text:
    w = line.split()
    donnees.append({w[2]+' '+w[1]+' '+w[0]: (int(w[5]), int(w[6]))})
inter = time.time()-st
print('Etape intermédiaire :',round(inter*1000,2))
print('Moyenne :',statistics.mean([v[0] for dico in donnees for v in dico.values() ]), 'Temps nécessaire :',round((time.time()-st-inter)*1000,2))
 
print('\n')
 
print('Numpy :')  
st = time.time()
tableau = []
for line in text:
    w = line.split()
    tableau.append([int(w[2]),int(w[1]),int(w[0]),int(w[5]),int(w[6])])
inter = time.time()-st
print('Etape intermédiaire :',round(inter*1000,2))
a = np.array(tableau)
print('Moyenne :',np.mean(a, axis=0)[3], 'Temps nécessaire :',round((time.time()-st-inter)*1000,2))

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
Statistics :
Etape intermédiaire : 10.97
Moyenne : 30.03577295126848 Temps nécessaire : 8.98
 
 
Numpy :
Etape intermédiaire : 18.95
Moyenne : 30.03577295126848 Temps nécessaire : 8.58

(Temps en msec)