2019118_四个化学数据分析(2)

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
%matplotlib inline

test=pd.read_excel('干气重整过程反应物及生成物浓度数据表.xlsx')

通过分析选择性，在三个催化剂里面选出来一个性能比较好的的一个催化剂

test.head()

	催化剂	剩余量_c(CH4)	剩余量_c(CO2)	生成量_c(CO)	生成量_c(H2)	转化率_X(CH4)	转化率_X(CO2)	选择性_S(H2)	选择性_S(CO)	转化量_CH4	转化量_CO2	初始量	time
0	催化剂A	18.59	14.160	17.24	6.306	0.2564	0.43360	0.491888	0.999420	6.41	10.840	25	0.0
1	催化剂A	19.08	13.980	16.38	6.961	0.2368	0.44080	0.587922	0.966942	5.92	11.020	25	0.5
2	催化剂A	18.91	13.060	17.13	6.837	0.2436	0.47760	0.561330	0.950083	6.09	11.940	25	1.0
3	催化剂A	16.37	10.010	21.94	9.175	0.3452	0.59960	0.531576	0.928874	8.63	14.990	25	1.5
4	催化剂A	14.20	8.001	25.94	10.490	0.4320	0.67996	0.485648	0.933127	10.80	16.999	25	2.0

时间为0.5时

test_0_5=test.loc[test['time']==0.5]

test_0_5

	催化剂	剩余量_c(CH4)	剩余量_c(CO2)	生成量_c(CO)	生成量_c(H2)	转化率_X(CH4)	转化率_X(CO2)	选择性_S(H2)	选择性_S(CO)	转化量_CH4	转化量_CO2	初始量	time
1	催化剂A	19.080	13.9800	16.380	6.961	0.2368	0.440800	0.587922	0.966942	5.920	11.0200	25	0.5
12	催化剂B	22.990	20.1000	6.622	1.954	0.0804	0.196000	0.486070	0.958321	2.010	4.9000	25	0.5
24	催化剂C	2.065	0.6399	46.530	40.450	0.9174	0.974404	0.881840	0.983823	22.935	24.3601	25	0.5

只能是 在同样的反应时间里，比较三种催化剂对同一种物质的选择性

plt.bar(test_0_5['催化剂'],test_0_5['选择性_S(H2)'])

<BarContainer object of 3 artists>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-u5bRkDTg-1574997026493)(output_8_1.png)]

plt.bar(test_0_5['催化剂'],test_0_5['选择性_S(CO)'])

<BarContainer object of 3 artists>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ActCs8pQ-1574997026494)(output_9_1.png)]

test_A=test.loc[test['催化剂']=='催化剂A']
test_B=test.loc[test['催化剂']=='催化剂B']
test_C=test.loc[test['催化剂']=='催化剂C']

选择性_S(H2)

fig, ax = plt.subplots()
ax.plot(test_A['time'],test_A['选择性_S(H2)'], label='催化剂A')
ax.plot(test_B['time'],test_B['选择性_S(H2)'], label='催化剂B')
ax.plot(test_C['time'],test_C['选择性_S(H2)'], label='催化剂C')
ax.set(ylabel='Temperature (deg C)', xlabel='Time', title='A tale of two cities')
ax.legend()
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BLw8AeiT-1574997026495)(output_12_0.png)]

选择性_S(CO)

fig, ax = plt.subplots()
ax.plot(test_A['time'],test_A['选择性_S(CO)'], label='催化剂A')
ax.plot(test_B['time'],test_B['选择性_S(CO)'], label='催化剂B')
ax.plot(test_C['time'],test_C['选择性_S(CO)'], label='催化剂C')
ax.set(ylabel='Temperature (deg C)', xlabel='Time', title='A tale of two cities')
ax.legend()
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WGQ6rBsJ-1574997026495)(output_14_0.png)]

test.head()

	催化剂	剩余量_c(CH4)	剩余量_c(CO2)	生成量_c(CO)	生成量_c(H2)	转化率_X(CH4)	转化率_X(CO2)	选择性_S(H2)	选择性_S(CO)	转化量_CH4	转化量_CO2	初始量	time
0	催化剂A	18.59	14.160	17.24	6.306	0.2564	0.43360	0.491888	0.999420	6.41	10.840	25	0.0
1	催化剂A	19.08	13.980	16.38	6.961	0.2368	0.44080	0.587922	0.966942	5.92	11.020	25	0.5
2	催化剂A	18.91	13.060	17.13	6.837	0.2436	0.47760	0.561330	0.950083	6.09	11.940	25	1.0
3	催化剂A	16.37	10.010	21.94	9.175	0.3452	0.59960	0.531576	0.928874	8.63	14.990	25	1.5
4	催化剂A	14.20	8.001	25.94	10.490	0.4320	0.67996	0.485648	0.933127	10.80	16.999	25	2.0

x=test.drop(['催化剂','初始量','time'],axis=1)

data = np.array(x)

from sklearn import preprocessing
from sklearn.cluster import AgglomerativeClustering
min_max_scaler = preprocessing.MinMaxScaler()

data_M = min_max_scaler.fit_transform(data)

ac = AgglomerativeClustering(n_clusters=3, affinity='euclidean', linkage='ward')
ac.fit(data_M)

AgglomerativeClustering(affinity='euclidean', compute_full_tree='auto',
            connectivity=None, linkage='ward', memory=None, n_clusters=3,
            pooling_func=<function mean at 0x000002B7F2B5F378>)

labels = ac.fit_predict(data_M)
print(labels)

[0 0 0 0 0 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1]

plt.scatter(data_M[:,0], data_M[:,1], c=labels)
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dKHhKBE4-1574997026495)(output_22_0.png)]