我用Python做設計（一）

---

目錄

• 我用Python做設計一
  • • 目錄
    • 前言
    • 簡介
    • 數據處理
    • 算法分析

前言

　　“鈴鈴鈴，鈴鈴鈴。。。”隨著一陣急促的電話，我知道又要有的忙了。“XX，有一份規劃，著急要，要求和資料我已經發你了，你抓緊看一下，有什么問題給我打電話。”
　　暈，難得的清閑時間，又沒了，開始接收文件，看看是啥。原來是一份本地區的配網自動化規劃設計要求。

簡介

　　看了下要求，原來對本地的配網自動化光纖建設進行規劃，做到本地區配網自動化節點和配變節點的光纖100%覆蓋。要求知道了，下面就是看看，都有哪些資料。

• 本地的當前配電房的GIS的CAD版本

• 本地的當前所有配變的Excel版資料

  　　先對本地區的配網自動化組網方案進行一個簡要的介紹，本地區的配網光線自動化組網方案，采用以太網交換機的光纖環網的組網方案，環網從變電站出發，串接各個自動化節點，最后再回到變電站。然后原則上，一個變電站可以出不超過4個光纖環，一個環，原則上串接不超過25個節點。
  　　要求有了，先熟悉一下資料，看看有啥可用的。
  　　首先先從CAD中導出所有的變電站資料，看看有多少座變電站，他們都在哪兒。

序號變電站坐標X坐標Y坐標Z

1	葉孤城變電站	114.0911	22.5536	0
2	驚云變電站	114.1025	22.5758	0
3	連城變電站	114.1035	22.5716	0
…	…	…	…	…
14	香山變電站	114.1692	22.66	0

　　然后是本地的所有配電房的數據，這個數據就比較多了，然后格式也是一樣的，就不列舉了。
　　下面開始嘗試先對數據有個簡單的感受。

數據處理

　　變電站的數據很少，就先看它。下面，當然是掏出我的大蟒蛇，嘻嘻嘻嘻，將數據處理之后，放進去，代碼很簡單。

import geoplotlib from geoplotlib.utils import read_csv, BoundingBoxdata = read_csv('data/lh_stations.csv') geoplotlib.dot(data, point_size=8) geoplotlib.set_bbox(BoundingBox(22.58, 114.11, 22.53, 114.16)) geoplotlib.show()

　　得到的效果如下：
　　
　　額。。。，好吧，開導自己，我至少知道了這幾個變電站在哪兒，看著這些站的位置還是很不平均的，有些地方空出了很大位置，不曉得會不會影響規劃。
　　先不管了，再看看本地區的配電房都在那里吧。配電房數據，肯定不能這么看了，畢竟它要密的多，所以決定用熱力圖看看，代碼也很簡單。

import geoplotlib from geoplotlib.utils import read_csv, BoundingBox import comdef hist():data = read_csv('data/lh_powerhouses.csv')geoplotlib.hist(data, colorscale='sqrt', binsize=16)geoplotlib.set_bbox(com.boundingBoxDefault)geoplotlib.show()hist()

　　得到的效果如下：
　　
　　
　　圖中，分成若干個矩形區域，然后統計每個矩形區域中的配電房的個數，配電房密度越高，顏色越亮，配電房密度越低，顏色越暗。從中可以看到配電房的分布也是很不均勻的。
　　粗略的計算了一下，按照業主的要求，1個變電站可以接25*4=100個節點，那14座變電站就可以接1400個節點，對當前的規劃來說，是夠用的，那下面開始考慮，該怎么能實現業主的要求能。

算法分析

　　首先想到的就是K-means算法，因為這跟聚類思想很像，假設我如果每個變電站出4個環，然后每個環接不超過25個點的話，通過不斷嘗試每個分組的最小類，來計算所有的分組。因為，如果要考慮每個環接不超過25個點這個條件的話，算法的復雜度會增大，所以，這里先直接調用經典K-means算法。
　　　

K-means算法是硬聚類算法，是典型的基于原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作為優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以歐式距離作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。算法采用誤差平方和準則函數作為聚類準則函數。

　　代碼比上面的稍長一些。

from geoplotlib.colors import create_set_cmap import pyglet from sklearn.cluster import KMeans import geoplotlib from geoplotlib.layers import BaseLayer from geoplotlib.core import BatchPainter from geoplotlib.utils import BoundingBox import numpy as np import comclass KMeansLayer(BaseLayer):def __init__(self, data):self.data = dataself.k = 56def invalidate(self, proj):self.painter = BatchPainter()x, y = proj.lonlat_to_screen(self.data['lon'], self.data['lat'])k_means = KMeans(n_clusters=self.k)k_means.fit(np.vstack([x,y]).T)labels = k_means.labels_self.cmap = create_set_cmap(set(labels), 'hsv')for l in set(labels):self.painter.set_color(self.cmap[l])self.painter.convexhull(x[labels == l], y[labels == l])self.painter.points(x[labels == l], y[labels == l], 2)def draw(self, proj, mouse_x, mouse_y, ui_manager):ui_manager.info('Use left and right to increase/decrease the number of clusters. k = %d' % self.k)self.painter.batch_draw()def on_key_release(self, key, modifiers):if key == pyglet.window.key.LEFT:self.k = max(2,self.k - 1)return Trueelif key == pyglet.window.key.RIGHT:self.k = self.k + 1return Truereturn Falsedata = geoplotlib.utils.read_csv('data/lh_powerhouses.csv') geoplotlib.add_layer(KMeansLayer(data)) geoplotlib.set_smoothing(True) geoplotlib.set_bbox(com.boundingBoxDefault) geoplotlib.show()

　　得到的效果如下：
　　
　　我細數了一下，最多的一個環里面有30+個，所以直接用肯定是不行的。不過暫時看著還像那么回事兒的，把得到的數據，先稍微處理一下，就先這樣向老板交差吧，后面再細細考慮算法的問題。(￣▽￣)”
　

總結

以上是生活随笔為你收集整理的我用Python做设计（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。