make_GEI

step

切 cut(1、2、3) -> 疊GEI(4) -> 正規化(5) -> 畫圖(6) and GEI 正規化後的結果 K-means 分群(1、2)

cut

1. CountLevelNum.py

   輸入PM2.5原始資料，判斷每小時10*10的空汙圖每一格的等級，輸出每張圖各等級數量 output 存放在 countLevelNum 切 cut 前置作業

   • input: 2018micro.csv
   • output: 2018micro_CountNum.csv 正規化後的 GEI 分群
   • input: GEI_origin_regular.csv、GEI_Level_regular.csv
   • output:GEI_origin_regular_countNum.csv、GEI_Level_regular_countNum.csv

2. cluster.py

   用 k-means 分群 output 存放在 clstering cut 前置作業

   • input: 2018micro_countNum.csv
   • output:2018micro_cluster.csv 正規化後的 GEI 分群
   • input: GEI_origin_regular_countNum.csv、GEI_Level_regular_countNum.csv
   • output:GEI_origin_regular_cluster.csv、GEI_Level_regular_cluster.csv

3. cut.py

   現在檢查的這一張和前張的所屬群不同，此張視為cut cut 和 cut 之間 (shot)，圖片數量至少為 3 張

   • input: 2018micro_cluster.csv
   • output: 2018micro_cut.csv

準備的數據

• 2018micro.csv
• level.csv

1. covertToLevel.py

   將原始數據轉為空汙 PM2.5 等級劃分

   • input: 2018micro.csv
   • ouput: level.csv

GEI

4. GEI.py

   將cut和cut之間的shot疊成GEI output 存放在 GEI_data

   • input: 2018micro.csv、2018level.csv、cut~3.csv
   • outpput:GEI_origin.csv、GEI_level.csv 數據結果: 發現某幾筆數據特別大 (NO.1301 -> 1145、1146)，其餘大部分落在 0~45

5. regular.py

   將資料正規化 output 存放在 GEI_regular

   • input: GEI_origin.csv、GEI_level.csv
   • output: GEI_origin_regular.csv、GEI_level_regular.csv

6. userDataPic.py

   將數據畫圖 越黑代表越乾淨，越白代表空汙越嚴重

   • input: GEI_origin_regular.csv、GEI_level_regular.csv
   • output: GEI 圖片

contrast切

1. regular.py

   將資料正規化 --- 單張 GEI 正規化(凸顯特徵用，所以顏色不表示空汙的絕對等級)

   • input: GEI_origin.csv、GEI_level.csv
   • output: GEI_origin_singleRegular.csv、GEI_level_singleRegular.csv

2. userDataPic.py

   畫圖

   • input: GEI_origin_singleRegular.csv、GEI_level_singleRegular.csv
   • output: GEI 圖片