import pandas as pd
df = pd.DataFrame({"column_a": [1.1, 2.1, 3.5],
"column_b": [2.4, 5.2, 2.2]}, index=[0, 'max_b', 2])
df.index.name = "index"
df
column_a | column_b | |
---|---|---|
index | ||
0 | 1.1 | 2.4 |
max_b | 2.1 | 5.2 |
2 | 3.5 | 2.2 |
sdata steht für strukturierte Daten. sdata
ist eine unter der MIT-Lizenz veröffentlichte open-source Python-Bibiothek, welche das sdata-Format unterstützt. Installiert wird die Bibliothek mittels pip install sdata
. Die Dokumentation wird unter sdata.readthedocs.io veröffentlicht.
import sdata
print("sdata v{}".format(sdata.__version__))
sdata v0.8.4
Das sdata-Datenformat Data
besteht aus drei Komponenten: den Daten (hier eine Tabelle table
), den Metadaten metadata
(name
, uuid
, ...) und einer Beschreibung der Daten description
.
data = sdata.Data(name="my data name", table=df, description="my data description")
print("data: \t {0}".format(type(data)))
print("data.metadata: \t {0}".format(type(data.metadata)))
print("data.table: \t {0}".format(type(data.table)))
print("data.description:\t {0}".format(type(data.description)))
data: <class 'sdata.Data'> data.metadata: <class 'sdata.metadata.Metadata'> data.table: <class 'pandas.core.frame.DataFrame'> data.description: <class 'str'>
Jeder Datensatz Data
benötigt einen Namen name
. Die vom User vorgegebene Identifikation des Datensatzes ist aber mit einer hohen
Wahrscheinlichkeit nicht eindeutig, da i.d.R sehr kurze Bezeichnungen gewählt werden.
data = sdata.Data(name="basic example")
print("data.name:\t '{0.name}'".format(data))
data.name: 'basic example'
Zur Identifikation eines Datensatzes ist eine möglichst eindeutige Bezeichnung hilfreich. Üblicherweise wird hierzu ein sogenannter Universally Unique Identifier [uuid
] (https://de.wikipedia.org/wiki/Universally_Unique_Identifier) verwendet. Diese Merkmale eines Datensatzes werden im sdata-Format in den Metadaten gespeichert. Diese uuid
wird automatisch bei jeder Instanziierung eines sdata.Data
-Objektes generiert.
data = sdata.Data(uuid="8b1e85eded1241eb854be3365bcf9884")
print("data.uuid:\t '{0.uuid}'".format(data))
data.uuid: '8b1e85eded1241eb854be3365bcf9884'
Die uuid
kann aber auch basierend auf einem - möglichst eindeutigen - Names generiert werden.
my_uuid = sdata.uuid_from_str("Das ist ein möglichst eindeutiger Name für die Daten")
data = sdata.Data(uuid=my_uuid)
print("data.uuid:\t '{0.uuid}'".format(data))
data.uuid: '06f8c76b037c3636a40246f024e87574'
Die Komponente metadata
hat also mindestenz zwei Attribute name
und uuid
. Die einfachste Form eines Attributes
stellt ein key-value-Tupel dar, d.h. eine Verknüpfung einer Bedeutung mit einer Ausprägung, z.B. Augenfarbe="blau"
oder name="basic example"
.
attribute1 = sdata.Attribute("Augenfarbe", "blau")
attribute1
(Attr'Augenfarbe':blau(str))
Ein Attribut
(Eigenschaft) des Datenobjektes hat im sdata-Format die Felder
name
... Name des Attributesvalue
... Wert des Attributesdtype
... Datentyp des Attributwertes values
(default=str
)unit
... physikalische Einheit des Attributes (optional)description
... Beschreibung des Attributes (optional)label
... optionales Label des Attributes, z.B. für Plotzwecke attribute2 = sdata.Attribute(name="answer",
value=42,
dtype="int",
unit="-",
description="""The Answer to the Ultimate Question of Life, The Universe, and Everything""",
label="Die Antwort")
attribute2.to_dict()
{'name': 'answer', 'value': 42, 'unit': '-', 'dtype': 'int', 'description': 'The Answer to the Ultimate Question of Life, The Universe, and Everything', 'label': 'Die Antwort'}
Attribute werden in den Metadaten gespeichert.
metadata = sdata.Metadata()
metadata.add(attribute1)
metadata.add(attribute2)
print(metadata)
print(metadata.df)
(Metadata'N.N.':3 ['sdata_version', 'Augenfarbe', 'answer']) name value dtype unit \ key sdata_version sdata_version 0.8.4 str - Augenfarbe Augenfarbe blau str - answer answer 42 int - description label key sdata_version Augenfarbe answer The Answer to the Ultimate Question of Life, T... Die Antwort
Ein Attribut - auch Eigenschaft genannt - stellt demnach ein Merkmal des Datenobjektes dar. Nützlich ist auch eine
Angabe einer physikalischen Größe, welche i.d.R. Einheiten behaftet ist. Exemplarisch ist hier ein Attribut
Temperatur
mit der Ausprägung 25.4°C
aufgeführt. Die physikalische Einheit wird im Attributfeld unit
abgelegt
(unit="degC"
) und der Zahlenwert im Feld value=25.4
. Da eine physikalische Größe aus dem Produkt einer (reelen) Zahl und
einer physikalischen Einheit besteht, sieht das sdata-Attribut-Format auch ein Attributfeld dtype
zur Definition des Datentypes für den Attributwert value
vor. Ferner kann jedes Attribut im Feld description
genauer beschrieben werden. Optional kann auch ein Label für Plot-Zwecke angegeben werden.
data = sdata.Data(name="basic example",
uuid="38b26864e7794f5182d38459bab85842",
table=df)
data.metadata.add("Temperatur",
value=25.4,
dtype="float",
unit="degC",
description="Temperatur",
label="Temperatur T [°C]")
print(data.metadata.df)
name value dtype unit \ key sdata_version sdata_version 0.8.4 str - name name basic example str - uuid uuid 38b26864e7794f5182d38459bab85842 str - Temperatur Temperatur 25.4 float degC description label key sdata_version name uuid Temperatur Temperatur Temperatur T [°C]
Das eigentliche Datenobjekt table
ist als pandas.DataFrame
repräsentiert, d.h. jede Zelle der Tabelle ist durch
ein Tupel (index, column) indiziert. Jede Spalte (column
) ist durch den Spaltennamen (hier z.B. time
oder temperature
) indizierbar.
Jede Zeile (row
) ist durch den index
indiziert, wobei der index
auch alphanumerisch sein kann (z.B. 'max_temp').
df = pd.DataFrame({"time": [1.1, 2.1, 3.5],
"temperature": [2.4, 5.2, 2.2]}, index=[0, 'max_temp', 2])
df.index.name = "index"
df
time | temperature | |
---|---|---|
index | ||
0 | 1.1 | 2.4 |
max_temp | 2.1 | 5.2 |
2 | 3.5 | 2.2 |
Die Beschreibung description
ist vom Typ str
.
data.description = "Messergebnis Temperatur."
print(data.description)
Messergebnis Temperatur.
Es ist möglich eine vereinfachte Auszeichnungssprache wie Markdown verwendbar. Beispielhaft ist hier Datenbeschreibung mit Überschriften und Formel aufgeführt.
data.description = r"""# Messergebnis Temperatur
## subheader
a remarkable text
Bullet list:
- aaa
- aaa.b
- bbb
Numbered list:
1. foo
1. bar
$f(x) = \frac{1}{2}\sin(x)$
code:
name = "basic example"
A [Link](https://github.com/lepy/sdata)."""
print(data.description)
# Messergebnis Temperatur ## subheader a remarkable text Bullet list: - aaa - aaa.b - bbb Numbered list: 1. foo 1. bar $f(x) = \frac{1}{2}\sin(x)$ code: name = "basic example" A [Link](https://github.com/lepy/sdata).
Die Daten bestehen aus einer Tabelle mit zwei Spalten für die Zeit und eine gemessene Temperatur.
df = pd.DataFrame({"time": [1.1, 2.1, 3.5],
"temperature": [2.4, 5.2, 2.2]},
index=[0, 'max_temp', 2])
df
time | temperature | |
---|---|---|
0 | 1.1 | 2.4 |
max_temp | 2.1 | 5.2 |
2 | 3.5 | 2.2 |
Das sdata.Data
-Objekt wird mit einen Names und einer aus dem Namen generierten uuid
versehen. Weiterhin wird für jede Spalte der Tabelle ein Attribut definiert, welche u.a. die physikalische Einheit der Spaltenwerte abbildet.
data_name = "Temperaturmessung-001"
data = sdata.Data(name=data_name,
uuid=sdata.uuid_from_str(data_name),
table=df,
description="Messergebnis Temperatur")
data.metadata.add("time",
value=None,
dtype="float",
unit="s",
description="Zeitachse",
label="time $t$")
data.metadata.add("temperature",
value=None,
dtype="float",
unit="°C",
description="Zeitachse",
label="temperature $T$")
data.describe()
0 | |
---|---|
metadata | 5 |
table_rows | 3 |
table_columns | 2 |
description | 23 |
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
x_var = "time"
y_var = "temperature"
x_attr = data.metadata.get(x_var)
y_attr = data.metadata.get(y_var)
ax.plot(data.df[x_var], data.df[y_var], label=data.name)
ax.legend(loc="best")
ax.set_xlabel("{0.label} [{0.unit}]".format(x_attr))
ax.set_ylabel("{0.label} [{0.unit}]".format(y_attr))
print("plot")
plot
Der Export kann in verschiedene Formate erfolgen.
import os
filepath_xlsx = os.path.join("/tmp", data.osname + ".xlsx")
data.to_xlsx(filepath=filepath_xlsx)
print("Saved '{0.name}' to '{1}'.".format(data, filepath_xlsx))
Saved 'Temperaturmessung-001' to '/tmp/temperaturmessung-001.xlsx'.
filepath_json = os.path.join("/tmp", data.osname + ".json")
data.to_json(filepath=filepath_json)
print("Saved '{0.name}' to '{1}'.".format(data, filepath_json))
Saved 'Temperaturmessung-001' to '/tmp/temperaturmessung-001.json'.
filepath_csv = os.path.join("/tmp", data.osname + ".csv")
data.to_csv(filepath=filepath_csv)
print("Saved '{0.name}' to '{1}'.".format(data, filepath_csv))
Saved 'Temperaturmessung-001' to '/tmp/temperaturmessung-001.csv'.
Der Import kann aus den verschiedene Export-Formate erfolgen.
filepath_xlsx = os.path.join("/tmp", data.osname + ".xlsx")
data_xlsx = data.from_xlsx(filepath=filepath_xlsx)
data_xlsx
(Data 'Temperaturmessung-001':e13d9387728c375eb98686eacf42b6df)
filepath_json = os.path.join("/tmp", data.osname + ".json")
data_json = data.from_json(filepath=filepath_json)
data_json
(Data 'Temperaturmessung-001':e13d9387728c375eb98686eacf42b6df)
Jedes sdata.Data
-Objekt kann seinen Hash-Wert bestimmen. Dieser Hash-Wert, hier ein sha3-256
, kann u.a. zum Vergleich der Daten benutzt werden.
assert data.sha3_256==data_xlsx.sha3_256
assert data.sha3_256==data_json.sha3_256
print(data.sha3_256)
print(data_xlsx.sha3_256)
print(data_json.sha3_256)
7d681f4302252912cc9ad1c90f5a2b4be37362cfcecfdfe00f8d6ffee6faf48a 7d681f4302252912cc9ad1c90f5a2b4be37362cfcecfdfe00f8d6ffee6faf48a 7d681f4302252912cc9ad1c90f5a2b4be37362cfcecfdfe00f8d6ffee6faf48a
Das sdata
-Format bietet eine einfache Möglichkeit Daten lesbar für Menschen und zugleich maschinenlesbar abzulegen. Dies wird u.a. durch die Import-Export-Formate xlsx
, json
, csv
gewährleistet. Durch die Qualifikation der Massendaten durch Metadaten und einer Beschreibung in Textform ist eine vollständige Beschreibung der Daten möglich. Die open-source Python-Bibliothek sdata
erlaubt eine einfach Benutzung und Erweiterung des Datenformates.