Um den Code mit deinen eigenen Werten zu verwenden, musst du die folgenden Platzhalter in den angegebenen Zeilen ersetzen:Zeile 6: INPUT_FILE = '[YOUR_INPUT_FILE]'Ersetze [YOUR_INPUT_FILE] durch den Pfad und Namen deiner Eingabedatei (z. B. 'solar_data_hourly.csv').
Beispiel: INPUT_FILE = 'meine_daten.csv'

Zeile 7: OUTPUT_PLOT = '[YOUR_OUTPUT_PLOT]'Ersetze [YOUR_OUTPUT_PLOT] durch den gewünschten Pfad und Namen der Ausgabedatei für die Visualisierung (z. B. 'solar_analysis.png').
Beispiel: OUTPUT_PLOT = 'meine_analyse.png'

Zeile 8: OUTPUT_CLEAN = '[YOUR_OUTPUT_CLEAN]'Ersetze [YOUR_OUTPUT_CLEAN] durch den gewünschten Pfad und Namen der bereinigten Datendatei (z. B. 'solar_data_clean.csv').
Beispiel: OUTPUT_CLEAN = 'meine_bereinigten_daten.csv'

Hinweis:Stelle sicher, dass deine Eingabedatei (CSV) die erforderlichen Spalten (timestamp, ertrag_total, temp, pressure, lux, radiation) enthält, da der Code diese Spalten erwartet.
D
ie Dateipfade sollten entweder relativ (z. B. 'daten/meine_daten.csv') oder absolut (z. B. 'C:/Pfad/zur/Datei.csv') sein, je nachdem, wo sich deine Dateien befinden.
Wenn du die Dateien in einem anderen Verzeichnis speichern möchtest, füge den entsprechenden Pfad in den Platzhaltern hinzu.

Nachdem du die Platzhalter ersetzt hast, kannst du den Code ausführen und die Analyse mit deinen Daten durchführen. Der Code speichert die Visualisierung und die bereinigten Daten an den von dir angegebenen Orten.

CODE:


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime

# Konfiguration
INPUT_FILE = '[YOUR_INPUT_FILE]'
OUTPUT_PLOT = '[YOUR_OUTPUT_PLOT]'
OUTPUT_CLEAN = '[YOUR_OUTPUT_CLEAN]'

print("=" * 60)
print("SOLAR DATEN ANALYSE")
print("=" * 60)
print()

# Daten laden
df = pd.read_csv(INPUT_FILE)
df['timestamp'] = pd.to_datetime(df['timestamp'])
df = df.set_index('timestamp')

# Umbenennen der Spalten für einfachere Handhabung
df.columns = ['ertrag_total', 'temp', 'pressure', 'lux', 'radiation']

print("📊 Datensatz Übersicht:")
print(f"   Zeitraum: {df.index.min()} bis {df.index.max()}")
print(f"   Stunden: {len(df)}")
print(f"   Tage: {(df.index.max() - df.index.min()).days}")
print()

# Täglichen Ertrag berechnen
df['ertrag_daily'] = df['ertrag_total'].diff()
df.loc[df['ertrag_daily'] < 0, 'ertrag_daily'] = 0  # Negative Werte entfernen

# Tägliche Statistiken
daily_yield = df['ertrag_daily'].resample('D').sum()
daily_yield = daily_yield[daily_yield > 0]  # Nur Tage mit Ertrag

print("🌤️  Täglicher Solar-Ertrag:")
print(f"   Durchschnitt: {daily_yield.mean():.2f} kWh/Tag")
print(f"   Minimum: {daily_yield.min():.2f} kWh/Tag")
print(f"   Maximum: {daily_yield.max():.2f} kWh/Tag")
print(f"   Median: {daily_yield.median():.2f} kWh/Tag")
print()

# Wetter-Statistiken
print("☀️  Solar Radiation:")
print(f"   Durchschnitt: {df['radiation'].mean():.1f} W/m²")
print(f"   Maximum: {df['radiation'].max():.1f} W/m²")
print()

print("💡 Lux (Tageslicht):")
print(f"   Durchschnitt: {df['lux'].mean():.0f} lx")
print(f"   Maximum: {df['lux'].max():.0f} lx")
print()

print("🌡️  Temperatur:")
print(f"   Durchschnitt: {df['temp'].mean():.1f}°C")
print(f"   Min: {df['temp'].min():.1f}°C")
print(f"   Max: {df['temp'].max():.1f}°C")
print()

# Korrelationsanalyse
print("🔗 Korrelation mit täglichem Ertrag:")
correlation = df[['ertrag_daily', 'radiation', 'lux', 'temp', 'pressure']].corr()['ertrag_daily'].sort_values(ascending=False)
print(correlation)
print()

# Fehlende Werte
print("⚠️  Fehlende Werte:")
missing = df.isnull().sum()
print(missing[missing > 0] if missing.sum() > 0 else "Keine fehlenden Werte")
print()

# Zeitbasierte Features für ML
df['hour'] = df.index.hour
df['day_of_year'] = df.index.dayofyear
df['month'] = df.index.month
df['is_daylight'] = (df['hour'] >= 6) & (df['hour'] <= 20)

# Visualisierung erstellen
fig, axes = plt.subplots(3, 2, figsize=(15, 12))
fig.suptitle('Solar-Daten Analyse', fontsize=16, fontweight='bold')

# 1. Täglicher Ertrag über Zeit
ax1 = axes[0, 0]
daily_yield.plot(ax=ax1, color='orange', linewidth=2)
ax1.set_title('Täglicher Solar-Ertrag')
ax1.set_ylabel('kWh')
ax1.grid(True, alpha=0.3)

# 2. Solar Radiation über Zeit
ax2 = axes[0, 1]
df['radiation'].plot(ax=ax2, color='red', alpha=0.6)
ax2.set_title('Solar Radiation')
ax2.set_ylabel('W/m²')
ax2.grid(True, alpha=0.3)

# 3. Temperatur über Zeit
ax3 = axes[1, 0]
df['temp'].plot(ax=ax3, color='blue', alpha=0.6)
ax3.set_title('Temperatur')
ax3.set_ylabel('°C')
ax3.grid(True, alpha=0.3)

# 4. Korrelations-Heatmap
ax4 = axes[1, 1]
corr_matrix = df[['ertrag_daily', 'radiation', 'lux', 'temp', 'pressure']].corr()
sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm', center=0, ax=ax4)
ax4.set_title('Korrelationsmatrix')

# 5. Scatter: Radiation vs Ertrag
ax5 = axes[2, 0]
valid_data = df[['radiation', 'ertrag_daily']].dropna()
ax5.scatter(valid_data['radiation'], valid_data['ertrag_daily'], alpha=0.5, color='green')
ax5.set_xlabel('Solar Radiation (W/m²)')
ax5.set_ylabel('Stündlicher Ertrag (kWh)')
ax5.set_title('Radiation vs. Ertrag')
ax5.grid(True, alpha=0.3)

# 6. Monatliche Durchschnitte
ax6 = axes[2, 1]
monthly_avg = df.groupby('month')['ertrag_daily'].mean()
monthly_avg.plot(kind='bar', ax=ax6, color='teal')
ax6.set_title('Durchschnittlicher Ertrag pro Monat')
ax6.set_xlabel('Monat')
ax6.set_ylabel('kWh')
ax6.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.savefig(OUTPUT_PLOT, dpi=300, bbox_inches='tight')
print(f"📈 Visualisierung gespeichert: {OUTPUT_PLOT}")

# Bereinigte Daten speichern (ohne fehlende Werte für ML)
df_clean = df.dropna()
df_clean.to_csv(OUTPUT_CLEAN)
print(f"✓ Bereinigte Daten gespeichert: {OUTPUT_CLEAN}")
print()

print("=" * 60)
print("ANALYSE ABGESCHLOSSEN")
print("=" * 60)