使用R语言从Air_condition.csv文件中读取数据并将数据分配给不同的变量

最新推荐文章于 2025-11-25 00:15:00 发布
最新推荐文章于 2025-11-25 00:15:00 发布
阅读量190 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： r语言 python 开发语言 R语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/CodeSpark/article/details/132552104
R语言 专栏收录该内容
90 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何在R语言中读取Air_condition.csv文件，并将数据分配给不同的变量。首先设置工作目录，然后使用read.csv函数读取CSV文件到数据框，最后将数据框的列分配给temperature和humidity两个变量。

使用R语言从Air_condition.csv文件中读取数据并将数据分配给不同的变量

在R语言中，我们可以使用read.csv()函数来读取CSV文件中的数据。首先，确保你已经将Air_condition.csv文件放置在当前工作目录中。然后，可以按照以下步骤读取数据并将其分配给不同的变量。

步骤1: 设置工作目录
首先，我们需要设置工作目录来指定CSV文件所在的位置。你可以使用setwd()函数来设置工作目录。假设CSV文件位于名为"data"的文件夹中，你可以使用以下代码设置工作目录：

setwd("path_to_folder/data")

请确保将"path_to_folder"替换为包含CSV文件的实际文件夹路径。

步骤2: 读取CSV文件
接下来，我们使用read.csv()函数读取CSV文件的内容，并将其存储在一个数据框（data frame）中。数据框是R中一种常用的数据结构，用于存储和操作表格数据。以下是读取CSV文件并将其存储在数据框中的代码：

data <- read.csv("Air_condition.csv")

在这里，我们将CSV文件的内容读取到名为"data"的数据框中。

步骤3: 分配数据给不同的变量
一旦数据存储在数据框中，我们可以通过将数据框的列分配给不同的变量来访问和操作数据。假设CSV文件中包含两列数据，分别是"tempera

了解本专栏 订阅专栏 解锁全文
使用R语言从‘Air_condition.csv‘文件中读取数据并分配给不同的变量
ByteWhizX的博客
08-26 155
一旦数据被读取并存储在’air_data’数据框中，我们可以将其中的列分配给不同的变量。首先，我们需要设置工作目录，以确保R可以找到并读取’Air_condition.csv’文件。现在，'temperature’变量将包含’temperature’列的数据，'humidity’变量将包含’humidity’列的数据，而’pressure’变量将包含’pressure’列的数据。通过以上步骤，我们成功地从’Air_condition.csv’文件中读取了数据，并将其分配给了不同的变量。
从’Air_condition.csv’文件中读取数据，并将每个数据分配给不同的变量。
Mrrunsen的博客
10-28 407
从’Air_condition.csv’文件中读取数据，并将每个数据分配给不同的变量。找出与销量最相关的因素，包括品牌、功率、噪音、明星级别和价格。统计每个品牌的销售额。给出每个品牌的产品数量。相关系数最大的是 品牌，与销量最相关的因素是品牌。计算5个星级最高的品牌。
python----从csv文件中读数据以及如何使用全局变量
weixin_40659251的博客
09-27 580
python----从csv文件中读数据以及如何使用全局变量
R语言读取csv中的内容
sanqima的专栏
01-06 5331
1992年，R语言诞生。R语言是PC和Linux时代的产物，R语言和贝尔实验室开发的S语言类似，R支持一系列分析技术，包括统计分析、预测建模、数据可视化。在CRAN上可以找到众多的扩张包。        R软件 的首选界面是命令行界面，通过编写脚本来调用相应的功能函数。同时，它也支持图形界面。        R语言可以用来做数据挖掘，下面我们就用它来读取birth2.csv 中的内容。 //
R语言:从 csv 文件中读取数据，然后将数据写入 csv 文件
qq_36078275的博客
01-05 4708
在 R 中，我们可以从存储在 R 环境外部的文件读取数据。我们还可以将数据写入将由操作系统存储和访问的文件中。R可以读取和写入各种文件格式，如csv，excel，xml等。在本章中，我们将学习从 csv 文件中读取数据，然后将数据写入 csv 文件。该文件应存在于当前工作目录中，以便 R 可以读取它。当然，我们也可以设置自己的目录并从那里读取文件。
SparkR读取CSV格式文件错误java.lang.ClassCastException: java.lang.String cannot be cast to org.apache.spark.u
大数据技术杂谈
04-07 5692
使用如下命令启动sparkR shell： bin/sparkR --packages com.databricks:spark-csv_2.10:1.0.3 之后读入csv文件： flights head(flights) 报错： 16/04/07 23:06:46 ERROR CsvRelation$: Exception while parsing line: 20
python实现空气质量指数爬取，输出csv文件
weixin_42118531的博客
09-20 1874
""" 空气质量指数计算方法 定量描述空气质量状况的无量纲指数 版本7.0 智能爬取网页数据 获取所有城市的AQI bs = BeautifulSoup( url, html_parser, 指定解析器 enoding 指定编码格式（确保和网页编码一致） ) bs.find_all('a') 按照类型查找节点 按照属性查找节点 bs.find_all('...
2000-2020年中国地面气象数据：从NOAA到分省面板
热门推荐
Notetaking
03-30 1万+
一个预告： 最近看到Mukherjee et al. (2021, JFE) 的文章，受到了点启发，想找中国的云层数据来试试，但是没有质量特别高的数据，只好老老实实按照这篇论文中的做法从NOAA 直接下数据细数出来。 数据源为NCDC(美国国家气候数据中心，National Climatic Data Center)，隶属于NOAA(美国国家海洋及大气管理局，National Oceanic and Atmospheric Administration)。 数据来自NCDC的公开FTP服务器中的 ftp
[译] 使用 NumPy 和 Pandas 进行 Python 式数据清理
weixin_34194702的博客
04-17 318
原文地址：Pythonic Data Cleaning With NumPy and Pandas 原文作者：Malay Agarwal 译文出自：掘金翻译计划 本文永久链接：github.com/xitu/gold-m… 译者：bambooom 校对者：luochen1992，Hopsken 使用 NumPy 和 Pandas 进行 Python 式数据清理 数据科学家花费大量时间清理...
# 先检查 pandas 是否安装 try: import pandas as pd except ImportError: print("错误：未检测到 pandas 库，请先执行 'pip install pandas' 安装依赖！") import sys sys.exit(1) import os # 明确指定桌面路径（Windows 系统 ringyy 用户桌面） DESKTOP_PATH = r"C:\Users\ringyy\Desktop" # 使用原始字符串避免转义问题 # -------------------------- # 1. 数据预处理函数 # -------------------------- def preprocess_data(file_name): """ 功能：读取传感器数据，清洗异常值、填充缺失值，提取关键特征 参数：file_name → 传感器数据文件名（如 'sensor_data.csv'，文件需放在桌面） 返回：预处理后的特征数据（DataFrame） """ # 拼接桌面路径和文件名 file_path = os.path.join(DESKTOP_PATH, file_name) try: # 读取 CSV 数据 data = pd.read_csv(file_path) except FileNotFoundError: print(f"错误：找不到文件 {file_path}，请检查路径或文件名！") return pd.DataFrame() # 返回空 DataFrame # 清洗异常值（温度、湿度设合理范围） valid_data = data[ (data['温度'] > -20) & (data['温度'] < 80) & # 温度：-20~80℃（合理范围） (data['湿度'] > 0) & (data['湿度'] < 100) # 湿度：0~100%RH（合理范围） ] # 填充缺失值（前向填充 + 后向填充，简单有效） cleaned_data = valid_data.fillna(method='ffill').fillna(method='bfill') # 提取关键特征（温度、湿度、AQI） features = cleaned_data[['温度', '湿度', 'AQI']] return features # -------------------------- # 2. 空调状态推理函数 # -------------------------- def control_air_condition(temperature, humidity, aqi, season): """ 功能：根据环境数据 + 季节，推理空调应执行的状态 参数： - temperature → 温度（℃） - humidity → 湿度（%RH） - aqi → 空气质量指数 - season → 季节（字符串：'夏季' 或 '冬季'，可扩展） 返回：空调状态（字符串：'制冷'/'制热'/'净化'/'待机'） """ if season == '夏季': # 夏季逻辑：高温低湿 → 制冷；空气质量差 → 净化 if temperature > 30 and humidity < 40: return "制冷" elif aqi > 150: return "净化" elif season == '冬季': # 冬季逻辑：低温高湿 → 制热；空气质量差 → 净化 if temperature < 20 and humidity > 60: return "制热" elif aqi > 150: return "净化" # 无匹配规则 → 待机 return "待机" # -------------------------- # 3. 模型验证函数 # -------------------------- def evaluate_model(test_data): """ 功能：用测试用例验证空调推理逻辑是否正确 参数：test_data → 列表，每个元素是（温度, 湿度, AQI, 季节, 预期状态） 返回：准确率（正确数/总用例数） """ correct_count = 0 total_cases = len(test_data) for temp, humi, aqi, season, expected in test_data: # 调用推理函数 result = control_air_condition(temp, humi, aqi, season) # 打印测试过程 print(f"测试用例：温度{temp}℃, 湿度{humi}%, AQI{aqi}, 季节{season}") print(f"预期状态：{expected} → 实际输出：{result}") print("-" * 30) # 统计正确数 if result == expected: correct_count += 1 # 计算准确率 accuracy = correct_count / total_cases if total_cases > 0 else 0 print(f"模型准确率：{accuracy:.2%}（{correct_count}/{total_cases}）") return accuracy # -------------------------- # 4. 主程序（整合流程） # -------------------------- def main(): """ 完整流程： 1. 预处理传感器数据（从桌面读取） → 2. 用第一条数据推理空调状态 → 3. 用测试用例验证逻辑 """ # --- 步骤 1：数据预处理 --- # 替换为你实际的数据集文件名，确保文件在桌面路径下 sensor_file_name = "test.csv" # 修改为 test.csv sensor_data = preprocess_data(sensor_file_name) if sensor_data.empty: print("数据预处理失败，程序终止！") return # --- 步骤 2：用真实数据推理空调状态 --- # 取第一条预处理后的数据 first_data = sensor_data.iloc[0] temp = first_data['温度'] humi = first_data['湿度'] aqi = first_data['AQI'] season = '夏季' # 可扩展为自动获取季节（如从系统时间） # 推理并打印结果 air_status = control_air_condition(temp, humi, aqi, season) print(f"\n=== 实时环境推理 ===") print(f"当前环境：温度{temp}℃, 湿度{humi}%, AQI{aqi}（季节：{season}）") print(f"空调应执行状态：{air_status}\n") # --- 步骤 3：用测试用例验证逻辑 --- test_cases = [ # （温度, 湿度, AQI, 季节, 预期状态） (32, 35, 80, '夏季', '制冷'), # 高温低湿 → 制冷 (18, 65, 200, '冬季', '制热'), # 低温高湿 → 制热 (25, 50, 120, '夏季', '待机'), # 正常环境 → 待机 (22, 45, 180, '冬季', '净化') # 空气质量差 → 净化 ] print(f"\n=== 模型验证（{len(test_cases)} 条用例）===") evaluate_model(test_cases) # -------------------------- # 5. 程序入口 # -------------------------- if __name__ == "__main__": main() 读取不到桌面.csv文件怎么办
06-18
我们正在解决Windows系统中无法读取桌面路径下CSV文件的问题。用户使用pandas库时遇到此问题。可能的原因：1.文件路径错误：桌面路径可能包含特殊字符（如中文用户名）或空格，或者路径拼写错误。2.权限问题：没有...
``` import os import pandas as pd from prophet import Prophet from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score import matplotlib.pyplot as plt import numpy as np # 数据加载与清洗函数 def load_and_clean_data(folder_path): all_files = [ os.path.join(folder_path, f) for f in os.listdir(folder_path) if f.endswith('.csv') and '阜阳' in f ] list_df = [] for filename in all_files: try: # 读取CSV文件，假设列之间由多个空格分隔 df = pd.read_csv( filename, delim_whitespace=True, header=None, names=[ 'Year', 'Month', 'Day', 'Hour', 'Air Temperature', 'Dew Point Temperature', 'Sea Level Pressure', 'Wind Direction', 'Wind Speed Rate', 'Sky Condition Total Coverage Code', 'Liquid Precipitation 1H', 'Liquid Precipitation 6H' ], dtype={'Year': int, 'Month': int, 'Day': int, 'Hour': int} ) # 处理温度数据 df['Air Temperature'] = pd.to_numeric(df['Air Temperature'], errors='coerce') / 10 df.replace(-999.9, np.nan, inplace=True) # 假设-9999/10为缺失值 # 生成时间戳 df['Datetime'] = pd.to_datetime( df[['Year', 'Month', 'Day', 'Hour']], format='%Y%m%d%H', errors='coerce' ) # 删除无效时间和缺失值 df = df.dropna(subset=['Datetime', 'Air Temperature']) df = df[['Datetime', 'Air Temperature']].set_index('Datetime') list_df.append(df) except Exception as e: print(f"Error processing {filename}: {str(e)}") # 合并并重采样为3小时频率 full_df = pd.concat(list_df).sort_index() full_df = full_df.resample('3H').mean().ffill() # 前向填充缺失值 return full_df # 加载数据 folder_path = 'E:/11/阜阳气象数据' df = load_and_clean_data(folder_path).reset_index() df.columns = ['ds', 'y'] # 划分数据集 train_df = df[df['ds'] < '2021-01-01'] test_df = df[df['ds'] >= '2021-01-01'] # 初始化Prophet模型 model = Prophet( yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=False, changepoint_prior_scale=0.05 # 调整趋势变化灵敏度 ) # 添加自定义季节性 model.add_seasonality(name='quarterly', period=91.25, fourier_order=8) model.add_seasonality(name='monthly', period=30.5, fourier_order=5) # 训练模型 model.fit(train_df) # 生成未来数据框（预测到2023年底） future = model.make_future_dataframe( periods=int(3 * 365 * 24 / 3), # 3年数据（2021-2023） freq='3H', include_history=False ) # 执行预测 forecast = model.predict(future) # 评估性能 merged = test_df.merge(forecast[['ds', 'yhat']], on='ds', how='inner') mse = mean_squared_error(merged['y'], merged['yhat']) mae = mean_absolute_error(merged['y'], merged['yhat']) r2 = r2_score(merged['y'], merged['yhat']) print(f""" Model Performance: - MSE: {mse:.2f} - MAE: {mae:.2f} - R²: {r2:.2f} """) # 可视化结果 fig1 = model.plot(forecast) plt.title('Temperature Forecast') fig2 = model.plot_components(forecast) # 提取趋势变化点 changepoints = model.changepoints trend_changes = forecast.loc[changepoints, 'trend'].diff().dropna() print("Significant trend changes at:") print(trend_changes[abs(trend_changes) > 0.5]) # 显示显著变化点 # 保存预测结果 forecast[['ds', 'yhat']].to_csv('fuyang_forecast_2021-2023.csv', index=False)```Error processing E:/11/阜阳气象数据\2003阜阳.csv: invalid literal for int() with base 10: ‘2003,1,1,0,-38,-48,10338,90,20,0,-9999,0’
03-18
**直接原因**：数据文件中存在**逗号分隔的实际内容**，但代码中使用`delim_whitespace=True`（按空白字符分割），导致整行被识别为一个字符串，无法转换为整数。 **深层问题**：原始数据文件可能： 1. 使用逗号`,`...
【Zephyr存储专题】17_Flash坏块管理与Littlefs处理
zero的博客
11-21 103
当前zephyr没有坏块记录与标记功能，仅Linux的U-boot阶段上提供上相关查询接口，故需完善这部分驱动并反馈给LIttleFS文件系统实现坏块的规避与存储地址重定向。
【WRFDA输入数据】全球高空观测气象数据（LITTLE_R 格式数据）
WW、forever的博客
11-24 190
【WRFDA输入数据】全球高空观测气象数据（LITTLE_R 格式数据）
告别人工盯盘！影刀RPA实时监控希音流量，异常秒级告警[特殊字符]
聪明的你，肯定能在地球上另一个位置找到我!RPA自动化流程机器人定制，代做，问题咨询！
11-22 804
全自动监控：从数据采集到告警发送，完全无需人工干预智能检测：基于统计学的多维度异常检测算法实时响应：异常发生1分钟内即可告警深度分析：流量模式识别和根因分析建议技术亮点回顾影刀RPA的稳定数据采集能力多算法融合的异常检测引擎多渠道集成的告警系统可视化报告的自动生成这个方案的强大之处在于它的可扩展性——可以轻松集成更多数据源，接入机器学习模型，实现预测性监控！下一步规划：我正在探索集成预测性分析，基于历史数据预测流量趋势；结合业务指标，实现业务影响评估；
【Web】RCTF 2025 wp（随便看看
uuzeray的博客
11-21 1312
随便看看。
四、OrcaSlicer 模型数据
wljun739的专栏
11-21 357
stl_vertex 为顶点数据，是一个3*1的矩阵，数据类型为float，是一个3列1行的向量，3列分别表示x y z轴的坐标。stl_triangle_vertex_indices 为三角型顶点索引，也是一个3*1的矩阵，数据类型为int。用stl_triangle_vertex_indices定义一个变量，就会有三个顶点数据，这三个数据就可以组合成一个三角面片，三角面片是三维模型的基础，所有的模型都是由三角面片组成的。
R语言机器学习算法实战系列（三十一）微生物组多组学整合机器学习案例：从数据清洗到模型优化的端到端闭环实战
最新发布
专注生信领域
11-25 557
多组学整合已成为理解复杂生物系统（如微生物-宿主-代谢互作）的重要利器，但在具体落地到数据分析层面往往面临巨大的灵活度与可重复性难题。本文通过一个完整的实战案例，系统展示了如何从**数据清洗 ➔ 特征筛选 ➔ 多种整合策略探索 ➔ 多模型对比 ➔ 结果解释**搭建出一个标准化流程，并用真实的微生物-代谢组配对数据集进行了验证。
openGauss进阶：使用DBeaver可视化管理与实战
倔强的石头的博客
11-21 1万+
本文介绍了如何使用DBeaver图形化工具连接和管理openGauss数据库。主要内容包括：DBeaver的功能简介、安装步骤、远程连接配置方法，以及通过DBeaver进行可视化数据查询、SQL编辑和数据库管理等实战操作。文章还提供了openGauss JDBC驱动的可选配置方案，帮助用户解决兼容性问题。通过具体示例演示了如何利用DBeaver提升openGauss数据库的开发和管理效率，适合DBA和开发者快速上手。
视频号客服咨询自动回复！影刀RPA+AI智能应答，效率提升2000% [特殊字符]
聪明的你，肯定能在地球上另一个位置找到我!RPA自动化流程机器人定制，代做，问题咨询！
11-24 762
通过影刀RPA+AI，我们不仅解决了客服咨询的回复效率问题，更实现了客户服务的智能化升级。极致效率：秒级响应客户咨询，效率提升数十倍智能识别：AI精准理解客户意图，提供个性化服务持续学习：基于对话数据不断优化回复策略AI赋能：未来结合大语言模型，可实现更自然的对话交互技术人的价值，在于用自动化+AI把客服人员从重复劳动中解放出来，专注于提供更高质量的服务。如果你也受困于手动回复客户咨询，不妨用影刀RPA开搞——程序跑通那一刻，你会感叹：客户服务原来可以这么优雅！🎯。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值