【STA24】Heading角とBNO085yaw角比較解析その2＜Python seaborn pairplot hueで見る＞

補間したデータをいろいろな処理で、精度を改善する補正方法を模索してます。

まずは、データ間の相関を一括して眺められる　seaborn　　pairplotをしてみました。

●seaborn pairplot
これは、有名なプロットですが、ｄｆから１発でコラム間の相関プロットが全組み合わせみられる優れものライブラリーです。
matplot の補強ライブラリーで　matplotがインストールされてないと動きません。

●基本的なプロット
①seabornをインストール
コマンドプロンプトで以下入力ENTERで自動ダウンロードしてインストールしてくれます。

pip install seaborn

②プログラムでimport行追加　

import numpy as np

import seaborn as sns

import matplotlib.pyplot as plt

from scipy import interpolate

import pandas as pd

③DataFrame を作成して、pairplotをプロット
gは、後で使うために作っておく

g=sns.pairplot(df)

③グラフを画面に表示させる
上記だけでは、プログラム内ではグラフは生成されますが画面には出てきませんので

plt.show()

④結果
たくさんグラフが並んでますが、相関関係をプロットしてます。対角線で上下対称になります。対角線上のグラフは、ヒストグラム（そのパラメータの分布）になります。
グラフのdfのカラム順でここでは、iTOW_B,heaDing,yaw,pitch,roll,hD-yaw(Heading角-yaw各),vect(加速度ベクトル大きさ２乗ax^2+ay^2+az^2)

見たいポイント：hD-yaw値がyaw角のHeading角との差ですので、この値が一定値になれば、誤差が少ないことになりますので、hD-yaw値を中心に眺めます。

⑤pairplotのタイトルの付け方
普通のグラフではないので、タイトルの付け方備忘録しておきます。
g=sns.pirplot(df)とplt.show()の間の位置にいれます。
※ここで文字位置の数値y=０．９９５とありますが、１以上だと上からはみ出してしまって見えませんが、０．９だと下すぎてグラフの中にタイトル文字がはいってしまうので、
0.995ときわどい数値”ＴＩＴＬＥ”でなく、str形式の文字変数も使えます。

g.fig.suptitle(”ＴＩＴＬＥ”, y=0.995,size=18, weight=2, color=”red”)

●実際のプログラム
以上の基本動作を確認してから、実際に使うプログラムを作成しました。
データが大きいので、スキーターン１－２ターンずつ切り取ってあるｃｓｖを作っておいて、読み込んでdfにして、paireplotさせて、グラフ画像を保存するプログラムです。
キーボードからのキーインでいろいろな動作するので、今回のpairplotは’a’キーを押すと動作するので、elif v==’a’以下の行で記述してあります。
全体はこちら　https://gist.github.com/dj1711572002/17cb86c73d494291ca7de628c16dc4a7

元のCSVでは、１１カラムあるので、１１ｘ１１のpairplotを描くと時間がかかるので、必要なパラメータを絞って新たなdf_pplotを作成してpairplotしてます。

elif v==’a’ :#RTK補

print(“Anlysys”)

print(“>>>> SELECT ITPBNO FILE”)

root = tkinter.Tk()

root.withdraw()

iDir = r’C:/RTK_Log/hokan’

fTyp = [(“BNOデータファイル”, “*.csv;*.xlsx;*.xls”), (“すべてのファイル”, “*.*”)]

filename = FileDialog.askopenfilename(parent=root, initialdir=iDir, filetypes=fTyp)

# filenameからbasenameをとりだしてファイル種類区別

basenameITP = os.path.basename(filename)　　#読み込むCSVファイルの名前だけ抽出

df_ITPBNO = pd.read_csv(filename, low_memory=True) #CSV読み込み

print(“df_ITPBNO:”,df_ITPBNO.shape,basenameITP)　

df_ITPBNO[“vect”]=df_ITPBNO[“ax”]**2+df_ITPBNO[“ay”]**2+df_ITPBNO[“az”]**2　#加速度を２乗して和をvectとして列作成

print(df_ITPBNO)　

df_pplot=df_ITPBNO[[“iTOW_B”,”heaDing”,”yaw”,”pitch”,”roll”,”hD-yaw”,”vect”]]　#　必要なパラメータだけ抽出して新たなdf_pplotを作成

g=sns.pairplot(df_pplot)　 #pairplot実行

g.fig.suptitle(basenameITP, y=0.995,size=18, weight=2, color=”red”) # y= some height>1　#タイトルをつける

g.savefig(‘C:/RTK_Log/hokan/ITPparirplot’+basenameITP+’.png’)　# グラフと保存

plt.show() #画面にグラフ表示

●解析
　その１：誤差のそれぞれのパラメータの相関だけグラフを切り取って並べてみた。
※Heading角にノイズがはいっているデータは、大きくなってしまって使えませんでした。後でノイズ部分を除去して使います。
※左列のグラフが時系(iTOW_B)列のHeading角です。

　　　結果：誤差のレンジは、最初の４段までは１０度以上誤差がありますが、下半分の５段は、７度以下ですので、±３．５度以内に収まってます。
　　　相関を眺めていても、誤差レンジ１０度以上と誤差レンジ７度以下の区別がつきません。

　その２：誤差であるhD-yawの値をhue=”hD-yaw”としてプロットすると全体で階調表現で影響が見えます。

# g=sns.pairplot(df_pplot)

g=sns.pairplot(df_pplot,hue=”hD-yaw”)　# hue表示に変更

①hueの見方
このグラフは２８番データで、誤差レンジ７度です。右端にHUEの凡例がついているので、それをまず注目すると５７度～５２．５度の４水準で階調表現で、hD-yaw値を表現しておくことで全グラフにおけるhD-yawの値をプロットできてますので、相関へのhD-yawの影響が良く見えるようになりました。