跳到主要內容

python網路爬蟲輕鬆取得氣候資料(1)



網路爬蟲可以簡單理解為，透過程式自動化截取網路資料的一個技術，利用程式執行自動化原本需要人工重複點選貼上的動作。

舉個實際的例子，如果要取得近10年台灣各測站每日觀測的氣候資料，曾搜尋過的人會知道，目前網路上開放的資料中沒有一個完整的檔案收錄有這麼齊全的資料。

中央氣象局提供一個平台CODiS (CWB Odservation Data Inquire System)，裡面收錄台灣從2010年開始的各測站氣候數據，但其實使用上有一些限制，使用者無法一次下載全部的資料。

CODiS平台一開始讓使用者選擇測站、資料格式以及資料月份後，會跳到下面第二張圖的畫面，呈現該測站當月的每日氣候資料。


大量且重複性的工作


看到這裡大家可能會覺得，這沒什麼啊！畫面上還可以直接下載CSV檔，但是事情如果這麼容易那就好了，全台灣有500多個測站，每個測站從2010至2019每個月都有一份CSV報表要下載，雖然各測站設立的時間有些落差，但我們初估一下需要下載的資料檔數量，500個測站*10(年)*12(月)，估計有6萬個檔案要下載，如果透過人工一個一個點選，那是相當龐大的數量，曠日廢時。如果不要用苦力活的方式，中央氣象局提供了另一個選擇，付費取得資料。一般情況就只有這兩種情況可以做抉擇，但是如果會使用網路爬蟲，就硬生生比別人多了一個更好的選項。


網路爬蟲事半功倍
6萬個資料檔，人力需耗費好幾天的時間下載，網路爬蟲只需花幾個小時撰寫程式，剩下的就只需等待程式完成執行。

網路充斥著大量的資訊，爬蟲可以幫助我們輕鬆取得這些資訊，例如收集指定商品的價格，建立比價資訊、股票等即時資訊的取得與追蹤，或是爬取相關社群網站取得最新熱門話題等，爬蟲讓我們可以省下大量的時間與精力去處理其他事情。這些資訊雖然皆為公開資訊，但很多網站並不喜歡他們的資料被輕易的爬走，因此有些網站會設立一些門檻，或是將資訊藏在比較深的頁面，增加爬蟲的困難度。


下一篇我們就實際以CODiS (CWB Odservation Data Inquire System)平台的資料進行網路爬蟲。


參考網址
CODiS平台

標籤：

留言

張貼留言

這個網誌中的熱門文章

如何快速註冊統合分析題目~以PROSPERO為例

初步檢索心中的愛 當心目中有一個理想題目時，為避免地球上另一個人也同時跟你想的一樣，而且還比我們早發表，若等我們發表時才發現，當下一定很扼腕，有了註冊系統除了幫自己先占好位子，也可以同時確認這個題目是否已經有人正在做了，不用浪費時間投注在上面。很多人其實不曉得實際上到底要如何註冊，以下一起註冊吧。 什麼是 PROSPERO??   PROSPERO (International prospective register of systematic reviews) 是一個國際前瞻性系統性文獻回顧評價系統，由美國國立衛生研究院 NIHR （ National Institute for Health Research ）資助，由英國約克大學 CRD(Centre of Reviews and Dissemination) 創立，針對將已完成的評價或正進行中的計畫做紀錄。 目的：避免重複並減少報告偏見的機會，增加透明性。                 步驟流程 Step 1 ：檢索主題 先確認其他人是否對這主題感興趣，有人捷足先登了嗎 ?? 也可以確認目前流行的趨勢是哪類型的研究等。 Step 2 ：註冊帳號 ID 先到 PROSPERO 官網 ，填寫基本資料後註冊 ID 。 Step 3 ：點選註冊文獻 review 要需先有帳號後才能註冊題目，進入頁面後依指示一步一步操作。 以下是網頁步驟，依研究對象是人群還是動物選擇按鈕點選，一般我們都是人群研究，選紫色。同時須確認以下五步驟是否都經過檢驗了。 第 1 步 檢查納入標準。 第 2 步 確保您的 protocol 處於（接近）最終形式。 第 3 步 搜尋 PROSPERO ，以確保評論尚未被註冊。 第 4 步 搜尋 PROSPERO ，以確保您沒有不必要地重複由另一個團隊進行的審核或先前已註冊的審核 第 5 步 開始註冊 Step 4 ：點選相關事前準備工作進度。 這裡有一系列問題須皆回答完，才能進行下一步...
張貼留言
閱讀完整內容

python與SAS資料處理-歸人與排除重複

  歸人顧名思義就是將一個人多筆的資料整合，每人只留下 1 筆。   通常取得的資料都是原始資料，並未經過整理。例如手上有疑份顧客購物紀錄，裡面有每個顧客在這 1 年內的每筆消費紀錄，這是一份以每次消費紀錄為 1 筆的紀錄形式，所以一個人可以有多筆的消費紀錄。當我們想要知道這些消費紀錄源自於多少顧客的購買時，這時候就需要用到歸人的概念，將資料轉換為每一個人只有 1 筆資料的紀錄形式 ( 如下圖所示 ) 。 以 SAS 進行資料歸人 歸人留 1 筆消費紀錄 proc sort data =cost; by ID time; run ; /* 在規筆前依照 ID 跟消費日期做排序 */ data cost_1; set cost; by ID; if first.id; run ;   /* 保留第一筆資料 */   之前已經有針對 proc sort 的排序語法進行說明，有需要可參考這篇 文章 ， SAS 排序的設定值為升冪，也就是說每個人都會從最早那次的紀錄開始往後排序，所以用 first.id 就可以留下每個人最早那次的消費紀錄。 這邊也可以用排除重複的概念保留 1 筆資料 proc sort data =cost out =cost_2 nodupkey ; BY ID; run ; 利用 nodupkey ，將 ID 重複的資料刪除，僅保留每個 ID 第一次出現的該筆紀錄。   歸人累計所有消費金額 proc sort data =cost; by ID time; run ; data cost_1; set cost; by ID; if first.id then count= 0 ;/* 每個人第一筆資料都令 count=0*/ count+NT;/* 同 ID 累計 NT 數值 */ if last.id; run ;   除了要歸人以外，還要累計每個仁所有的消費金額，所以這邊就會創建一個 count 欄位，每一個人的第一筆 ID 令 count=0 ，在同樣 ID 時累加 NT 的數值，最後每個人保留最後一筆 ID ，也就是最後累計的總額。 以 Python 進行資料歸人...
張貼留言
閱讀完整內容

使用python繪製Upset plot

  Upset plot 將集合視覺化，特別是當集合數大於 5 的時候， Upset plot 相較於 Venn plot 可以更清楚的呈現。 Upset plot 來自於 Venn plot 的變化， Venn plot 較常用於生物資訊呈現 ( 圖 1-3) ，但是往往會遇到集合數太多不易呈現的情況，從下圖可清楚看到當集合數為 4 的時候，畫面已經有些複雜，所以 Venn plot 的缺點就是當集合數過多時，畫面所呈現的資訊反而會造成視覺上的負擔，增加訊息解讀的困難性，失去視覺化的意義 — 方便閱讀，因此當集合數 ≥5 時不建議使用 Venn plot ，而後衍生出 Upset plot 。 Upset plot 優勢在於當集合數 ≥5 時可以清楚呈現資訊，不會造成視覺上的混亂。 2020 年影響全球的 COVID-19 ，在面對未知的流行病時沒有人可以確定真正有效的治療物，因此優先挑出具有高度可能性的藥物，嘗試用於治療病患，在高度不確定性的情況下會產生多種治療組合，這樣的情況就很適合採用 Upset plot 呈現 Real World 用藥資料，這裡有一篇發表於 CANCER DISCOVERY 的文章 ，這是一個很好的實務範例 ( 圖 4) ，以下擷取這篇 paper 的部份數據，簡單的做個 Upset plot 。 操作步驟 1. 選定主題，準備素材 以這篇文章中的數據來畫 Upset plot 圖 。開始執行前，需要先安裝 Upset plot 的套件。在 Window 環境下，開起命令提示字元，輸入 pip install upsetplot ，安裝完成後，就可進入繪圖步驟。   2. 繪製 Upset plot 這邊帶入 paper 中前 10 筆的數據。 from upsetplot import generate_counts from upsetplot import plot from upsetplot import from_memberships example = from_memberships([['Azithromycin','Hydroxychloroquine'], ['Hydroxychloroquine'...
張貼留言
閱讀完整內容