3. 数据读取与初步探索：用pandas打开风电数据的大门

说实话，做风电数据清洗这几年，我见过太多人一上来就急着建模。结果呢？数据读进来全是乱码，或者类型不对，后面全白干。今天咱们就从最基础的开始——怎么把数据安安稳稳地读进来，再摸清它的脾气。

3.1 读取CSV文件：最常用的方式

风电数据最常见的格式就是CSV。为什么？因为SCADA系统、测风塔、CMS系统，导出数据基本都是CSV。我个人习惯用pandas.read_csv()，但有几个参数必须注意。

import pandas as pd

# 基础读取
df = pd.read_csv('wind_turbine_data.csv')

# 实际项目中我常用的方式
df = pd.read_csv(
    'wind_turbine_data.csv',
    encoding='utf-8',          # 避免中文乱码
    parse_dates=['timestamp'],  # 时间列自动解析
    low_memory=False           # 大文件时避免类型推断错误
)

3.2 读取Excel文件：多表单的处理技巧

Excel文件在风电项目中也很常见，尤其是运维记录、故障日志这些。但Excel有个麻烦——一个文件里可能有好几个sheet。

# 读取单个sheet
df = pd.read_excel('fault_log.xlsx', sheet_name='2023年')

# 读取所有sheet
all_sheets = pd.read_excel('fault_log.xlsx', sheet_name=None)
# 返回的是一个字典，key是sheet名

# 指定列类型，避免数值被读成字符串
df = pd.read_excel(
    'wind_data.xlsx',
    dtype={'风速': float, '功率': float}
)

3.3 查看数据基本信息：head、info、describe

数据读进来了，第一件事是什么？别急着分析，先看看它长什么样。我通常三步走：

3.3.1 head()——瞄一眼数据长啥样

# 查看前5行
df.head()

# 查看前10行
df.head(10)

# 查看后5行
df.tail()

这一步主要是看：列名对不对？数据有没有明显异常？比如风速列出现负值，那肯定有问题。

3.3.2 info()——摸清数据类型和缺失情况

df.info()

输出结果大概长这样：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8760 entries, 0 to 8759
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype         
---  ------     --------------  -----         
 0   timestamp  8760 non-null   datetime64[ns]
 1   风速        8745 non-null   float64       
 2   功率        8730 non-null   float64       
 3   桨距角      8700 non-null   float64       
 4   转速        8750 non-null   float64       
 5   温度        8760 non-null   float64       
 6   风向        8740 non-null   float64       
 7   状态码      8760 non-null   int64         
dtypes: datetime64[ns](1), float64(6), int64(1)
memory usage: 547.6 KB

这里我最关注两点：

• Non-Null Count：看看哪些列有缺失值。比如上面风速列有15个缺失，功率列有30个缺失。
• Dtype：数据类型对不对。时间列应该是datetime64，数值列应该是float64或int64。如果发现风速列是object（字符串），那就要小心了。

3.3.3 describe()——快速了解数据分布

df.describe()

输出结果：

	风速	功率	桨距角	转速	温度	风向
count	8745.0	8730.0	8700.0	8750.0	8760.0	8740.0
mean	7.2	1500.0	5.3	12.1	25.0	180.0
std	4.1	800.0	8.2	3.5	5.0	90.0
min	0.0	-50.0	0.0	0.0	-10.0	0.0
25%	3.5	800.0	0.0	9.0	21.0	90.0
50%	7.0	1500.0	0.0	12.0	25.0	180.0
75%	10.5	2200.0	8.0	15.0	29.0	270.0
max	30.0	2500.0	90.0	20.0	45.0	360.0

这里我一般会快速扫一眼：

• min和max：有没有明显不合理的数据？比如风速最大30m/s，对于某些机型可能已经切出了，但还在合理范围。但如果出现风速50m/s，那肯定是异常值。
• count：和总行数对比，看看缺失比例。比如总行数8760，风速只有8745，缺失了15条，占比0.17%，问题不大。
• mean和std：大致了解数据集中趋势和离散程度。比如功率均值1500kW，标准差800kW，说明波动挺大。

3.4 数据类型概览：为什么类型这么重要？

你想想看，如果风速列是字符串类型，你还能做加减乘除吗？肯定不行。所以数据类型检查是数据清洗的第一步。

# 查看每列的数据类型
df.dtypes

# 单独查看某一列
df['风速'].dtype

# 转换数据类型
df['风速'] = df['风速'].astype(float)
df['timestamp'] = pd.to_datetime(df['timestamp'])

常见的风电数据类型：

数据类型	示例列	pandas类型	说明
时间	timestamp	datetime64[ns]	必须转换，否则无法做时间序列分析
连续数值	风速、功率、温度	float64	最常用，注意是否有缺失值
离散数值	状态码、机舱编号	int64	适合做分类统计
分类文本	风机型号、风场名称	object	可以转为category类型节省内存

3.5 本章知识体系

下面这张图总结了数据读取与初步探索的核心流程，你可以对照着检查自己的操作步骤：

嗯，到这里，数据读取和初步探索就讲完了。说白了，这一步就是给数据做个"体检"——看看它有没有"发烧"（异常值），有没有"缺胳膊少腿"（缺失值），有没有"穿错衣服"（类型错误）。

我个人觉得，这一步花的时间再多都不为过。因为后面所有的分析、建模、可视化，都建立在这个基础上。基础打好了，后面才能走得稳。