3. 数据读取与概览：用pandas打开风电数据的第一道门

做风电数据分析，第一步永远是把数据请进内存。我见过不少新手，拿到几十兆的CSV文件就直接双击打开Excel，结果卡死半天。其实用pandas读取，几行代码就搞定。今天我们就聊聊怎么把数据读进来，然后快速摸清它的底细。

3.1 读取CSV文件：最常用的操作

风场的数据，十有八九是CSV格式。SCADA系统每天生成一堆日志，运维记录也常导出为CSV。我习惯用pd.read_csv()，它就像一把万能钥匙。

import pandas as pd

# 读取风电机组运行数据
df = pd.read_csv('wind_turbine_data.csv')
print('数据加载完成')

嗯，这里要注意。实际项目中，CSV文件经常带点小毛病。比如时间列被识别成字符串，或者某些列里有空值。我建议你加上几个常用参数：

df = pd.read_csv(
    'wind_turbine_data.csv',
    parse_dates=['timestamp'],  # 自动解析时间列
    encoding='utf-8',           # 避免中文乱码
    low_memory=False            # 防止混合类型警告
)

3.2 读取Excel文件：处理运维报表

Excel文件在风场也很常见。运维日报、月度分析报告，很多老师傅习惯用Excel。pandas读取Excel需要额外装一个库，但用起来不复杂。

# 读取Excel文件
df_excel = pd.read_excel('monthly_report.xlsx', sheet_name='运行数据')

你想想看，一个Excel文件里可能有好几个sheet。有的放SCADA数据，有的放停机记录。用sheet_name参数指定你要读哪个，省得搞混。

3.3 查看数据维度与列名

数据读进来了，第一件事是什么？我个人习惯先看形状和列名。就像拿到一个新工具，先看看它长什么样。

# 查看数据维度（行数, 列数）
print('数据维度:', df.shape)

# 查看所有列名
print('列名列表:')
print(df.columns.tolist())

输出大概是这样：

数据维度: (8760, 15)
列名列表:
['timestamp', 'wind_speed', 'power_output', 'rotor_speed', 
 'blade_pitch', 'generator_temp', 'ambient_temp', 'status_code']

8760行，正好是一年8760个小时的数据。15列，包含了风速、功率、转速这些关键参数。看到这个，我心里就有数了。

3.4 info()方法：快速诊断数据类型

info() 是我最常用的方法之一。它就像给数据做个体检，告诉你每列的类型、非空数量、内存占用。

df.info()

输出示例：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8760 entries, 0 to 8759
Data columns (total 15 columns):
 #   Column           Non-Null Count  Dtype         
---  ------           --------------  -----         
 0   timestamp        8760 non-null   datetime64[ns]
 1   wind_speed       8745 non-null   float64       
 2   power_output     8760 non-null   float64       
 3   rotor_speed      8730 non-null   float64       
 4   blade_pitch      8760 non-null   float64       
 5   generator_temp   8710 non-null   float64       
 6   ambient_temp     8760 non-null   float64       
 7   status_code      8760 non-null   int64         
dtypes: datetime64[ns](1), float64(6), int64(1)
Memory usage: 1.1 MB

看到没？wind_speed 只有8745个非空值，说明有15个缺失。 generator_temp 更少，只有8710个。这些缺失值，可能就是传感器故障或者通讯中断导致的。我曾经在某个风场排查过，发现发电机温度传感器在高温时段经常掉线，后来换了批传感器才解决。

3.5 describe()方法：统计概览一把抓

describe() 能快速给出数值列的统计信息。均值、标准差、四分位数，一目了然。

df.describe()

输出表格：

指标	wind_speed	power_output	rotor_speed	generator_temp
count	8745.00	8760.00	8730.00	8710.00
mean	8.52	1520.34	12.18	45.67
std	4.21	890.56	3.45	12.34
min	0.00	0.00	0.00	15.20
25%	5.10	780.00	9.80	36.50
50%	8.30	1450.00	12.00	44.80
75%	11.70	2200.00	14.50	54.30
max	25.40	3000.00	18.20	78.90

看到这个表，我一般会快速扫几眼：

• 均值 vs 中位数： 如果两者差距大，说明数据有偏态。比如风速均值8.52，中位数8.30，还算正常。
• 最小值： 风速最小0.0，功率也是0.0，这可能是停机时段。但发电机温度最小15.2度，说明没低于环境温度太多，合理。
• 最大值： 发电机温度78.9度，接近报警阈值了。我遇到过一台机组，夏天发电机温度经常冲到80度以上，后来发现散热风扇坏了。

3.6 数据类型检查：别让类型坑了你

数据类型不对，后面所有计算都是错的。我见过有人把风速列当成字符串，结果求均值时报错。用 dtypes 属性可以快速检查：

# 查看每列的数据类型
print(df.dtypes)

输出：

timestamp        datetime64[ns]
wind_speed              float64
power_output            float64
rotor_speed             float64
blade_pitch             float64
generator_temp          float64
ambient_temp            float64
status_code               int64
dtype: object

如果发现某列类型不对，可以用 astype() 转换：

# 强制转换类型
df['status_code'] = df['status_code'].astype('int64')
df['wind_speed'] = pd.to_numeric(df['wind_speed'], errors='coerce')

3.7 本章知识体系

下面这张图，帮你理清数据读取与概览的核心流程：

说白了，数据读取与概览就是给数据做一次全面体检。读进来、看形状、查类型、看统计，每一步都不能省。我做了这么多年风电数据分析，发现80%的问题都出在数据读取阶段。类型不对、缺失值没发现、时间没解析，后面分析再花哨也是白搭。

好了，这一章就到这里。记住，拿到数据别急着分析，先花5分钟做概览。这5分钟，能帮你省下后面5小时的排查时间。

---