baegrap4
In this graph we see the diameter distribution of craters by their latitude .

We can see that the distribution appears uniform if one deviates extremes ( poles )
Sur ce graphique nous voyons la répartition du diamètre des cratères en fonction de leur latitude.

Nous pouvons remarquer que la répartition semble homogène si on s’écarte des extrêmes (les pôles)

 

 

baegrap5

 

 

 

On this second graph we analyze our selection craters around the equator

We can say that the distribution is homogeneous , it does not seem to be of particular differences between the craters around the equator and all the craters
Sur ce second graphique nous analysons notre sélection des cratères autour de l’équateur. Nous pouvons dire que la répartition est homogène, il ne semble pas y avoir de différences particulières entre les cratères autour de l’équateur et l’ensemble des cratères

baegrap8baegrap9

 

 

 

 

 

On this chart we analyze the relationship between altitude and size of craters . It seems that the higher the altitude , the greater the crater is large.

Sur ce graphique nous analysons le lien entre l’altitude des cratères et leur taille. Il semble que plus l’altitude est élevé plus le cratère est grand.

 

 

 

 

 

 

On this chart we analyze the relationship between altitude and size of craters around the equator . It seems that the higher the altitude , the greater the crater is large but the results are not significant enough .

Sur ce graphique nous analysons le lien entre l’altitude des cratères et leur taille autour de l’équateur. Il semble que plus l’altitude est élevé plus le cratère est grand mais les résultats ne sont pas assez significatifs.

lati

 

 

 

 

 

 

Crater Fréquency by latitude

 

 

 

 

 

unvi

 

 

 

 

 

 

Univariate histogram for crater depth, a quantitative variable

 

 

 

 

 

 

 

 

 

 

 

Here we observe the distribution of craters by their altitude goshawks of the equator and on the whole.

We can say that there is no strong correlation between these two variables

Ici nous observons la répartition des cratères en fonction de leur altitude autours de l’équateur et sur l’ensemble.

On peut dire qu’il n’y a pas de corrélation forte entre ces deux variables

baegrap6

baegrap7

 

 

 

 

 

 

 

 

 

 

 

mon code :

import pandas
import numpy
import seaborn
import matplotlib.pyplot as plt

data = pandas.read_csv('marscrater_pds.csv', low_memory=False)
print (len(data))
print (len(data.columns))

pandas.set_option('display.max_columns', None)
pandas.set_option('display.max_rows',None)
pandas.set_option('display.float_format', lambda x:'%f'%x)


print ("counts for ID // Liste du nom des cratères")
a1 = data["ID"].value_counts(sort=False)
print (a1)

print ("counts for CRATER_NAME // Liste du nom des cratères")
c1 = data["CRATER_NAME"].value_counts(sort=False)
print (c1)

print ("counts for LATITUDE_CIRCLE_IMAGE // liste des latitudes des cratères")
l1 = data ["LATITUDE_CIRCLE_IMAGE"].value_counts(sort=False)
print (l1)

print ("percents for LATITUDE_CIRCLE_IMAGE // pourcentage des cratères en fonction de leur latitude")
pl1 = data ["LATITUDE_CIRCLE_IMAGE"].value_counts(sort=False, normalize = True)
print (pl1)

print ("counts for DIAM_CIRCLE_IMAGE // liste du diamètre des cratères")
c2 = data ["DIAM_CIRCLE_IMAGE"].value_counts(sort=False)
print (c2)

print ("percents for DIAM_CIRCLE_IMAGE // pourcentage du diamètre des cratères")
p2 = data ["DIAM_CIRCLE_IMAGE"].value_counts(sort=False, normalize = True)
print (p2)

print ("counts for DEPTH_RIMFLOOR_TOPOG // liste de l'altitude des cratères")
c3 = data ["DIAM_CIRCLE_IMAGE"].value_counts(sort=False)
print (c3)

print ("percents for DEPTH_RIMFLOOR_TOPOG // pourcentage de l'altitude")
p3 = data ["DIAM_CIRCLE_IMAGE"].value_counts(sort=False, normalize = True)
print (p3)

sub1 = data[(data['LATITUDE_CIRCLE_IMAGE']>=-15) & (data['LATITUDE_CIRCLE_IMAGE']<=15) & (data['DIAM_CIRCLE_IMAGE']>=10) ] 

sub2 = sub1.copy()

print ("list of craters around equateur with size of +10km // Liste des cratères autours de l'équateur de plus de 10km" )
c4 = sub2["ID"].value_counts(sort=False)
c5 = sub2["DIAM_CIRCLE_IMAGE"].value_counts(sort=False)
print (c4)
print("Numbers of craters and size of +10km around equateur// Nombres des cratères autours de l'équateur de plus de 10km et leur diamètre")
print (c5)

c6 = sub2["DIAM_CIRCLE_IMAGE"].value_counts(sort=False, normalize = True)
print("% of craters and size of +10km around equateur// % des cratères autours de l'équateur de plus de 10km et leur diamètre")
print (c6)

print ("Quartiles of craters around equateur and size of +10km // Quartiles des cratères de plus de 10km autours de l'équateur")
sub2['DIAM_CRAT_REPARTITION']=pandas.qcut(sub2.DIAM_CIRCLE_IMAGE, 8, labels=["1=12.5%", "2=25%", "3=37.5%", "4=50%", "5=62.5%", "6=75%", "7=87.5%", "8=100%" ])
c9 = sub2['DIAM_CRAT_REPARTITION'].value_counts(sort=False, dropna=True)
print (c9)

print('\n CRATERS DIAMETER BY GROUP')
sub2['DIAMETRE_CRATERS']=pandas.cut(sub2.DIAM_CIRCLE_IMAGE, [10,20,30,40,50,60,70,80,90,100,150,250,300,350,400,450,500])
print (pandas.crosstab(sub2['DIAMETRE_CRATERS'], sub2['DIAM_CRAT_REPARTITION']))

print ('count for diametre craters')
c10 = sub2['DIAMETRE_CRATERS'].value_counts(sort=False)
print (c10)

print ('percentages for diametre craters')
p10= sub2['DIAMETRE_CRATERS'].value_counts(sort=False, normalize=True)
print (p10)

sub2['DIAMETRE_CRATERS'] = sub2['DIAMETRE_CRATERS'].astype('category')
print ('describe diametre craters category')
desc3 = sub2['DIAMETRE_CRATERS'].describe()
print(desc3)

print ('catégory')
c11 = sub2['DIAMETRE_CRATERS'].value_counts(sort=False, dropna = True)
print (c11)

scat1 = seaborn.regplot(x="DIAM_CIRCLE_IMAGE", y="DEPTH_RIMFLOOR_TOPOG", data=sub2)
plt.xlabel("size of crater")
plt.ylabel("altitude of craters")
plt.title("reparition of size craters and altitude around equateur")

 

 

Partager !