{ "cells": [ { "cell_type": "code", "execution_count": 41, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "data\n", "0 18203710\n", "1 123393\n", "2 71220\n", "3 51085\n", "4 39528\n", " ... \n", "89 3191\n", "93 3155\n", "87 3143\n", "82 3140\n", "90 3129\n", "Length: 101, dtype: int64\n" ] }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
bandDeciduous woodlandConiferous woodlandArableImprove grasslandNeutral grasslandCalcareous grasslandAcid grasslandFenHeatherHeather grassland...Inland rockSaltwaterFreshwaterSupralittoral rockSupralittoral sedimentLittoral rockLittoral sedimentSaltmarshUrbanSuburban
yx
1299500.0500.00000000000...0000000000
1500.00000000000...0000000000
2500.00000000000...0000000000
3500.00000000000...0000000000
4500.00000000000...0000000000
.....................................................................
500.0695500.00000000000...0000000000
696500.00000000000...0000000000
697500.00000000000...0000000000
698500.00000000000...0000000000
699500.00000000000...0000000000
\n", "

910000 rows × 21 columns

\n", "
" ], "text/plain": [ "band Deciduous woodland Coniferous woodland Arable \\\n", "y x \n", "1299500.0 500.0 0 0 0 \n", " 1500.0 0 0 0 \n", " 2500.0 0 0 0 \n", " 3500.0 0 0 0 \n", " 4500.0 0 0 0 \n", "... ... ... ... \n", "500.0 695500.0 0 0 0 \n", " 696500.0 0 0 0 \n", " 697500.0 0 0 0 \n", " 698500.0 0 0 0 \n", " 699500.0 0 0 0 \n", "\n", "band Improve grassland Neutral grassland \\\n", "y x \n", "1299500.0 500.0 0 0 \n", " 1500.0 0 0 \n", " 2500.0 0 0 \n", " 3500.0 0 0 \n", " 4500.0 0 0 \n", "... ... ... \n", "500.0 695500.0 0 0 \n", " 696500.0 0 0 \n", " 697500.0 0 0 \n", " 698500.0 0 0 \n", " 699500.0 0 0 \n", "\n", "band Calcareous grassland Acid grassland Fen Heather \\\n", "y x \n", "1299500.0 500.0 0 0 0 0 \n", " 1500.0 0 0 0 0 \n", " 2500.0 0 0 0 0 \n", " 3500.0 0 0 0 0 \n", " 4500.0 0 0 0 0 \n", "... ... ... ... ... \n", "500.0 695500.0 0 0 0 0 \n", " 696500.0 0 0 0 0 \n", " 697500.0 0 0 0 0 \n", " 698500.0 0 0 0 0 \n", " 699500.0 0 0 0 0 \n", "\n", "band Heather grassland ... Inland rock Saltwater \\\n", "y x ... \n", "1299500.0 500.0 0 ... 0 0 \n", " 1500.0 0 ... 0 0 \n", " 2500.0 0 ... 0 0 \n", " 3500.0 0 ... 0 0 \n", " 4500.0 0 ... 0 0 \n", "... ... ... ... ... \n", "500.0 695500.0 0 ... 0 0 \n", " 696500.0 0 ... 0 0 \n", " 697500.0 0 ... 0 0 \n", " 698500.0 0 ... 0 0 \n", " 699500.0 0 ... 0 0 \n", "\n", "band Freshwater Supralittoral rock Supralittoral sediment \\\n", "y x \n", "1299500.0 500.0 0 0 0 \n", " 1500.0 0 0 0 \n", " 2500.0 0 0 0 \n", " 3500.0 0 0 0 \n", " 4500.0 0 0 0 \n", "... ... ... ... \n", "500.0 695500.0 0 0 0 \n", " 696500.0 0 0 0 \n", " 697500.0 0 0 0 \n", " 698500.0 0 0 0 \n", " 699500.0 0 0 0 \n", "\n", "band Littoral rock Littoral sediment Saltmarsh Urban \\\n", "y x \n", "1299500.0 500.0 0 0 0 0 \n", " 1500.0 0 0 0 0 \n", " 2500.0 0 0 0 0 \n", " 3500.0 0 0 0 0 \n", " 4500.0 0 0 0 0 \n", "... ... ... ... ... \n", "500.0 695500.0 0 0 0 0 \n", " 696500.0 0 0 0 0 \n", " 697500.0 0 0 0 0 \n", " 698500.0 0 0 0 0 \n", " 699500.0 0 0 0 0 \n", "\n", "band Suburban \n", "y x \n", "1299500.0 500.0 0 \n", " 1500.0 0 \n", " 2500.0 0 \n", " 3500.0 0 \n", " 4500.0 0 \n", "... ... \n", "500.0 695500.0 0 \n", " 696500.0 0 \n", " 697500.0 0 \n", " 698500.0 0 \n", " 699500.0 0 \n", "\n", "[910000 rows x 21 columns]" ] }, "execution_count": 41, "metadata": {}, "output_type": "execute_result" } ], "source": [ "import rioxarray\n", "import os\n", "\n", "LAND_COVER_MAP_PATH = 'Datasets/Machine Learning/1km Rasters/Features/gb2021lcm1km_percentage_target.tif'\n", "\n", "\n", "lcm = rioxarray.open_rasterio(LAND_COVER_MAP_PATH)\n", "lcm.name = 'data'\n", "pest_df = lcm.to_dataframe().drop(columns='spatial_ref')\n", "print(pest_df.value_counts())\n", "pest_df = pest_df.unstack(level='band')\n", "\n", "LCM_CLASSES = [\n", " 'Deciduous woodland', \n", " 'Coniferous woodland', \n", " 'Arable', \n", " 'Improve grassland', \n", " 'Neutral grassland', \n", " 'Calcareous grassland', \n", " 'Acid grassland', \n", " 'Fen', \n", " 'Heather', \n", " 'Heather grassland', \n", " 'Bog',\n", " 'Inland rock', \n", " 'Saltwater',\n", " 'Freshwater',\n", " 'Supralittoral rock',\n", " 'Supralittoral sediment',\n", " 'Littoral rock',\n", " 'Littoral sediment',\n", " 'Saltmarsh',\n", " 'Urban',\n", " 'Suburban'\n", " ]\n", "\n", "pest_df = pest_df['data'].rename(columns={i+1: j for i, j in enumerate(LCM_CLASSES)})\n", "pest_df" ] }, { "cell_type": "code", "execution_count": 43, "metadata": {}, "outputs": [], "source": [ "PATH = 'Datasets/Digimap/Land-Cover-plus-Pesticides_4719434/'\n", "#For each pesticide in pesticide folder,\n", " #open file\n", "for file in os.listdir(PATH):\n", " filename = os.fsdecode(file)\n", " if filename.endswith('.tif'):\n", " dataset = rioxarray.open_rasterio(PATH+filename)\n", " dataset.name = filename[:-4]\n", " df = dataset.to_dataframe().drop(columns='spatial_ref')\n", " df = df.drop(index=2).droplevel('band')\n", " pest_df = pest_df.join(df)\n", "\n", "\n", "# dataset = rioxarray.open_rasterio(PATH+'2,4-D.tif')\n", "# dataset.name = '2,4-D'\n", "# df = dataset.to_dataframe().drop(columns='spatial_ref')\n", "# df = df.drop(index=2).droplevel('band')\n", "# df" ] }, { "cell_type": "code", "execution_count": 44, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
Deciduous woodlandConiferous woodlandArableImprove grasslandNeutral grasslandCalcareous grasslandAcid grasslandFenHeatherHeather grassland...TralkoxydimTri-allateTriadimenolTribenuron-methylTriclopyrTrifloxystrobinTriflusulfuron-methylTriticonazoleZeta-cypermethrinZoxamide
yx
1220500.0461500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1219500.0460500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1218500.0459500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
460500.000000000023...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
461500.000000000015...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
.....................................................................
6500.082500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
83500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
86500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
5500.083500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
84500.00000000000...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
\n", "

242716 rows × 183 columns

\n", "
" ], "text/plain": [ " Deciduous woodland Coniferous woodland Arable \\\n", "y x \n", "1220500.0 461500.0 0 0 0 \n", "1219500.0 460500.0 0 0 0 \n", "1218500.0 459500.0 0 0 0 \n", " 460500.0 0 0 0 \n", " 461500.0 0 0 0 \n", "... ... ... ... \n", "6500.0 82500.0 0 0 0 \n", " 83500.0 0 0 0 \n", " 86500.0 0 0 0 \n", "5500.0 83500.0 0 0 0 \n", " 84500.0 0 0 0 \n", "\n", " Improve grassland Neutral grassland \\\n", "y x \n", "1220500.0 461500.0 0 0 \n", "1219500.0 460500.0 0 0 \n", "1218500.0 459500.0 0 0 \n", " 460500.0 0 0 \n", " 461500.0 0 0 \n", "... ... ... \n", "6500.0 82500.0 0 0 \n", " 83500.0 0 0 \n", " 86500.0 0 0 \n", "5500.0 83500.0 0 0 \n", " 84500.0 0 0 \n", "\n", " Calcareous grassland Acid grassland Fen Heather \\\n", "y x \n", "1220500.0 461500.0 0 0 0 0 \n", "1219500.0 460500.0 0 0 0 0 \n", "1218500.0 459500.0 0 0 0 0 \n", " 460500.0 0 0 0 0 \n", " 461500.0 0 0 0 0 \n", "... ... ... ... ... \n", "6500.0 82500.0 0 0 0 0 \n", " 83500.0 0 0 0 0 \n", " 86500.0 0 0 0 0 \n", "5500.0 83500.0 0 0 0 0 \n", " 84500.0 0 0 0 0 \n", "\n", " Heather grassland ... Tralkoxydim Tri-allate \\\n", "y x ... \n", "1220500.0 461500.0 0 ... NaN NaN \n", "1219500.0 460500.0 0 ... NaN NaN \n", "1218500.0 459500.0 0 ... NaN NaN \n", " 460500.0 23 ... NaN NaN \n", " 461500.0 15 ... NaN NaN \n", "... ... ... ... ... \n", "6500.0 82500.0 0 ... NaN NaN \n", " 83500.0 0 ... NaN NaN \n", " 86500.0 0 ... NaN NaN \n", "5500.0 83500.0 0 ... NaN NaN \n", " 84500.0 0 ... NaN NaN \n", "\n", " Triadimenol Tribenuron-methyl Triclopyr \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN \n", " 460500.0 NaN NaN NaN \n", " 461500.0 NaN NaN NaN \n", "... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN \n", " 83500.0 NaN NaN NaN \n", " 86500.0 NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN \n", " 84500.0 NaN NaN NaN \n", "\n", " Trifloxystrobin Triflusulfuron-methyl Triticonazole \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN \n", " 460500.0 NaN NaN NaN \n", " 461500.0 NaN NaN NaN \n", "... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN \n", " 83500.0 NaN NaN NaN \n", " 86500.0 NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN \n", " 84500.0 NaN NaN NaN \n", "\n", " Zeta-cypermethrin Zoxamide \n", "y x \n", "1220500.0 461500.0 NaN NaN \n", "1219500.0 460500.0 NaN NaN \n", "1218500.0 459500.0 NaN NaN \n", " 460500.0 NaN NaN \n", " 461500.0 NaN NaN \n", "... ... ... \n", "6500.0 82500.0 NaN NaN \n", " 83500.0 NaN NaN \n", " 86500.0 NaN NaN \n", "5500.0 83500.0 NaN NaN \n", " 84500.0 NaN NaN \n", "\n", "[242716 rows x 183 columns]" ] }, "execution_count": 44, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# Cleaning data\n", "pest_df = pest_df.loc[pest_df['Deciduous woodland']\n", " + pest_df['Coniferous woodland']\n", " + pest_df['Arable']\n", " + pest_df['Improve grassland']\n", " + pest_df['Neutral grassland']\n", " + pest_df['Calcareous grassland']\n", " + pest_df['Acid grassland']\n", " + pest_df['Fen']\n", " + pest_df['Heather']\n", " + pest_df['Heather grassland']\n", " + pest_df['Bog']\n", " + pest_df['Inland rock']\n", " + pest_df['Saltwater']\n", " + pest_df['Freshwater']\n", " + pest_df['Supralittoral rock']\n", " + pest_df['Supralittoral sediment']\n", " + pest_df['Littoral rock']\n", " + pest_df['Littoral sediment']\n", " + pest_df['Saltmarsh']\n", " + pest_df['Urban']\n", " + pest_df['Suburban'] != 0\n", " ]\n", "pest_df" ] }, { "cell_type": "code", "execution_count": 45, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
2,4-D2,4-DBAcetamipridAlpha-cypermethrinAmetoctradinAmidosulfuronAmisulbromAsulamAzoxystrobinBentazone...TralkoxydimTri-allateTriadimenolTribenuron-methylTriclopyrTrifloxystrobinTriflusulfuron-methylTriticonazoleZeta-cypermethrinZoxamide
yx
1220500.0461500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1219500.0460500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1218500.0459500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
460500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
461500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
.....................................................................
6500.082500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
83500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
86500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
5500.083500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
84500.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN...NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
\n", "

242716 rows × 162 columns

\n", "
" ], "text/plain": [ " 2,4-D 2,4-DB Acetamiprid Alpha-cypermethrin \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN NaN \n", " 460500.0 NaN NaN NaN NaN \n", " 461500.0 NaN NaN NaN NaN \n", "... ... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN NaN \n", " 83500.0 NaN NaN NaN NaN \n", " 86500.0 NaN NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN NaN \n", " 84500.0 NaN NaN NaN NaN \n", "\n", " Ametoctradin Amidosulfuron Amisulbrom Asulam \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN NaN \n", " 460500.0 NaN NaN NaN NaN \n", " 461500.0 NaN NaN NaN NaN \n", "... ... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN NaN \n", " 83500.0 NaN NaN NaN NaN \n", " 86500.0 NaN NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN NaN \n", " 84500.0 NaN NaN NaN NaN \n", "\n", " Azoxystrobin Bentazone ... Tralkoxydim Tri-allate \\\n", "y x ... \n", "1220500.0 461500.0 NaN NaN ... NaN NaN \n", "1219500.0 460500.0 NaN NaN ... NaN NaN \n", "1218500.0 459500.0 NaN NaN ... NaN NaN \n", " 460500.0 NaN NaN ... NaN NaN \n", " 461500.0 NaN NaN ... NaN NaN \n", "... ... ... ... ... ... \n", "6500.0 82500.0 NaN NaN ... NaN NaN \n", " 83500.0 NaN NaN ... NaN NaN \n", " 86500.0 NaN NaN ... NaN NaN \n", "5500.0 83500.0 NaN NaN ... NaN NaN \n", " 84500.0 NaN NaN ... NaN NaN \n", "\n", " Triadimenol Tribenuron-methyl Triclopyr \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN \n", " 460500.0 NaN NaN NaN \n", " 461500.0 NaN NaN NaN \n", "... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN \n", " 83500.0 NaN NaN NaN \n", " 86500.0 NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN \n", " 84500.0 NaN NaN NaN \n", "\n", " Trifloxystrobin Triflusulfuron-methyl Triticonazole \\\n", "y x \n", "1220500.0 461500.0 NaN NaN NaN \n", "1219500.0 460500.0 NaN NaN NaN \n", "1218500.0 459500.0 NaN NaN NaN \n", " 460500.0 NaN NaN NaN \n", " 461500.0 NaN NaN NaN \n", "... ... ... ... \n", "6500.0 82500.0 NaN NaN NaN \n", " 83500.0 NaN NaN NaN \n", " 86500.0 NaN NaN NaN \n", "5500.0 83500.0 NaN NaN NaN \n", " 84500.0 NaN NaN NaN \n", "\n", " Zeta-cypermethrin Zoxamide \n", "y x \n", "1220500.0 461500.0 NaN NaN \n", "1219500.0 460500.0 NaN NaN \n", "1218500.0 459500.0 NaN NaN \n", " 460500.0 NaN NaN \n", " 461500.0 NaN NaN \n", "... ... ... \n", "6500.0 82500.0 NaN NaN \n", " 83500.0 NaN NaN \n", " 86500.0 NaN NaN \n", "5500.0 83500.0 NaN NaN \n", " 84500.0 NaN NaN \n", "\n", "[242716 rows x 162 columns]" ] }, "execution_count": 45, "metadata": {}, "output_type": "execute_result" } ], "source": [ "pest_df = pest_df.iloc[:, 21:]\n", "pest_df\n" ] }, { "cell_type": "code", "execution_count": 46, "metadata": {}, "outputs": [], "source": [ "pest_df[pest_df<0]=0\n", "s = pest_df.sum()\n", "# View in data viewer to sort values" ] }, { "cell_type": "code", "execution_count": 47, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "2,4-D 185901.781250\n", "2,4-DB 333859.062500\n", "Acetamiprid 6968.103516\n", "Alpha-cypermethrin 5101.584473\n", "Ametoctradin 39260.734375\n", " ... \n", "Trifloxystrobin 39353.886719\n", "Triflusulfuron-methyl 6376.227051\n", "Triticonazole 4551.947754\n", "Zeta-cypermethrin 8268.361328\n", "Zoxamide 21740.683594\n", "Length: 162, dtype: float32" ] }, "execution_count": 47, "metadata": {}, "output_type": "execute_result" } ], "source": [ "s" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [] } ], "metadata": { "kernelspec": { "display_name": "Python 3.9.13 ('env': venv)", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.9.13" }, "orig_nbformat": 4, "vscode": { "interpreter": { "hash": "f025c48a9b67ab76bdc0400dfa0f9ba99120976b4a6ec6a63d1c946516165c91" } } }, "nbformat": 4, "nbformat_minor": 2 }