Podręcznik uczestnika z objaśnieniami, przykładami i ćwiczeniami do samodzielnej nauki
5. Zmiany w czasie i porównania kategorii
Linia podkreśla kolejność i ciągłość, dlatego nadaje się do czasu. Najpierw wybierasz jednak poziom agregacji. W W02 jeden punkt oznacza medianę dostępnych pomiarów energii w dniu, ze wszystkich ośmiu urządzeń. Nie jest to suma energii zużytej tego dnia ani pomiar pojedynczego urządzenia.
energia_dzien = (
df.assign(dzien=df["czas"].dt.normalize())
.groupby("dzien")["energia"]
.agg(n="count", mediana="median",
q1=lambda s: s.quantile(0.25),
q3=lambda s: s.quantile(0.75))
.reset_index().sort_values("dzien")
)
assert len(energia_dzien) == 45
assert energia_dzien["n"].sum() == 718
assert energia_dzien["n"].between(15, 16).all()
energia_dzien.to_csv(TABLES / "M4_energia_dzien.csv",
index=False, encoding="utf-8")
fig, ax = plt.subplots(figsize=(10, 5), layout="constrained")
ax.fill_between(energia_dzien["dzien"], energia_dzien["q1"],
energia_dzien["q3"], color="#9BAFBD",
alpha=0.45, label="Środkowe 50% wartości Q1–Q3")
ax.plot(energia_dzien["dzien"], energia_dzien["mediana"],
color="#1F4E79", marker="o", markersize=3,
linewidth=1.6, label="Mediana")
lokator = mdates.AutoDateLocator(minticks=4, maxticks=7)
ax.xaxis.set_major_locator(lokator)
ax.xaxis.set_major_formatter(mdates.DateFormatter("%d.%m"))
ax.set(xlabel="Dzień w 2026 roku",
ylabel="Energia przypisana do pomiaru [kWh]",
title="Dzienne mediany energii mieszczą się w 13,75–14,54 kWh")
ax.grid(axis="y", alpha=0.2)
ax.legend(loc="lower left", fontsize=10)
zapisz(fig, "M4_W02_energia_dzien.png")
Metoda count liczy istniejące wartości energii, nie wszystkie rekordy. W dniach 12 i 21 stycznia n wynosi 15, w pozostałych 16. Pas Q1–Q3 opisuje rozrzut środkowej połowy wartości w danym dniu. Nie jest przedziałem ufności mediany, błędem pomiarowym ani zakresem prognozy.
W02 czas bez dopisywania trendu

Rysunek 2. Mediana i kwartyle energii przypisanej do rekordu pomiarowego w kolejnych dniach. Źródło: pomiary_clean.csv, 718 dostępnych wartości; n = 15–16 dziennie. Pas oznacza Q1–Q3, a zakres czasu obejmuje 45 dni.
Dzienne mediany wahają się między 13,75 a 14,54 kWh. Wykres nie uzasadnia zdania „zużycie stale rośnie” ani prognozy na kolejne miesiące. Krótki okres i agregacja ośmiu urządzeń ograniczają interpretację.
Skala i luki są częścią komunikatu
Na wykresie liniowym oś pionowa nie zawsze musi zaczynać się w zerze, ale musi być czytelnie opisana. Wąski zakres i wydłużony pionowo obraz mogą wyolbrzymić drobne wahania. Sprawdź szerszy zakres i oceń, czy tytuł nadal brzmi uczciwie.
Sortowanie dat jest niezbędne. Gdy brakuje całego dnia, zwykłe połączenie pozostałych punktów może zasugerować ciągłą obserwację. W takim przypadku odtwórz kalendarz, pozostaw brak w wartości i świadomie pokaż przerwę. W zbiorze kursowym są wszystkie 45 dni; dwa braki dotyczą pojedynczych pomiarów, a nie całych dni.
Ćwiczenie w notebooku
Zbuduj analogiczną tabelę dla produkcji. Użyj liczby dostępnych wartości, mediany i kwartylów. Zapisz wykres jako M4_C03_produkcja_dzien.png. Wyjaśnij, dlaczego tytuł „Dzienna produkcja” byłby zbyt mało precyzyjny, gdy na osi pionowej pokazujesz medianę liczby sztuk przypisanych do rekordu.
W03 porównanie hal w dwóch okresach
Eksport M3_P05_energia_miesiac_lokalizacja.csv ma sześć wierszy, po jednym dla pary okres i lokalizacja. To format wierszowy, nie gotowa szeroka macierz. Metoda pivot zmienia układ bez ponownej agregacji; powtórzona para kluczy powinna zatrzymać tę operację.
m3_energia = pd.read_csv(
TABLES / "M3_P05_energia_miesiac_lokalizacja.csv",
dtype={"rok_miesiac": "string", "lokalizacja": "string"}
)
assert not m3_energia.duplicated(
["rok_miesiac", "lokalizacja"]).any()
energia_ml = m3_energia.pivot(
index="lokalizacja", columns="rok_miesiac",
values="energia_mediana"
).sort_index().sort_index(axis=1)
kontrola_ml = df.pivot_table(
index="lokalizacja", columns="rok_miesiac",
values="energia", aggfunc="median", observed=True
).sort_index().sort_index(axis=1)
pd.testing.assert_frame_equal(energia_ml, kontrola_ml)
display(m3_energia)
fig, ax = plt.subplots(figsize=(10, 5), layout="constrained")
x = np.arange(len(energia_ml))
for j, (okres, etykieta) in enumerate([
("2026-01", "1–31 stycznia"), ("2026-02", "1–14 lutego")
]):
slupki = ax.bar(
x + (j - 0.5) * 0.36, energia_ml[okres], width=0.36,
color=["#1F4E79", "#A9BCCB"][j],
hatch=["", "//"][j], edgecolor="#34495E", label=etykieta
)
ax.bar_label(slupki, fmt="%.3f", padding=3, fontsize=10)
ax.set_xticks(x, energia_ml.index)
ax.set(xlabel="Lokalizacja", ylabel="Mediana energii [kWh/pomiar]",
ylim=(0, 18), title="Hala A ma niższe mediany w obu okresach")
ax.legend(loc="upper center", ncols=2, fontsize=10)
ax.grid(axis="y", alpha=0.2)
ax.set_axisbelow(True)
zapisz(fig, "M4_W03_energia_okres_lokalizacja.png")
Porównanie ze świeżym obliczeniem sprawdza, czy eksport M3 odpowiada użytemu wejściu. Gdy pliku brakuje lub wyniki są inne, odtwórz eksport w M3 i wyjaśnij różnicę. Nie zastępuj kontroli ręcznie wpisanymi wartościami z prezentacji.
Nie dodawaj oznaczeń niepewności bez definicji. Jeśli pokazujesz Q1 i Q3, nazwij je kwartylami. Zapis mediana ± IQR nie odtwarza ich położenia: kwartyle nie muszą być symetryczne względem mediany.
W03 mediana nie jest efektywnością

Rysunek 3. Mediany energii według lokalizacji i okresu. Źródło: M3_P05_energia_miesiac_lokalizacja.csv, potwierdzone na pomiary_clean.csv. Liczby dostępnych wartości w styczniu: Hala A 186, B 184, C 124; w lutym: A 84, B 84, C 56. Luty obejmuje dni 1–14.
Hala A ma niższe mediany w obu przedstawionych okresach. To opis wartości energii przypisanej do rekordu, a nie potwierdzenie większej efektywności hali. Hale różnią się składem urządzeń, a ocena efektywności wymagałaby również wyniku pracy i porównywalnych warunków.
Dwa okresy nie wystarczają, by mówić o trwałym trendzie. Niepełny luty powinien być oznaczony w legendzie lub podpisie, nawet gdy porównujesz mediany zamiast sum. Mediana nie rośnie automatycznie wraz z długością okresu, ale wybór obserwowanych dni nadal może wpływać na wynik.
Czytelne porównanie wielu serii
Grupowane słupki pozwalają porównać dwie wartości dla każdej hali. Dwie barwy wspieramy kreskowaniem, aby okresy można było rozróżnić również bez koloru. Trzy hale i dwa okresy pozostają czytelne; przy kilkudziesięciu kategoriach lepsze mogą być osobne panele lub zawężenie pytania.
Sprawdź rozumienie 3
Co oznacza pas Q1–Q3 na W02? Dlaczego podpis W03 musi wskazać niepełny luty, choć porównujesz mediany, a nie sumy? Odpowiedz, nie używając słowa „błąd” jako zamiennika rozrzutu.