我用Python做设计（一）

前言

　　“铃铃铃，铃铃铃。。。”随着一阵急促的电话，我知道又要有的忙了。“XX，有一份规划，着急要，要求和资料我已经发你了，你抓紧看一下，有什么问题给我打电话。”
　　晕，难得的清闲时间，又没了，开始接收文件，看看是啥。原来是一份本地区的配网自动化规划设计要求。

简介

　　看了下要求，原来对本地的配网自动化光纤建设进行规划，做到本地区配网自动化节点和配变节点的光纤100%覆盖。要求知道了，下面就是看看，都有哪些资料。

本地的当前配电房的GIS的CAD版本
本地的当前所有配变的Excel版资料

　　先对本地区的配网自动化组网方案进行一个简要的介绍，本地区的配网光线自动化组网方案，采用以太网交换机的光纤环网的组网方案，环网从变电站出发，串接各个自动化节点，最后再回到变电站。然后原则上，一个变电站可以出不超过4个光纤环，一个环，原则上串接不超过25个节点。
　　要求有了，先熟悉一下资料，看看有啥可用的。
　　首先先从CAD中导出所有的变电站资料，看看有多少座变电站，他们都在哪儿。

序号	变电站	坐标X	坐标Y	坐标Z
1	叶孤城变电站	114.0911	22.5536	0
2	惊云变电站	114.1025	22.5758	0
3	连城变电站	114.1035	22.5716	0
…	…	…	…	…
14	香山变电站	114.1692	22.66	0

　　然后是本地的所有配电房的数据，这个数据就比较多了，然后格式也是一样的，就不列举了。
　　下面开始尝试先对数据有个简单的感受。

数据处理

　　变电站的数据很少，就先看它。下面，当然是掏出我的大蟒蛇，嘻嘻嘻嘻，将数据处理之后，放进去，代码很简单。

import geoplotlib
from geoplotlib.utils import read_csv, BoundingBoxdata = read_csv('data/lh_stations.csv')
geoplotlib.dot(data, point_size=8)
geoplotlib.set_bbox(BoundingBox(22.58, 114.11, 22.53, 114.16))
geoplotlib.show()

　　得到的效果如下：
　　
　　额。。。，好吧，开导自己，我至少知道了这几个变电站在哪儿，看着这些站的位置还是很不平均的，有些地方空出了很大位置，不晓得会不会影响规划。
　　先不管了，再看看本地区的配电房都在那里吧。配电房数据，肯定不能这么看了，毕竟它要密的多，所以决定用热力图看看，代码也很简单。

import geoplotlib
from geoplotlib.utils import read_csv, BoundingBox
import comdef hist():data = read_csv('data/lh_powerhouses.csv')geoplotlib.hist(data, colorscale='sqrt', binsize=16)geoplotlib.set_bbox(com.boundingBoxDefault)geoplotlib.show()hist()

　　得到的效果如下：
　　
　　
　　图中，分成若干个矩形区域，然后统计每个矩形区域中的配电房的个数，配电房密度越高，颜色越亮，配电房密度越低，颜色越暗。从中可以看到配电房的分布也是很不均匀的。
　　粗略的计算了一下，按照业主的要求，1个变电站可以接25*4=100个节点，那14座变电站就可以接1400个节点，对当前的规划来说，是够用的，那下面开始考虑，该怎么能实现业主的要求能。

算法分析

　　首先想到的就是K-means算法，因为这跟聚类思想很像，假设我如果每个变电站出4个环，然后每个环接不超过25个点的话，通过不断尝试每个分组的最小类，来计算所有的分组。因为，如果要考虑每个环接不超过25个点这个条件的话，算法的复杂度会增大，所以，这里先直接调用经典K-means算法。
　　　

K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

　　代码比上面的稍长一些。

from geoplotlib.colors import create_set_cmap
import pyglet
from sklearn.cluster import KMeans
import geoplotlib
from geoplotlib.layers import BaseLayer
from geoplotlib.core import BatchPainter
from geoplotlib.utils import BoundingBox
import numpy as np
import comclass KMeansLayer(BaseLayer):def __init__(self, data):self.data = dataself.k = 56def invalidate(self, proj):self.painter = BatchPainter()x, y = proj.lonlat_to_screen(self.data['lon'], self.data['lat'])k_means = KMeans(n_clusters=self.k)k_means.fit(np.vstack([x,y]).T)labels = k_means.labels_self.cmap = create_set_cmap(set(labels), 'hsv')for l in set(labels):self.painter.set_color(self.cmap[l])self.painter.convexhull(x[labels == l], y[labels == l])self.painter.points(x[labels == l], y[labels == l], 2)def draw(self, proj, mouse_x, mouse_y, ui_manager):ui_manager.info('Use left and right to increase/decrease the number of clusters. k = %d' % self.k)self.painter.batch_draw()def on_key_release(self, key, modifiers):if key == pyglet.window.key.LEFT:self.k = max(2,self.k - 1)return Trueelif key == pyglet.window.key.RIGHT:self.k = self.k + 1return Truereturn Falsedata = geoplotlib.utils.read_csv('data/lh_powerhouses.csv')
geoplotlib.add_layer(KMeansLayer(data))
geoplotlib.set_smoothing(True)
geoplotlib.set_bbox(com.boundingBoxDefault)
geoplotlib.show()

　　得到的效果如下：
　　
　　我细数了一下，最多的一个环里面有30+个，所以直接用肯定是不行的。不过暂时看着还像那么回事儿的，把得到的数据，先稍微处理一下，就先这样向老板交差吧，后面再细细考虑算法的问题。(￣▽￣)”
　