projet: commit initial
- Ajoute les données intérieures (chambre et pièce principale). - Ajoute les données de MétéoSuisse. - Crée l'environnement python et ajoute les dépendances. - Crée le site web avec Quarto. - Écrit la page qui analyse et présente les données pour le mois de juin 2026 qui comprend la canicule du 18 au 29 juin. Co-Authored-by: iGor milhit <igor@milhit.ch>main
commit
9658bffa1a
GPG Key ID:
692D97C3D0228A99
|
|
@ -0,0 +1,14 @@
|
||||||
|
# Python-generated files
|
||||||
|
__pycache__/
|
||||||
|
*.py[oc]
|
||||||
|
build/
|
||||||
|
dist/
|
||||||
|
wheels/
|
||||||
|
*.egg-info
|
||||||
|
|
||||||
|
# Virtual environments
|
||||||
|
.venv
|
||||||
|
|
||||||
|
/.quarto/
|
||||||
|
**/*.quarto_ipynb
|
||||||
|
_site
|
||||||
|
|
@ -0,0 +1 @@
|
||||||
|
3.13
|
||||||
|
|
@ -0,0 +1,418 @@
|
||||||
|
---
|
||||||
|
title: Juin 2026
|
||||||
|
subtitle: Visualisation des données
|
||||||
|
lang: fr
|
||||||
|
creation_date: 2026-06-27T08:20:03+0200
|
||||||
|
date: today
|
||||||
|
format:
|
||||||
|
html:
|
||||||
|
code-fold: true
|
||||||
|
code-summary: "Afficher le code"
|
||||||
|
execute:
|
||||||
|
echo: true
|
||||||
|
warning: false
|
||||||
|
id: 20260627082003
|
||||||
|
tags: ["canicule", "température"]
|
||||||
|
---
|
||||||
|
|
||||||
|
```{python}
|
||||||
|
#| label: setup
|
||||||
|
#| include: false
|
||||||
|
|
||||||
|
import pandas as pd
|
||||||
|
import numpy as np
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
import matplotlib.dates as mdates
|
||||||
|
import matplotlib.patches as mpatches
|
||||||
|
from pathlib import Path
|
||||||
|
|
||||||
|
APPART_DATA_PIECE_PRINCIPALE = Path("data/2026-06-appart-data-piece-principale.csv")
|
||||||
|
APPART_DATA_CHAMBRE = Path("data/2026-06-appart-data-chambre.csv")
|
||||||
|
GVE_LOCAL = Path("data/gve_h_recent.csv")
|
||||||
|
|
||||||
|
def load_aranet(path):
|
||||||
|
"""Charge un CSV Aranet4 (2 lignes de header, decimal=',', champs vides tolérés)."""
|
||||||
|
raw = pd.read_csv(
|
||||||
|
path,
|
||||||
|
skiprows=2,
|
||||||
|
header=None,
|
||||||
|
names=["time", "co2", "temperature", "humidity", "pressure"],
|
||||||
|
quotechar='"',
|
||||||
|
dtype=str,
|
||||||
|
)
|
||||||
|
raw = raw.dropna(how="all")
|
||||||
|
raw["time"] = pd.to_datetime(raw["time"], format="%d/%m/%Y %H:%M:%S")
|
||||||
|
for col in ["co2", "temperature", "humidity", "pressure"]:
|
||||||
|
raw[col] = pd.to_numeric(
|
||||||
|
raw[col].str.replace(",", ".", regex=False),
|
||||||
|
errors="coerce", # champs vides → NaN, pas d'erreur
|
||||||
|
)
|
||||||
|
return raw.sort_values("time").reset_index(drop=True)
|
||||||
|
|
||||||
|
df = load_aranet(APPART_DATA_PIECE_PRINCIPALE)
|
||||||
|
df_c = load_aranet(APPART_DATA_CHAMBRE)
|
||||||
|
|
||||||
|
# Filtrage sur la période commune
|
||||||
|
fig_start = max(df["time"].min(), df_c["time"].min())
|
||||||
|
fig_end = min(df["time"].max(), df_c["time"].max())
|
||||||
|
|
||||||
|
# Dates en fr sans la locale
|
||||||
|
MOIS_FR = {
|
||||||
|
1: "janvier", 2: "février", 3: "mars", 4: "avril",
|
||||||
|
5: "mai", 6: "juin", 7: "juillet", 8: "août",
|
||||||
|
9: "septembre", 10: "octobre", 11: "novembre", 12: "décembre",
|
||||||
|
}
|
||||||
|
|
||||||
|
def fmt_datetime_fr(ts):
|
||||||
|
return f"{ts.day:02d} {MOIS_FR[ts.month]} {ts.year}, {ts.strftime('%H:%M')}"
|
||||||
|
|
||||||
|
# Période commune aux deux capteurs
|
||||||
|
## Période en chaîne de caractères pour le texte en Markdown.
|
||||||
|
def fmt_date_fr(ts):
|
||||||
|
"""Retourne '3 juin 2026' (sans zéro initial, sans heure)."""
|
||||||
|
return f"{ts.day} {MOIS_FR[ts.month]} {ts.year}"
|
||||||
|
|
||||||
|
period_start_str = fmt_date_fr(fig_start)
|
||||||
|
period_end_str = fmt_date_fr(fig_end)
|
||||||
|
|
||||||
|
## Période dans des variables pour les figures
|
||||||
|
period_start = max(df["time"].min(), df_c["time"].min())
|
||||||
|
period_end = min(df["time"].max(), df_c["time"].max())
|
||||||
|
|
||||||
|
ext = pd.read_csv(
|
||||||
|
GVE_LOCAL,
|
||||||
|
sep=";",
|
||||||
|
encoding="windows-1252",
|
||||||
|
dtype=str,
|
||||||
|
)
|
||||||
|
ext = ext.rename(columns={"reference_timestamp": "time"})
|
||||||
|
ext["time"] = (
|
||||||
|
pd.to_datetime(ext["time"], format="%d.%m.%Y %H:%M", utc=True)
|
||||||
|
.dt.tz_convert("Europe/Zurich")
|
||||||
|
.dt.tz_localize(None)
|
||||||
|
)
|
||||||
|
for col in ["tre200h0", "ure200h0"]:
|
||||||
|
if col in ext.columns:
|
||||||
|
ext[col] = pd.to_numeric(ext[col], errors="coerce")
|
||||||
|
|
||||||
|
rename_map = {"tre200h0": "temp_ext", "ure200h0": "rh_ext"}
|
||||||
|
ext = ext[["time"] + [c for c in rename_map if c in ext.columns]].rename(columns=rename_map)
|
||||||
|
|
||||||
|
# Filtre sur la période couverte par au moins df (pièce principale)
|
||||||
|
ext = ext[
|
||||||
|
(ext["time"] >= df["time"].min()) &
|
||||||
|
(ext["time"] <= df["time"].max())
|
||||||
|
].reset_index(drop=True)
|
||||||
|
|
||||||
|
print(f"Pièce principale : {len(df)} mesures — {df['time'].min().date()} → {df['time'].max().date()}")
|
||||||
|
print(f"Chambre : {len(df_c)} mesures — {df_c['time'].min().date()} → {df_c['time'].max().date()}")
|
||||||
|
print(f"Période commune : {period_start.date()} → {period_end.date()}")
|
||||||
|
print(f"MétéoSuisse GVE : {len(ext)} mesures — {ext['time'].min().date()} → {ext['time'].max().date()}")
|
||||||
|
```
|
||||||
|
|
||||||
|
## Données
|
||||||
|
|
||||||
|
Les mesures de la température intérieure sont prise avec un appareil
|
||||||
|
[Aranet4][1], pour la pièce principale et la chambre. L'appareil est posé
|
||||||
|
environ à 1.20 m de hauteur, sur une étagère, plutôt à l'opposé de la fenêtre,
|
||||||
|
et sans exposition directe au soleil. Intervalle de mesure : 5 minutes.
|
||||||
|
Période : `{python} period_start_str`–`{python} period_end_str`.
|
||||||
|
|
||||||
|
Il s'agit d'un appartement de 45 m^2^ au 8^e^ étage, exposition
|
||||||
|
Sud-Sud-Est, avec de larges fenêtres sur la façade.
|
||||||
|
|
||||||
|
```{python}
|
||||||
|
#| label: stats
|
||||||
|
#| echo: false
|
||||||
|
|
||||||
|
from IPython.display import Markdown
|
||||||
|
|
||||||
|
# ── Pièce principale ─────────────────────────────────────────────────────────
|
||||||
|
tmax_val = df["temperature"].max()
|
||||||
|
tmax_time = fmt_datetime_fr(df.loc[df["temperature"].idxmax(), "time"])
|
||||||
|
tmin_val = df["temperature"].min()
|
||||||
|
tmin_time = fmt_datetime_fr(df.loc[df["temperature"].idxmin(), "time"])
|
||||||
|
jours_26 = df.groupby(df["time"].dt.date)["temperature"].max().ge(26).sum()
|
||||||
|
jours_28 = df.groupby(df["time"].dt.date)["temperature"].max().ge(28).sum()
|
||||||
|
|
||||||
|
# ── Chambre ──────────────────────────────────────────────────────────────────
|
||||||
|
c_tmax_val = df_c["temperature"].max()
|
||||||
|
c_tmax_time = fmt_datetime_fr(df_c.loc[df_c["temperature"].idxmax(), "time"])
|
||||||
|
c_tmin_val = df_c["temperature"].min()
|
||||||
|
c_tmin_time = fmt_datetime_fr(df_c.loc[df_c["temperature"].idxmin(), "time"])
|
||||||
|
c_jours_26 = df_c.groupby(df_c["time"].dt.date)["temperature"].max().ge(26).sum()
|
||||||
|
c_jours_28 = df_c.groupby(df_c["time"].dt.date)["temperature"].max().ge(28).sum()
|
||||||
|
|
||||||
|
# ── Extérieur MétéoSuisse ────────────────────────────────────────────────────
|
||||||
|
ext_tmax_val = ext["temp_ext"].max()
|
||||||
|
ext_tmax_time = fmt_datetime_fr(ext.loc[ext["temp_ext"].idxmax(), "time"])
|
||||||
|
ext_tmin_val = ext["temp_ext"].min()
|
||||||
|
|
||||||
|
nuits_trop = (
|
||||||
|
ext.groupby(ext["time"].dt.date)["temp_ext"]
|
||||||
|
.min()
|
||||||
|
.ge(20)
|
||||||
|
.sum()
|
||||||
|
)
|
||||||
|
|
||||||
|
Markdown(f"""
|
||||||
|
| Indicateur | Pièce principale | Chambre |
|
||||||
|
|---|---|---|
|
||||||
|
| **T maximale** | **{tmax_val:.1f} °C** — {tmax_time} | **{c_tmax_val:.1f} °C** — {c_tmax_time} |
|
||||||
|
| T minimale | {tmin_val:.1f} °C — {tmin_time} | {c_tmin_val:.1f} °C — {tmin_time} |
|
||||||
|
| Jours T max ≥ 26 °C | {jours_26} jours | {c_jours_26} jours |
|
||||||
|
| Jours T max ≥ 28 °C | {jours_28} jours | {c_jours_28} jours |
|
||||||
|
| **T extérieure max** (GVE) | **{ext_tmax_val:.1f} °C** — {ext_tmax_time} | — |
|
||||||
|
| T extérieure min (GVE) | {ext_tmin_val:.1f} °C | — |
|
||||||
|
| Nuits tropicales ext. (T min ≥ 20 °C) | {nuits_trop} nuits | — |
|
||||||
|
| Canicule officielle | 18 au 29 juin 2026 | — |
|
||||||
|
| CO₂ maximal mesuré | {df['co2'].max():.0f} ppm | {df_c['co2'].max():.0f} ppm |
|
||||||
|
""")
|
||||||
|
```
|
||||||
|
|
||||||
|
## Comparaison température intérieure et extérieure
|
||||||
|
|
||||||
|
```{python}
|
||||||
|
#| label: fig-int-vs-ext
|
||||||
|
#| fig-cap: "Comparaison des températures intérieure (Aranet4, pièce principale et chambre) et extérieure (MétéoSuisse, station GVE — Genève-Cointrin, données horaires). Période : 3–28 juin 2026. Zone orange : période de canicule officielle (plan cantonal GE, dès le 18 juin). Bandes violettes : nuits tropicales (T ext min ≥ 20 °C, 20h–6h). Source données météo : MétéoSuisse OGD."
|
||||||
|
|
||||||
|
RED_DARK = "#c62828" # pièce principale
|
||||||
|
BROWN = "#e65100" # chambre
|
||||||
|
BLUE = "#1565c0" # extérieur
|
||||||
|
CANICULE = "#ffe0b2"
|
||||||
|
NUIT_TROP = "#ede7f6"
|
||||||
|
|
||||||
|
df_fig = df[(df["time"] >= fig_start) & (df["time"] <= fig_end)]
|
||||||
|
dfc_fig = df_c[(df_c["time"] >= fig_start) & (df_c["time"] <= fig_end)]
|
||||||
|
ext_fig = ext[(ext["time"] >= fig_start) & (ext["time"] <= fig_end)]
|
||||||
|
|
||||||
|
fig, ax = plt.subplots(figsize=(14, 5))
|
||||||
|
fig.patch.set_facecolor("white")
|
||||||
|
|
||||||
|
# ── 1. Période de canicule officielle ────────────────────────────────────────
|
||||||
|
canicule_start = pd.Timestamp("2026-06-18 00:00")
|
||||||
|
canicule_end = max(df_fig["time"].max(), ext_fig["time"].max())
|
||||||
|
ax.axvspan(canicule_start, canicule_end,
|
||||||
|
color=CANICULE, alpha=0.55, zorder=0,
|
||||||
|
label="Période de canicule (plan cantonal GE, dès le 18 juin)")
|
||||||
|
|
||||||
|
# ── 2. Nuits tropicales ──────────────────────────────────────────────────────
|
||||||
|
ext_tmp = ext_fig.copy()
|
||||||
|
ext_tmp["night_date"] = ext_tmp["time"].dt.date
|
||||||
|
mask_ev = ext_tmp["time"].dt.hour >= 20
|
||||||
|
ext_tmp.loc[mask_ev, "night_date"] = (
|
||||||
|
ext_tmp.loc[mask_ev, "time"] + pd.Timedelta(days=1)
|
||||||
|
).dt.date
|
||||||
|
mask_n = (ext_tmp["time"].dt.hour >= 20) | (ext_tmp["time"].dt.hour < 6)
|
||||||
|
nuits_dates = (
|
||||||
|
ext_tmp[mask_n]
|
||||||
|
.groupby("night_date")["temp_ext"]
|
||||||
|
.min()
|
||||||
|
.pipe(lambda s: s[s >= 20])
|
||||||
|
.index
|
||||||
|
)
|
||||||
|
|
||||||
|
first_nuit = True
|
||||||
|
for nuit in nuits_dates:
|
||||||
|
nuit_ts = pd.Timestamp(nuit)
|
||||||
|
span_start = nuit_ts - pd.Timedelta(hours=4)
|
||||||
|
span_end = nuit_ts + pd.Timedelta(hours=6)
|
||||||
|
label = "Nuit tropicale (T ext min ≥ 20 °C)" if first_nuit else ""
|
||||||
|
ax.axvspan(span_start, span_end,
|
||||||
|
color=NUIT_TROP, alpha=0.85, zorder=1, label=label)
|
||||||
|
first_nuit = False
|
||||||
|
|
||||||
|
# ── 3. Courbes de température ────────────────────────────────────────────────
|
||||||
|
ax.plot(dfc_fig["time"], dfc_fig["temperature"],
|
||||||
|
color=BROWN, linewidth=0.8, alpha=0.75, zorder=3,
|
||||||
|
label="T intérieure chambre (Aranet4, 5 min)")
|
||||||
|
ax.plot(df_fig["time"], df_fig["temperature"],
|
||||||
|
color=RED_DARK, linewidth=0.8, alpha=0.9, zorder=4,
|
||||||
|
label="T intérieure pièce principale (Aranet4, 5 min)")
|
||||||
|
ax.plot(ext_fig["time"], ext_fig["temp_ext"],
|
||||||
|
color=BLUE, linewidth=1.3, zorder=5,
|
||||||
|
marker="o", markersize=1.8, alpha=0.85,
|
||||||
|
label="T extérieure (MétéoSuisse GVE, horaire)")
|
||||||
|
|
||||||
|
# ── 4. Seuil nuit tropicale ──────────────────────────────────────────────────
|
||||||
|
ax.axhline(20, color="#7b1fa2", lw=0.8, ls=":", alpha=0.7,
|
||||||
|
label="Seuil nuit tropicale (20 °C)")
|
||||||
|
|
||||||
|
# ── 5. Habillage ─────────────────────────────────────────────────────────────
|
||||||
|
ax.yaxis.set_ticks_position("both")
|
||||||
|
ax.tick_params(axis="y", right=True, labelright=True, labelsize=9)
|
||||||
|
ax.set_ylabel("Température (°C)", fontsize=10)
|
||||||
|
ax.set_ylim(10, 38)
|
||||||
|
ax.legend(loc="upper left", fontsize=8, framealpha=0.9)
|
||||||
|
ax.set_title(
|
||||||
|
"T intérieure (8e étage, exp. SSE) vs T extérieure (GVE – Cointrin)\n"
|
||||||
|
"Source : Aranet4 / MétéoSuisse OGD — 3–28 juin 2026",
|
||||||
|
fontsize=10
|
||||||
|
)
|
||||||
|
ax.grid(axis="y", ls=":", alpha=0.4)
|
||||||
|
|
||||||
|
ax.xaxis.set_major_locator(mdates.DayLocator(interval=2))
|
||||||
|
ax.xaxis.set_minor_locator(mdates.DayLocator(interval=1))
|
||||||
|
ax.xaxis.set_major_formatter(mdates.DateFormatter("%-d %b"))
|
||||||
|
plt.setp(ax.xaxis.get_majorticklabels(), rotation=0, ha="center", fontsize=9)
|
||||||
|
|
||||||
|
fig.tight_layout()
|
||||||
|
plt.show()
|
||||||
|
```
|
||||||
|
|
||||||
|
## Pratique d'aération et limites physiques
|
||||||
|
|
||||||
|
La stratégie appliquée est optimale dans les contraintes du logement :
|
||||||
|
les fenêtres sont ouvertes **le soir dès que la température extérieure
|
||||||
|
rejoint la température intérieure** (croisement des courbes), et maintenues
|
||||||
|
ouvertes pendant la nuit.
|
||||||
|
|
||||||
|
Le matin, dès que le rayonnement solaire direct atteint les vitrages (vers
|
||||||
|
6h–7h en juin pour une exposition Sud-Sud-Est), fenêtres et stores sont
|
||||||
|
fermés. Cette fermeture est visible sur le graphique : la courbe intérieure
|
||||||
|
repart à la hausse alors que la courbe extérieure est encore basse ou en
|
||||||
|
descente.
|
||||||
|
|
||||||
|
**Les stores ne constituent pas une protection suffisante.** De couleur
|
||||||
|
sombre et en métal, ils absorbent et accumulent le rayonnement solaire.
|
||||||
|
Cette chaleur est ensuite diffusée vers l'intérieur par conduction à travers
|
||||||
|
les cadres de fenêtres et les vitrages, dont l'isolation thermique est
|
||||||
|
insuffisante. La fermeture des stores ralentit la montée en température
|
||||||
|
mais ne l'empêche pas.
|
||||||
|
|
||||||
|
|
||||||
|
```{python}
|
||||||
|
#| label: fig-zoom-croisements
|
||||||
|
#| fig-cap: "Zoom sur la fin de la canicule, 25–28 juin 2026. Croisement vespéral : la température extérieure (en baisse) rejoint la température intérieure → ouverture des fenêtres et stores. Divergence matinale : la température intérieure repart à la hausse sous l'effet du rayonnement solaire sur les vitrages et stores métalliques, alors que la température extérieure est encore basse. Zones grises : tranches nocturnes (20h–6h)."
|
||||||
|
|
||||||
|
import numpy as np
|
||||||
|
from matplotlib.ticker import FuncFormatter
|
||||||
|
|
||||||
|
JOURS_FR = {0: "Lun", 1: "Mar", 2: "Mer", 3: "Jeu",
|
||||||
|
4: "Ven", 5: "Sam", 6: "Dim"}
|
||||||
|
|
||||||
|
def fmt_date_fr_court(ts):
|
||||||
|
return f"{JOURS_FR[ts.weekday()]} {ts.day} {MOIS_FR[ts.month]}"
|
||||||
|
|
||||||
|
zoom_start = pd.Timestamp("2026-06-25 00:00")
|
||||||
|
zoom_end = pd.Timestamp("2026-06-28 23:59")
|
||||||
|
|
||||||
|
dz = df[(df["time"] >= zoom_start) & (df["time"] <= zoom_end)].copy().reset_index(drop=True)
|
||||||
|
dz_c = df_c[(df_c["time"] >= zoom_start) & (df_c["time"] <= zoom_end)].copy()
|
||||||
|
ez = ext[(ext["time"] >= zoom_start) & (ext["time"] <= zoom_end)].copy()
|
||||||
|
|
||||||
|
# Interpolation T extérieure sur la grille 5 min de l'Aranet
|
||||||
|
temp_ext_interp = (
|
||||||
|
ez.set_index("time")["temp_ext"]
|
||||||
|
.reindex(ez.set_index("time")["temp_ext"].index.union(dz["time"]))
|
||||||
|
.interpolate("index")
|
||||||
|
.reindex(dz["time"])
|
||||||
|
.values
|
||||||
|
)
|
||||||
|
|
||||||
|
diff = dz["temperature"].values - temp_ext_interp
|
||||||
|
sign_changes = np.where(np.diff(np.sign(diff)))[0]
|
||||||
|
|
||||||
|
# Détection des fermetures : minimum local de T intérieure entre 5h et 10h
|
||||||
|
# (on cherche le moment où la courbe intérieure cesse de descendre et repart)
|
||||||
|
dz["hour"] = dz["time"].dt.hour
|
||||||
|
dz["diff_temp"] = dz["temperature"].diff() # dérivée discrète
|
||||||
|
|
||||||
|
fig, ax = plt.subplots(figsize=(14, 5))
|
||||||
|
fig.patch.set_facecolor("white")
|
||||||
|
|
||||||
|
# Fond canicule
|
||||||
|
ax.axvspan(zoom_start, zoom_end, color="#ffe0b2", alpha=0.35, zorder=0)
|
||||||
|
|
||||||
|
# Zones nocturnes (20h–6h)
|
||||||
|
for day_offset in range(4):
|
||||||
|
night_s = zoom_start + pd.Timedelta(days=day_offset, hours=20)
|
||||||
|
night_e = night_s + pd.Timedelta(hours=10)
|
||||||
|
ax.axvspan(night_s, night_e, color="#eceff1", alpha=0.6, zorder=0)
|
||||||
|
|
||||||
|
# Courbes
|
||||||
|
ax.plot(dz_c["time"], dz_c["temperature"],
|
||||||
|
color=BROWN, linewidth=0.8, alpha=0.75, zorder=3,
|
||||||
|
linestyle="--", label="T intérieure chambre (Aranet4)")
|
||||||
|
ax.plot(dz["time"], dz["temperature"],
|
||||||
|
color=RED_DARK, linewidth=1.3, zorder=4,
|
||||||
|
label="T intérieure pièce principale (Aranet4)")
|
||||||
|
ax.plot(ez["time"], ez["temp_ext"],
|
||||||
|
color=BLUE, linewidth=1.5, zorder=5,
|
||||||
|
marker="o", markersize=2.5, label="T extérieure (MétéoSuisse GVE)")
|
||||||
|
|
||||||
|
# ── Annotations ouvertures (croisement ext descend sous int, soirée) ─────────
|
||||||
|
annotated_open = 0
|
||||||
|
for idx in sign_changes:
|
||||||
|
if idx + 1 >= len(dz):
|
||||||
|
continue
|
||||||
|
s_before = np.sign(diff[idx])
|
||||||
|
s_after = np.sign(diff[idx + 1])
|
||||||
|
hour = dz["time"].iloc[idx].hour
|
||||||
|
if s_before < 0 and s_after > 0 and 17 <= hour <= 23 and annotated_open < 4:
|
||||||
|
ax.annotate(
|
||||||
|
"ouverture",
|
||||||
|
xy=(dz["time"].iloc[idx], dz["temperature"].iloc[idx]),
|
||||||
|
xytext=(0, 25), textcoords="offset points",
|
||||||
|
fontsize=7.5, color=BLUE, ha="center",
|
||||||
|
arrowprops=dict(arrowstyle="->", color=BLUE, lw=0.8),
|
||||||
|
)
|
||||||
|
annotated_open += 1
|
||||||
|
|
||||||
|
# ── Annotations fermetures : minimum local de T int entre 5h et 10h ──────────
|
||||||
|
# Par jour, on cherche l'indice du minimum de T intérieure dans la fenêtre 5h–10h
|
||||||
|
annotated_solar = 0
|
||||||
|
for day_offset in range(4):
|
||||||
|
day = zoom_start.date() + pd.Timedelta(days=day_offset)
|
||||||
|
mask = (
|
||||||
|
(dz["time"].dt.date == day) &
|
||||||
|
(dz["hour"] >= 5) &
|
||||||
|
(dz["hour"] <= 10)
|
||||||
|
)
|
||||||
|
subset = dz[mask]
|
||||||
|
if subset.empty:
|
||||||
|
continue
|
||||||
|
# minimum de T intérieure dans la fenêtre → point de divergence
|
||||||
|
idx_min = subset["temperature"].idxmin()
|
||||||
|
t_close = dz.loc[idx_min, "time"]
|
||||||
|
y_close = dz.loc[idx_min, "temperature"]
|
||||||
|
if annotated_solar < 4:
|
||||||
|
ax.annotate(
|
||||||
|
"fermeture",
|
||||||
|
xy=(t_close, y_close),
|
||||||
|
xytext=(0, -32), textcoords="offset points",
|
||||||
|
fontsize=7.5, color=RED_DARK, ha="center",
|
||||||
|
arrowprops=dict(arrowstyle="->", color=RED_DARK, lw=0.8),
|
||||||
|
)
|
||||||
|
annotated_solar += 1
|
||||||
|
|
||||||
|
# ── Habillage ─────────────────────────────────────────────────────────────────
|
||||||
|
ax.yaxis.set_ticks_position("both")
|
||||||
|
ax.tick_params(axis="y", right=True, labelright=True, labelsize=9)
|
||||||
|
ax.set_ylabel("Température (°C)", fontsize=10)
|
||||||
|
ax.set_ylim(19, 37)
|
||||||
|
ax.legend(loc="upper left", fontsize=8, framealpha=0.9)
|
||||||
|
ax.set_title(
|
||||||
|
"Zoom canicule 25–28 juin 2026 — croisements T intérieure / T extérieure\n"
|
||||||
|
"Zones grises : tranches nocturnes (20h–6h)",
|
||||||
|
fontsize=10
|
||||||
|
)
|
||||||
|
ax.grid(axis="y", ls=":", alpha=0.4)
|
||||||
|
|
||||||
|
# Axe X : jours en français, heures intermédiaires avec label
|
||||||
|
ax.xaxis.set_major_locator(mdates.DayLocator(interval=1))
|
||||||
|
ax.xaxis.set_major_formatter(FuncFormatter(
|
||||||
|
lambda x, _: fmt_date_fr_court(mdates.num2date(x))
|
||||||
|
))
|
||||||
|
ax.xaxis.set_minor_locator(mdates.HourLocator(byhour=[6, 12, 18]))
|
||||||
|
ax.xaxis.set_minor_formatter(mdates.DateFormatter("%Hh"))
|
||||||
|
plt.setp(ax.xaxis.get_minorticklabels(), fontsize=7, color="#888888")
|
||||||
|
plt.setp(ax.xaxis.get_majorticklabels(), rotation=0, ha="center", fontsize=9)
|
||||||
|
|
||||||
|
fig.tight_layout()
|
||||||
|
plt.show()
|
||||||
|
```
|
||||||
|
|
||||||
|
<!-- références -->
|
||||||
|
|
||||||
|
[1]: https://aranet.com/en/home/products/aranet4-home "Appareil sur le site du fournisseur"
|
||||||
|
|
@ -0,0 +1,23 @@
|
||||||
|
project:
|
||||||
|
type: website
|
||||||
|
|
||||||
|
website:
|
||||||
|
title: "Appartemp"
|
||||||
|
navbar:
|
||||||
|
left:
|
||||||
|
- href: index.qmd
|
||||||
|
text: Home
|
||||||
|
- href: 2026-06.qmd
|
||||||
|
text: "Juin 2026"
|
||||||
|
- about.qmd
|
||||||
|
|
||||||
|
format:
|
||||||
|
html:
|
||||||
|
theme:
|
||||||
|
- cosmo
|
||||||
|
- brand
|
||||||
|
css: styles.css
|
||||||
|
toc: true
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
File diff suppressed because it is too large
Load Diff
File diff suppressed because it is too large
Load Diff
File diff suppressed because it is too large
Load Diff
|
|
@ -0,0 +1,14 @@
|
||||||
|
---
|
||||||
|
title: "Appartemp"
|
||||||
|
---
|
||||||
|
|
||||||
|
This is a Quarto website.
|
||||||
|
|
||||||
|
To learn more about Quarto websites visit <https://quarto.org/docs/websites>.
|
||||||
|
|
||||||
|
- [Juin 2026][1].
|
||||||
|
|
||||||
|
<!-- références -->
|
||||||
|
|
||||||
|
[1]: 2026-06.qmd
|
||||||
|
|
||||||
|
|
@ -0,0 +1,14 @@
|
||||||
|
[project]
|
||||||
|
name = "appartemp"
|
||||||
|
version = "0.1.0"
|
||||||
|
description = "Add your description here"
|
||||||
|
readme = "README.md"
|
||||||
|
requires-python = ">=3.13"
|
||||||
|
dependencies = [
|
||||||
|
"jupyter>=1.1.1",
|
||||||
|
"jupyter-cache>=1.0.1",
|
||||||
|
"matplotlib>=3.11.0",
|
||||||
|
"numpy>=2.5.0",
|
||||||
|
"pandas>=3.0.3",
|
||||||
|
"scipy>=1.18.0",
|
||||||
|
]
|
||||||
|
|
@ -0,0 +1 @@
|
||||||
|
/* css styles */
|
||||||
Loading…
Reference in New Issue