.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "examples/plot_sintese_operacao.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. .. rst-class:: sphx-glr-example-title .. _sphx_glr_examples_plot_sintese_operacao.py: ======================================== Síntese da Operação ======================================== .. GENERATED FROM PYTHON SOURCE LINES 8-16 Para realizar a síntese da operação de um caso do DECOMP é necessário estar em um diretório no qual estão os principais arquivos de saída do modelo. Em geral, as variáveis da operação são extraídas dos arquivos relato.rvX e relato2.rvX. Além dos arquivos dos quais são extraídas as variáveis em si, são lidos também alguns arquivos de entrada do modelo, como o `dadger.rvX` e `hidr.dat``. Neste contexto, basta fazer:: $ sintetizador-decomp operacao .. GENERATED FROM PYTHON SOURCE LINES 18-48 O sintetizador irá exibir o log da sua execução:: >>> 2025-04-07 20:04:41,917 INFO: # Realizando síntese da OPERACAO # >>> . >>> . >>> . >>> 2025-04-07 20:07:38,946 INFO: Realizando sintese de GTER_UTE >>> 2025-04-07 20:07:38,981 INFO: Tempo para obtenção dos dados do dec_oper_usit: 0.03 s >>> 2025-04-07 20:07:39,016 INFO: Tempo para compactacao dos dados: 0.03 s >>> 2025-04-07 20:07:39,093 INFO: Tempo para calculo dos limites: 0.08 s >>> 2025-04-07 20:07:39,746 INFO: Tempo para preparacao para exportacao: 0.65 s >>> 2025-04-07 20:07:39,806 INFO: Tempo para exportacao dos dados: 0.06 s >>> 2025-04-07 20:07:39,806 INFO: Tempo para sintese de GTER_UTE: 0.86 s >>> 2025-04-07 20:07:39,806 INFO: Realizando sintese de INT_SBP >>> 2025-04-07 20:07:39,807 INFO: Lendo arquivo dec_oper_interc.csv >>> 2025-04-07 20:07:46,525 INFO: Tempo para obtenção dos dados do dec_oper_interc: 6.72 s >>> 2025-04-07 20:07:46,531 INFO: Tempo para compactacao dos dados: 0.01 s >>> 2025-04-07 20:07:46,546 INFO: Tempo para calculo dos limites: 0.01 s >>> 2025-04-07 20:07:46,657 INFO: Tempo para preparacao para exportacao: 0.11 s >>> 2025-04-07 20:07:46,670 INFO: Tempo para exportacao dos dados: 0.01 s >>> 2025-04-07 20:07:46,670 INFO: Tempo para sintese de INT_SBP: 6.86 s >>> 2025-04-07 20:07:46,670 INFO: Realizando sintese de INTL_SBP >>> 2025-04-07 20:07:46,793 INFO: Tempo para obtenção dos dados do dec_oper_interc: 0.12 s >>> 2025-04-07 20:07:46,797 INFO: Tempo para compactacao dos dados: 0.00 s >>> 2025-04-07 20:07:46,798 INFO: Tempo para calculo dos limites: 0.00 s >>> 2025-04-07 20:07:46,862 INFO: Tempo para preparacao para exportacao: 0.06 s >>> 2025-04-07 20:07:46,870 INFO: Tempo para exportacao dos dados: 0.01 s >>> 2025-04-07 20:07:46,870 INFO: Tempo para sintese de INTL_SBP: 0.20 s >>> 2025-04-07 20:07:47,894 INFO: Tempo para sintese da operacao: 185.98 s >>> 2025-04-07 20:07:47,894 INFO: # Fim da síntese # .. GENERATED FROM PYTHON SOURCE LINES 50-52 Os arquivos serão salvos no subdiretório `sintese`. Para realizar o processamento, pode ser utilizado o próprio `python`: .. GENERATED FROM PYTHON SOURCE LINES 52-56 .. code-block:: Python import plotly.express as px import plotly.graph_objects as go import pandas as pd .. GENERATED FROM PYTHON SOURCE LINES 57-59 Para a síntese da operação é produzido um arquivo com as informações das sínteses que foram realizadas: .. GENERATED FROM PYTHON SOURCE LINES 59-62 .. code-block:: Python metadados = pd.read_parquet("sintese/METADADOS_OPERACAO.parquet") print(metadados.head(10)) .. rst-class:: sphx-glr-script-out .. code-block:: none chave nome_curto_variavel ... calculado limitado 0 CMO_SBM CMO ... False False 1 CTER_UTE Custo de GT ... False True 2 CTER_SIN Custo de GT ... False True 3 COP_SIN COPER ... False True 4 CFU_SIN CFU ... False True 5 EARMI_REE EAR Inicial ... False True 6 EARMI_SBM EAR Inicial ... False True 7 EARMI_SIN EAR Inicial ... True True 8 EARPI_REE EAR Percentual Inicial ... False True 9 EARPI_SBM EAR Percentual Inicial ... False True [10 rows x 8 columns] .. GENERATED FROM PYTHON SOURCE LINES 63-65 Os arquivos com os nomes das sínteses de operação armazenam os dados de todos os cenários simulados. .. GENERATED FROM PYTHON SOURCE LINES 65-69 .. code-block:: Python cmo = pd.read_parquet("sintese/CMO_SBM.parquet") earmf = pd.read_parquet("sintese/EARMF_SIN.parquet") varpf = pd.read_parquet("sintese/VARPF_UHE.parquet") .. GENERATED FROM PYTHON SOURCE LINES 70-71 O formato dos dados de CMO: .. GENERATED FROM PYTHON SOURCE LINES 71-73 .. code-block:: Python print(cmo.head(10)) .. rst-class:: sphx-glr-script-out .. code-block:: none codigo_submercado estagio ... limite_inferior limite_superior 0 1 1 ... -inf inf 1 1 1 ... -inf inf 2 1 1 ... -inf inf 3 1 1 ... -inf inf 4 1 1 ... -inf inf 5 1 1 ... -inf inf 6 1 1 ... -inf inf 7 1 1 ... -inf inf 8 1 1 ... -inf inf 9 1 1 ... -inf inf [10 rows x 10 columns] .. GENERATED FROM PYTHON SOURCE LINES 74-75 Os tipos de dados da síntese de CMO: .. GENERATED FROM PYTHON SOURCE LINES 75-77 .. code-block:: Python cmo.dtypes .. rst-class:: sphx-glr-script-out .. code-block:: none codigo_submercado int64 estagio int64 data_inicio datetime64[ns, UTC] data_fim datetime64[ns, UTC] cenario int64 patamar int64 duracao_patamar float64 valor float64 limite_inferior float64 limite_superior float64 dtype: object .. GENERATED FROM PYTHON SOURCE LINES 78-79 O formato dos dados de EARMF: .. GENERATED FROM PYTHON SOURCE LINES 79-81 .. code-block:: Python print(earmf.head(10)) .. rst-class:: sphx-glr-script-out .. code-block:: none estagio data_inicio ... limite_inferior limite_superior 0 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 1 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 2 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 3 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 4 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 5 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 6 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 7 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 8 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 9 1 2025-03-01 00:00:00+00:00 ... 61475.0 291922.0 [10 rows x 9 columns] .. GENERATED FROM PYTHON SOURCE LINES 82-83 Os tipos de dados da síntese de EARMF: .. GENERATED FROM PYTHON SOURCE LINES 83-85 .. code-block:: Python earmf.dtypes .. rst-class:: sphx-glr-script-out .. code-block:: none estagio int64 data_inicio datetime64[ns, UTC] data_fim datetime64[ns, UTC] cenario int64 patamar int64 duracao_patamar float64 valor float64 limite_inferior float64 limite_superior float64 dtype: object .. GENERATED FROM PYTHON SOURCE LINES 86-87 O formato dos dados de VARPF: .. GENERATED FROM PYTHON SOURCE LINES 87-89 .. code-block:: Python print(varpf.head(10)) .. rst-class:: sphx-glr-script-out .. code-block:: none codigo_usina codigo_ree ... limite_inferior limite_superior 0 1 10 ... -inf inf 1 1 10 ... -inf inf 2 1 10 ... -inf inf 3 1 10 ... -inf inf 4 1 10 ... -inf inf 5 1 10 ... -inf inf 6 1 10 ... -inf inf 7 1 10 ... -inf inf 8 1 10 ... -inf inf 9 1 10 ... -inf inf [10 rows x 12 columns] .. GENERATED FROM PYTHON SOURCE LINES 90-91 Os tipos de dados da síntese de VARPF: .. GENERATED FROM PYTHON SOURCE LINES 91-93 .. code-block:: Python varpf.dtypes .. rst-class:: sphx-glr-script-out .. code-block:: none codigo_usina int64 codigo_ree int64 codigo_submercado int64 estagio int64 data_inicio datetime64[ns, UTC] data_fim datetime64[ns, UTC] cenario int64 patamar int64 duracao_patamar float64 valor float64 limite_inferior float64 limite_superior float64 dtype: object .. GENERATED FROM PYTHON SOURCE LINES 94-100 De modo geral, os arquivos das sínteses de operação sempre possuem as colunas `estagio`, `data_inicio`, `data_fim`, `cenario`, `patamar` e `valor`. A depender se o arquivo é relativo a uma agregação espacial diferente de todo o SIN ou agregação temporal diferente do valor médio por estágio, existirão outras colunas adicionais para determinar de qual subconjunto da agregação o dado pertence. Por exemplo, no arquivo da síntese de CMO_SBM, existe uma coluna adicional de nome `codigo_submercado`. .. GENERATED FROM PYTHON SOURCE LINES 102-104 A coluna de cenários contém não somente inteiros de 1 a N, onde N é o número de séries da simulação final do modelo. .. GENERATED FROM PYTHON SOURCE LINES 104-108 .. code-block:: Python cenarios = earmf["cenario"].unique().tolist() print(cenarios) .. rst-class:: sphx-glr-script-out .. code-block:: none [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142, 143] .. GENERATED FROM PYTHON SOURCE LINES 109-111 Através das estatísticas é possível fazer um gráfico de caixas, para ilustrar a dispersão da variável da operação com os cenários: .. GENERATED FROM PYTHON SOURCE LINES 111-114 .. code-block:: Python fig = px.box(earmf, x="data_inicio", y="valor") fig .. raw:: html


.. GENERATED FROM PYTHON SOURCE LINES 115-117 Para variáveis da operação que possuam diferentes subconjuntos, como os submercados, podem ser utilizados gráficos de violino para avaliação da dispersão nos cenários do 2º mês: .. GENERATED FROM PYTHON SOURCE LINES 117-128 .. code-block:: Python ultimo_estagio = cmo["estagio"].max() cmos_2omes = cmo.loc[cmo["estagio"] == ultimo_estagio] fig = px.violin( cmos_2omes, y="valor", color="codigo_submercado", box=True, ) fig .. raw:: html


.. GENERATED FROM PYTHON SOURCE LINES 129-131 Para dados por UHE, como o número de subconjuntos é muito grande, é possível fazer um subconjunto dos elementos de interesse para a visualização: .. GENERATED FROM PYTHON SOURCE LINES 131-144 .. code-block:: Python varpf_1omes = varpf.loc[ (varpf["estagio"] < ultimo_estagio) & varpf["codigo_usina"].isin([6, 169, 251, 275]) ] fig = px.line( varpf_1omes, x="data_inicio", y="valor", facet_col_wrap=2, facet_col="codigo_usina", ) fig .. raw:: html


.. GENERATED FROM PYTHON SOURCE LINES 145-147 Além dos arquivos com as sínteses dos cenários, estão disponíveis também os arquivos que agregam estatísticas das previsões: .. GENERATED FROM PYTHON SOURCE LINES 147-151 .. code-block:: Python estatisticas_uhe = pd.read_parquet("sintese/ESTATISTICAS_OPERACAO_UHE.parquet") print(estatisticas_uhe.head(10)) .. rst-class:: sphx-glr-script-out .. code-block:: none variavel codigo_usina codigo_ree ... valor limite_inferior limite_superior 0 EVER 1 10 ... 0.0 0.0 inf 1 EVER 1 10 ... 0.0 0.0 inf 2 EVER 1 10 ... 0.0 0.0 inf 3 EVER 1 10 ... 0.0 0.0 inf 4 EVER 1 10 ... 0.0 0.0 inf 5 EVER 1 10 ... 0.0 0.0 inf 6 EVER 1 10 ... 0.0 0.0 inf 7 EVER 1 10 ... 0.0 0.0 inf 8 EVER 1 10 ... 0.0 0.0 inf 9 EVER 1 10 ... 0.0 0.0 inf [10 rows x 13 columns] .. GENERATED FROM PYTHON SOURCE LINES 152-153 As informações dos arquivos de estatísticas são: .. GENERATED FROM PYTHON SOURCE LINES 153-155 .. code-block:: Python print(estatisticas_uhe.columns) .. rst-class:: sphx-glr-script-out .. code-block:: none Index(['variavel', 'codigo_usina', 'codigo_ree', 'codigo_submercado', 'estagio', 'data_inicio', 'data_fim', 'cenario', 'patamar', 'duracao_patamar', 'valor', 'limite_inferior', 'limite_superior'], dtype='object') .. GENERATED FROM PYTHON SOURCE LINES 156-158 Um arquivo único é gerado para as estatísticas de todas as variáveis, agregadas por cada elemento do sistema.: .. GENERATED FROM PYTHON SOURCE LINES 158-160 .. code-block:: Python print(estatisticas_uhe["variavel"].unique()) .. rst-class:: sphx-glr-script-out .. code-block:: none [ 'EVER', 'EVERNT', 'EVERT', 'GHID', 'QAFL', 'QDEF', 'QDES', 'QEVP', 'QINC', 'QRET', 'QTUR', 'QVER', 'VARMF', 'VARMI', 'VARPF', 'VARPI'] Length: 16, dtype: string .. GENERATED FROM PYTHON SOURCE LINES 161-163 As estatísticas disponíveis são os valores mínimos, máximos, médios e quantis a cada 5 percentis para cada variável de cada elemento de sistema. No caso das UHEs: .. GENERATED FROM PYTHON SOURCE LINES 163-166 .. code-block:: Python print(estatisticas_uhe["cenario"].unique()) .. rst-class:: sphx-glr-script-out .. code-block:: none ['max' 'mean' 'median' 'min' 'p10' 'p15' 'p20' 'p25' 'p30' 'p35' 'p40' 'p45' 'p5' 'p55' 'p60' 'p65' 'p70' 'p75' 'p80' 'p85' 'p90' 'p95' 'std'] .. GENERATED FROM PYTHON SOURCE LINES 167-169 Através das estatísticas é possível fazer um gráfico de quantis, para ilustrar a dispersão da variável da operação com os cenários: .. GENERATED FROM PYTHON SOURCE LINES 169-192 .. code-block:: Python estatisticas_sin = pd.read_parquet("sintese/ESTATISTICAS_OPERACAO_SIN.parquet") percentis = [col for col in estatisticas_sin["cenario"].unique() if "p" in col] estatisticas_earmf = estatisticas_sin.loc[ estatisticas_sin["variavel"] == "EARMF" ] fig = go.Figure() for p in percentis: earmf_p = estatisticas_earmf.loc[estatisticas_earmf["cenario"] == f"{p}"] print(earmf_p) fig.add_trace( go.Scatter( x=earmf_p["data_fim"], y=earmf_p["valor"], line={ "color": "rgba(66, 135, 245, 0.3)", "width": 2, }, name=f"p{p}", showlegend=False, ) ) fig .. rst-class:: sphx-glr-script-out .. code-block:: none variavel estagio ... limite_inferior limite_superior 970 EARMF 1 ... 61475.0 291922.0 993 EARMF 2 ... 61475.0 291922.0 1016 EARMF 3 ... 61475.0 291922.0 1039 EARMF 4 ... 61475.0 291922.0 1062 EARMF 5 ... 61475.0 291922.0 1085 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 971 EARMF 1 ... 61475.0 291922.0 994 EARMF 2 ... 61475.0 291922.0 1017 EARMF 3 ... 61475.0 291922.0 1040 EARMF 4 ... 61475.0 291922.0 1063 EARMF 5 ... 61475.0 291922.0 1086 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 972 EARMF 1 ... 61475.0 291922.0 995 EARMF 2 ... 61475.0 291922.0 1018 EARMF 3 ... 61475.0 291922.0 1041 EARMF 4 ... 61475.0 291922.0 1064 EARMF 5 ... 61475.0 291922.0 1087 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 973 EARMF 1 ... 61475.0 291922.0 996 EARMF 2 ... 61475.0 291922.0 1019 EARMF 3 ... 61475.0 291922.0 1042 EARMF 4 ... 61475.0 291922.0 1065 EARMF 5 ... 61475.0 291922.0 1088 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 974 EARMF 1 ... 61475.0 291922.0 997 EARMF 2 ... 61475.0 291922.0 1020 EARMF 3 ... 61475.0 291922.0 1043 EARMF 4 ... 61475.0 291922.0 1066 EARMF 5 ... 61475.0 291922.0 1089 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 975 EARMF 1 ... 61475.0 291922.0 998 EARMF 2 ... 61475.0 291922.0 1021 EARMF 3 ... 61475.0 291922.0 1044 EARMF 4 ... 61475.0 291922.0 1067 EARMF 5 ... 61475.0 291922.0 1090 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 976 EARMF 1 ... 61475.0 291922.0 999 EARMF 2 ... 61475.0 291922.0 1022 EARMF 3 ... 61475.0 291922.0 1045 EARMF 4 ... 61475.0 291922.0 1068 EARMF 5 ... 61475.0 291922.0 1091 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 977 EARMF 1 ... 61475.0 291922.0 1000 EARMF 2 ... 61475.0 291922.0 1023 EARMF 3 ... 61475.0 291922.0 1046 EARMF 4 ... 61475.0 291922.0 1069 EARMF 5 ... 61475.0 291922.0 1092 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 978 EARMF 1 ... 61475.0 291922.0 1001 EARMF 2 ... 61475.0 291922.0 1024 EARMF 3 ... 61475.0 291922.0 1047 EARMF 4 ... 61475.0 291922.0 1070 EARMF 5 ... 61475.0 291922.0 1093 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 979 EARMF 1 ... 61475.0 291922.0 1002 EARMF 2 ... 61475.0 291922.0 1025 EARMF 3 ... 61475.0 291922.0 1048 EARMF 4 ... 61475.0 291922.0 1071 EARMF 5 ... 61475.0 291922.0 1094 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 980 EARMF 1 ... 61475.0 291922.0 1003 EARMF 2 ... 61475.0 291922.0 1026 EARMF 3 ... 61475.0 291922.0 1049 EARMF 4 ... 61475.0 291922.0 1072 EARMF 5 ... 61475.0 291922.0 1095 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 981 EARMF 1 ... 61475.0 291922.0 1004 EARMF 2 ... 61475.0 291922.0 1027 EARMF 3 ... 61475.0 291922.0 1050 EARMF 4 ... 61475.0 291922.0 1073 EARMF 5 ... 61475.0 291922.0 1096 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 982 EARMF 1 ... 61475.0 291922.0 1005 EARMF 2 ... 61475.0 291922.0 1028 EARMF 3 ... 61475.0 291922.0 1051 EARMF 4 ... 61475.0 291922.0 1074 EARMF 5 ... 61475.0 291922.0 1097 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 983 EARMF 1 ... 61475.0 291922.0 1006 EARMF 2 ... 61475.0 291922.0 1029 EARMF 3 ... 61475.0 291922.0 1052 EARMF 4 ... 61475.0 291922.0 1075 EARMF 5 ... 61475.0 291922.0 1098 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 984 EARMF 1 ... 61475.0 291922.0 1007 EARMF 2 ... 61475.0 291922.0 1030 EARMF 3 ... 61475.0 291922.0 1053 EARMF 4 ... 61475.0 291922.0 1076 EARMF 5 ... 61475.0 291922.0 1099 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 985 EARMF 1 ... 61475.0 291922.0 1008 EARMF 2 ... 61475.0 291922.0 1031 EARMF 3 ... 61475.0 291922.0 1054 EARMF 4 ... 61475.0 291922.0 1077 EARMF 5 ... 61475.0 291922.0 1100 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 986 EARMF 1 ... 61475.0 291922.0 1009 EARMF 2 ... 61475.0 291922.0 1032 EARMF 3 ... 61475.0 291922.0 1055 EARMF 4 ... 61475.0 291922.0 1078 EARMF 5 ... 61475.0 291922.0 1101 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] variavel estagio ... limite_inferior limite_superior 987 EARMF 1 ... 61475.0 291922.0 1010 EARMF 2 ... 61475.0 291922.0 1033 EARMF 3 ... 61475.0 291922.0 1056 EARMF 4 ... 61475.0 291922.0 1079 EARMF 5 ... 61475.0 291922.0 1102 EARMF 6 ... 61514.0 292129.0 [6 rows x 10 columns] .. raw:: html


.. GENERATED FROM PYTHON SOURCE LINES 193-195 Também é possível fazer uma análise por meio de gráficos de linhas com áreas sombreadas, para ilustrar a cobertura dos cenários no domínio da variável: .. GENERATED FROM PYTHON SOURCE LINES 195-237 .. code-block:: Python fig = go.Figure() earm_mean = estatisticas_earmf.loc[estatisticas_earmf["cenario"] == "mean"] earm_max = estatisticas_earmf.loc[estatisticas_earmf["cenario"] == "max"] earm_min = estatisticas_earmf.loc[estatisticas_earmf["cenario"] == "min"] fig.add_trace( go.Scatter( x=earm_mean["data_fim"], y=earm_mean["valor"], line={ "color": "rgba(66, 135, 245, 0.9)", "width": 4, }, name="mean", ) ) fig.add_trace( go.Scatter( x=earm_min["data_fim"], y=earm_min["valor"], line={ "color": "rgba(66, 135, 245, 0.9)", "width": 4, }, line_color="rgba(66, 135, 245, 0.3)", fillcolor="rgba(66, 135, 245, 0.3)", name="min", ) ) fig.add_trace( go.Scatter( x=earm_max["data_fim"], y=earm_max["valor"], line={ "color": "rgba(66, 135, 245, 0.9)", "width": 4, }, line_color="rgba(66, 135, 245, 0.3)", fill="tonexty", name="max", ) ) fig .. raw:: html


.. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 0.564 seconds) .. _sphx_glr_download_examples_plot_sintese_operacao.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_sintese_operacao.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_sintese_operacao.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_sintese_operacao.zip ` .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_