企业官网建设流程全解析

IoT-For-Beginners 农场实战：用 Jupyter Notebook 可视化温度数据并计算 GDD 生长积温

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

本文基于 IoT-For-Beginners 课程「2-farm / 1-predict-plant-growth」的课后作业文档（丹麦语版）编写，完整覆盖其全部操作步骤与评分标准。核心主题是：在前一课已经用 IoT 温度传感器 + MQTT 服务端把温度数据落盘为temperature.csv的基础上，如何用 Jupyter Notebook 逐单元格运行代码，可视化连续多天的温度曲线，并按天聚合出最高/最低温，最终计算作物的生长积温（GDD，Growing Degree Days）。读完本文，你可以独立完成从数据收集、环境搭建到运行 notebook 产出每日 GDD 的完整链路，并能看懂 notebook 中每一段 pandas/matplotlib 代码的作用。

背景：GDD 数据从哪里来

这篇作业文档的开场即点明前提：

在本课中，你已经使用 IoT 传感器采集了 GDD 数据。要得到可靠的 GDD 数据，需要连续多天的数据积累。为了帮助可视化温度数据并计算 GDD，可以使用 Jupyter Notebooks 这类工具来分析数据。

结合本课 README（2-farm/lessons/1-predict-plant-growth/README.md）的数据链路来看，整条链路是：

1. IoT 设备（Wio Terminal / Raspberry Pi / 虚拟设备）读取环境温度，通过 MQTT 把遥测消息发布到<ID>/telemetry主题；
2. 服务端 Python 代码订阅该主题，把每条遥测消息追加写入 CSV 文件temperature.csv；
3. 本作业：把temperature.csv与仓库自带的 gdd.ipynb 放在一起，用 Jupyter 逐单元格分析。

GDD（生长积温）的简化公式（见本课 README）为：

• T_max：当日最高温度（℃）
• T_min：当日最低温度（℃）
• T_base：该作物的基础温度（base temperature，℃）

例如草莓 T_base为 10℃，玉米（maize）多为 10℃ 且需要约 800–2700 GDD 成熟。notebook 的核心价值就是自动完成「从 CSV 找每天最高/最低温 → 套公式算 GDD」这一步，替代人工查表。

前提：先持续收集几天数据

作业文档明确要求：先开始收集几天的数据。要拿到「好」的 GDD 数据，温度采集必须跨多个完整白天。文档给出了两条保证服务端整夜不中断的关键手段：

• 调整电脑/主板的电源管理设置，阻止系统休眠；
• 或者运行一个「保持系统活跃」类的 Python 脚本（原文档引用了外部 keep-system-active 项目，本文不附外部链接，思路一致：一个空转循环 + 阻止睡眠调用的脚本即可）。

这里有一个容易踩的坑：temperature.csv由 MQTT 服务端产生，服务端代码必须在 IoT 设备运行的整个时间段内持续运行。如果电脑半夜进入睡眠，MQTT 客户端断线，服务端就会漏掉夜间温度——而夜间最低温 T_min恰恰是 GDD 公式里的关键输入，缺了它整天的数据都不可用。这也正是作业文档把「数据采集」单列为评分项的原因。

数据收集完成后，temperature.csv应该长这样（格式由服务端代码决定，见下文源码分析）：

date,temperature 2021-04-19T17:21:36-07:00,25 2021-04-19T17:31:36-07:00,24 2021-04-19T17:41:36-07:00,25

操作步骤：完整继承作业文档的 7 步流程

以下 7 步完整对应原文档（丹麦语版translations/da/2-farm/lessons/1-predict-plant-growth/assignment.md）中的编号步骤，仅将其中相对链接转换为仓库根路径。

第 1 步：创建gdd-calculation文件夹

mkdir gdd-calculation

第 2 步：下载并复制gdd.ipynb

从仓库中复制 gdd.ipynb 到gdd-calculation文件夹。原文档写的是“Download the gdd.ipynb file and copy it”，在本仓库上下文中即指这份 notebook 源文件。

第 3 步：复制temperature.csv

把 MQTT 服务端生成（temperature-sensor-server目录下）的temperature.csv复制到gdd-calculation文件夹，必须与gdd.ipynb位于同一目录——因为 notebook 里用的是pd.read_csv('temperature.csv')这种相对路径读取。

第 4 步：创建 Python 虚拟环境

在gdd-calculation文件夹内创建一个新的 Python 虚拟环境，例如：

python3 -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows

第 5 步：安装 Jupyter 与数据处理库

原文档给出的 pip 安装命令（完整保留）：

pip install --upgrade pip pip install pandas pip install matplotlib pip install jupyter

其中pandas负责读取 CSV 与按日期分组聚合，matplotlib负责绘制温度曲线，jupyter提供 notebook 运行环境。

第 6 步：在 Jupyter 中运行 notebook

jupyter notebook gdd.ipynb

Jupyter 启动后会在浏览器中打开 notebook。按原文档的指引：依次阅读说明单元格、逐格运行代码单元格。这个 notebook 的说明与代码混合在称为cells（单元格）的块中，通常是 Python 代码，你可以逐块阅读、逐块执行，也可以直接编辑代码。

Notebook 源码逐格解析：每一步在做什么

打开 gdd.ipynb 可以看到它由若干 Markdown 说明单元格和代码单元格组成。逐格拆解如下：

单元格 1：设置基础温度base_temperature = 10

base_temperature = 10

这是全文档强调的可编辑点——「在这个 notebook 中，你可以编辑用于计算你的植物的 GDD 的基础温度」。10 是通用默认值（对应草莓、玉米等 T_base= 10℃ 的作物），换成你实际种植的作物对应的基础温度即可，后续所有计算都会引用这个变量。

单元格 2：用 pandas 读取 CSV

import pandas as pd import matplotlib.pyplot as plt # Read the temperature CSV file df = pd.read_csv('temperature.csv')

注意这里读的是当前工作目录下的temperature.csv，与第 3 步「文件必须和 notebook 同目录」严格对应。

单元格 3：绘制温度曲线

plt.figure(figsize=(20, 10)) plt.plot(df['date'], df['temperature']) plt.xticks(rotation='vertical');

用 20×10 英寸的大画布把date列对temperature列画成折线图，并竖排旋转横轴刻度，方便查看连续多天的原始采样点。这一步的作用首先是数据质检：如果某天夜里没有数据点（服务端休眠导致），图上会直接出现缺口，提醒你重新采集。

单元格 4：按日期聚合出每天的最高/最低温

# Convert datetimes to pure dates so we can group by the date df['date'] = pd.to_datetime(df['date']).dt.date # Group the data by date so it can be analyzed by date data_by_date = df.groupby('date') # Get the minimum and maximum temperatures for each date min_by_date = data_by_date.min() max_by_date = data_by_date.max() # Join the min and max temperatures into one dataframe and flatten it min_max_by_date = min_by_date.join(max_by_date, on='date', lsuffix='_min', rsuffix='_max') min_max_by_date = min_max_by_date.reset_index()

关键点：服务端写入的date列是带时分秒的 ISO 8601 时间戳（如2021-04-19T17:21:36-07:00），而 GDD 是「按天」计算的，所以先用pd.to_datetime(...).dt.date把时间戳截断为纯日期，再groupby('date')，对每组分别求min()和max()，最后用join把两个结果拼成一张含temperature_min、temperature_max两列的表。这一步自动完成了本课 README 中描述的手算步骤「从 temperature.csv 找出当天的最高与最低温度」。

单元格 5：套用 GDD 公式并输出结果

def calculate_gdd(row): return ((row['temperature_max'] + row['temperature_min']) / 2) - base_temperature # Calculate the GDD for each row min_max_by_date['gdd'] = min_max_by_date.apply (lambda row: calculate_gdd(row), axis=1) # Print the results print(min_max_by_date[['date', 'gdd']].to_string(index=False))

calculate_gdd就是公式 GDD = (T_max+ T_min)/2 − T_base的逐行实现，输出为每天一行的「日期 + GDD」表。对照本课 README 中的草莓手算示例（当日最高 25℃、最低 12℃、T_base10℃）：25 + 12 = 37 → 37 / 2 = 18.5 → 18.5 − 10 =8.5 GDD；notebook 会对采集到的每一天自动产出同样的结果。累计这些日 GDD 即可对照作物所需总 GDD（如草莓约 250 GDD 结果）判断成熟进度。

数据源头：temperature.csv是如何被服务端写出来的

作业文档第 3 步提到temperature.csv是「由 MQTT 服务端创建的文件」。仓库中对应的实现是 code-server/temperature-sensor-server/app.py，它解释了 CSV 的确切格式，也解释了为什么 notebook 用相对路径就能直接读取：

mqtt_client = mqtt.Client(client_name) mqtt_client.connect('test.mosquitto.org') ... temperature_file_name = 'temperature.csv' fieldnames = ['date', 'temperature'] if not path.exists(temperature_file_name): with open(temperature_file_name, mode='w') as csv_file: writer = csv.DictWriter(csv_file, fieldnames=fieldnames) writer.writeheader() def handle_telemetry(client, userdata, message): payload = json.loads(message.payload.decode()) ... with open(temperature_file_name, mode='a') as temperature_file: temperature_writer = csv.DictWriter(temperature_file, fieldnames=fieldnames) temperature_writer.writerow({'date' : datetime.now().astimezone().replace(microsecond=0).isoformat(), 'temperature' : payload['temperature']})

从源码可以确认三点，直接影响你使用 notebook 的正确性：

1. 两列结构固定：fieldnames = ['date', 'temperature']，首行为表头。notebook 中df['date']、df['temperature']的列名依赖于此。
2. date列是服务端收到消息的时间戳，格式为带时区、去掉微秒的 ISO 8601（datetime.now().astimezone()...isoformat()）。设备本身不保证时钟准确，时间以服务端为准——这正是 notebook 用pd.to_datetime解析该列的原因。
3. 文件在服务端脚本所在目录生成（'temperature.csv'是相对当前工作目录的路径），因此第 3 步要求你把这个文件复制出来，而不是在别处找它。

服务端订阅的主题是<ID>/telemetry（client_telemetry_topic = id + '/telemetry'），这里的<ID>需要替换为你自己的设备标识，这与 IoT 设备侧发布遥测所用的 ID 保持一致。

评分标准（Rubric）

作业文档末尾的评分表完整保留如下（已从丹麦语/英语译为中文，分级语义与原文一致）：

从评分表可以读出作业设计的验收逻辑：数据侧强调「完整日」——因为 GDD 按天聚合，缺半天的数据（尤其夜间）会让当天 T_min失真；计算侧则要求 notebook 不仅能跑通，还要真正产出 GDD 数值，即单元格 5 的print(min_max_by_date[['date', 'gdd']]...)输出非空。

小结与排错提示

• 文件三件套必须齐全且同目录：gdd-calculation/下的gdd.ipynb、temperature.csv，再加上虚拟环境与四个 pip 包；
• read_csv报文件不存在，优先检查temperature.csv是否与 notebook 同级（服务端写出的 CSV 默认在temperature-sensor-server目录）；
• 图上出现整段空白，通常是电脑休眠导致服务端断线漏采夜间数据，回到「前提」一节检查电源设置或保活脚本；
• 换了作物只需改第一个代码单元格的base_temperature，其余单元格无需改动；
• 想进一步扩展（如累计 GDD、绘制 GDD 随时间的累积曲线）可以直接在该 notebook 末尾追加单元格，原仓库 notebook 末尾本身留有一个空代码单元格供练习。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners