👱♂️ Miroslav BURDA¶
Mechatronik: ⚙️ Strojírenství $/$ ⚡ Elektrotechnika $+$ 💻 Informační technologie
Strukturovaný životopis - Vyžaduje hesloTaková osobní prezentace
📚 Import knihoven¶
Použité knihovny mi celý dokument pomohou trošku vizuálně vymazlit a taky budu moct využívat zajímavých funkcí...
Vlastně tu nic zajímavého ani není, takže tento blok v klidu ignorujte... 😀
In [1]:
import IPython # Knihovna obsahuje mimo jiné sadu grafických vychytávek
from IPython.display import IFrame, display, HTML # Vizualizační doplňky...
from IPython.display import set_matplotlib_formats # Umožní nastavit formáty výstupu knihovny MatPlotLib
display(HTML("<style>.container{width:90%;}</style>")) # Roztáhne dokument na 90% šířky monitoru
import sys, os, re, math # Základní funkční knihovny
import pandas as pd # Panda je super k práci s fakt monstrózními datasety
pd.set_option('display.max_colwidth', -1) # Přinutí Pandu vypsat úplně všechno...
import numpy as np # Výpočtářské funkce
from scipy.interpolate import splev, splrep # Podknihovna pro vědecké výpočty (konkrétně interpolace)
import matplotlib as mpl # Vizualizace dat
import matplotlib.pyplot as plt # Vykreslování grafů
set_matplotlib_formats('png')#'pdf') # Nastavení formátu grafů [PDF / PNG]
%matplotlib inline
print("Všechny knihovny byly úspěšně naimportovány...")
🧭 Rozcestník¶
| 1. | 2. | 3. | 4. | 5. | 6. | 7. |
|---|---|---|---|---|---|---|
| ✔️ Kdo jsem a co teď vlastně dělám? | 🛠️ Pracovní zkušenosti | 🎓 Vzdělání a kurzy | 💡 Moje další schopnosti | 📄 Strukturovaný životopis | 🏁 Konec | 🏁 Úplný konec |
In [2]:
f = open('./Repository/intro.txt', 'r') # Načte textový dokument
file_content = f.read() # Přečte obsah a uloží do proměnné "file_content"
print(file_content) # Vypíše obsah proměnné "file_content" (takže obsah dokumentu)
f.close() # ... a nesmíme zapomenout zavřít...
In [3]:
jobs = pd.read_csv('./Repository/jobs.csv', sep=';') # Otevře datový, textový dokument
print('Mé dosavadní pracovní zkušenosti jsou takovéto:') # ... nějaký ten úvod...
jobs # Cool vykreslení Pandího datagridu
Out[3]:
In [4]:
study = pd.read_csv('./Repository/study.csv', sep=';') # Otevře datový, textový dokument
print('Mé studijní výsledky:') # ... nějaký ten úvod...
study # Cool vykreslení Pandího datagridu
Out[4]:
In [5]:
courses = pd.read_csv('./Repository/courses.csv', sep=';') # Otevře datový, textový dokument
print('Mé absolvované kurzy:') # ... nějaký ten úvod...
courses # Cool vykreslení Pandího datagridu
Out[5]:
In [6]:
f = open('./Repository/skills.txt', 'r') # Načte textový dokument
file_content = f.read() # Přečte obsah a uloží do proměnné "file_content"
print(file_content) # Vypíše obsah proměnné "file_content" (takže obsah dokumentu)
f.close() # ... a nesmíme zapomenout zavřít...
📄 Strukturovaný životopis¶
Jestli budete chtít, mrkněte na můj normální životopis 😉, ale POZOR - ❗ Vyžaduje heslo ❗ , které nejprve musíte nějak získat 😛 ...
In [7]:
IFrame("./Documents/CV_Burda-Miroslav.pdf", width='100%', height=480) # Zobrazí PDF se strukturovaným životopisem
Out[7]:
🏁 Konec¶
Na závěr se můžete podívat třeba jak vypadá světelné spektrum a různé vlnové funkce, které pak slouží k výpočtům světelných parametrů... 😉
Pozn.: Žádný strach, nevynáším nic tajného - světelné spektrum si může změřit kdokoliv, kdo si naši lampu koupí a vlnové funkce jsem vytáhl z jakési optické knihovny MatLabu, kterou volně stáhnete... 😊
In [8]:
## Definition of visible light spectrum (resolution - 1nm):
wavelength = np.arange(360,831,1)
## Loading raw Spectrum Data
rawData = pd.read_csv('Data/3507.SPD',
names=['XData', 'YData'], sep='\t', skiprows=range(0, 5), decimal=",")
## Interpolation of raw Spectrum Data (360,380,1)
tck = splrep(rawData.XData, rawData.YData)
lux = splev(wavelength, tck)
## Creating DataFrame of interpolated Spectrum
spectrum = pd.DataFrame({'wavelength':wavelength,'lux':lux})
## Clear memory
del tck, lux, rawData
## Loading of wave functions XYZ
XYZ = pd.read_csv('Data/XYZ.csv',
names=['wavelength','X','Y','Z'], skiprows=1, sep=';')
## Loading of Munsell color functions TCS01 - TCS15
Munsell = pd.read_csv('Data/Munsell.csv',
names=['wavelength',
'TCS01','TCS02','TCS03',
'TCS04','TCS05','TCS06',
'TCS07','TCS08','TCS09',
'TCS10','TCS11','TCS12',
'TCS13','TCS14','TCS15',], skiprows=1, sep=';')
## Loading of reference source
Ref = pd.read_csv('Data/Reference.csv',
names=['wavelength','S0','S1','S2'], skiprows=1, sep=';')
Frames = [spectrum.wavelength,spectrum.lux,
XYZ.X,XYZ.Y,XYZ.Z,
Munsell.TCS01,Munsell.TCS02,Munsell.TCS03,Munsell.TCS04,
Munsell.TCS05,Munsell.TCS06,Munsell.TCS07,Munsell.TCS08,
Ref.S0,Ref.S1,Ref.S2]
Graphics = pd.concat(Frames, axis=1)
Graphics = Graphics.set_index('wavelength')
#################################################################
f, ([ax1, ax3], [ax2, ax4]) = plt.subplots(2,2, sharex=True, figsize=(25, 15))
ax1.plot(wavelength,Graphics.lux)
ax1.set_title('Test source\n$HTI$ $1400W/PS$')
ax1.set_ylabel('Standardized radiant flux $[-]$')
ax1.legend(['Spectrum $HTI$ $1400W/PS$',
'Calculated Reference source'])
ax1.grid()
ax2.plot(wavelength,Graphics.X)
ax2.plot(wavelength,Graphics.Y)
ax2.plot(wavelength,Graphics.Z)
ax2.set_title('Wave functions $X$, $Y$, $Z$')
ax2.set_xlabel('Wavelength $\lambda$ $[nm]$')
ax2.set_ylabel('Coeficient $[-]$')
ax2.legend(['Function $X$','Function $Y$','Function $Z$'])
ax2.grid()
ax3.plot(wavelength,Graphics.TCS01)
ax3.plot(wavelength,Graphics.TCS02)
ax3.plot(wavelength,Graphics.TCS03)
ax3.plot(wavelength,Graphics.TCS04)
ax3.plot(wavelength,Graphics.TCS05)
ax3.plot(wavelength,Graphics.TCS06)
ax3.plot(wavelength,Graphics.TCS07)
ax3.plot(wavelength,Graphics.TCS08)
ax3.set_title('Munsell\'s color samples $TCS01 \div TCS08$')
ax3.set_ylabel('Coeficient $[-]$')
ax3.legend(['$TCS01$', '$TCS02$', '$TCS03$', '$TCS04$',
'$TCS05$', '$TCS06$', '$TCS07$', '$TCS08$',
'$TCS09$', '$TCS10$', '$TCS11$', '$TCS12$',
'$TCS13$', '$TCS14$', '$TCS14$'])
ax3.grid()
ax4.plot(wavelength,Graphics.S0)
ax4.plot(wavelength,Graphics.S1)
ax4.plot(wavelength,Graphics.S2)
ax4.set_title('Raw functions of reference source $S_0$, $S_1$, $S_2$')
ax4.set_xlabel('Wavelength $\lambda$ $[nm]$')
ax4.set_ylabel('Coeficient $[-]$')
ax4.legend(['$S0$','$S1$','$S2$'])
ax4.grid()
plt.tight_layout()
plt.show()
In [9]:
IPython.display.Audio("./Sound/Thats-all-Folks.mp3")
Out[9]:
 |
|---|
Author: Miroslav BURDA, 02/2020
