def savePrediccion1(estacion, dataPrediccion, contaminant, fechas):
"""
function to save the prediction in the database
:param estacion: name the station
:type estacion: string
:param fecha: current date
:type fecha: date
:param valor: prediction value
:type valor: float32
"""
print(findT(contaminant))
size = len(dataPrediccion)
for i in range(size):
fecha = fechas.iloc[i]
print(fecha)
Valor = dataPrediccion[i]
#fecha = datetime.strptime(fecha, '%Y-%m-%d %H:%M:%S')
if estacion == 'TAH':
fecha = fecha + timedelta(hours =15)
else:
fecha = fecha + timedelta(days=1)
fechaActual = str(fecha.year) + '-' + str(fecha.month) + '-' + str(fecha.day)+' '+str(fecha.hour)+':00:00'
print(Valor);
fd.saveData(estacion, fechaActual,[Valor], findT(contaminant),3)
def guardarPrediccionRep(estacion, fecha, Valor,contaminant,tipo):
"""
function to save the prediction in the database
:param estacion: name the station
:type estacion: string
:param fecha: current date
:type fecha: date
:param valor: prediction value
:type valor: float32
"""
if estacion == 'SFE':
fecha = fecha + timedelta(days = 1)
fecha1 = fecha + timedelta(hours = 6)
fechaActual = str(fecha1.year) + '-' + str(fecha1.month) + '-' + str(fecha1.day)+' '+str(fecha1.hour)+':00:00'
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
elif estacion == 'NEZ':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours = 11)
fechaActual = str(fecha.year) + '-' + str(fecha.month) + '-' + str(fecha.day)+' '+str(fecha.hour)+':00:00'
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
elif estacion == 'TAH':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours=15)
fechaActual = str(fecha.year) + '-' + str(fecha.month) + '-' + str(fecha.day)+' '+str(fecha.hour)+':00:00'
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
elif estacion == 'UAX':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours=13)
fechaActual = str(fecha.year) + '-' + str(fecha.month) + '-' + str(fecha.day)+' '+str(fecha.hour)+':00:00'
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
fecha = fecha + timedelta(days=1)
fechaActual = str(fecha.year) + '-' + str(fecha.month) + '-' + str(fecha.day)+' '+str(fecha.hour)+':00:00'
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
def ultimate_data(estacion,nameContaminant,tipoComplete, tipoCorrelacion):
complete = fd.get_forecast(nameContaminant, estacion,tipoComplete)
Correlacion = fd.get_forecast(nameContaminant, estacion,tipoCorrelacion)
if complete.empty and Correlacion.empty:
#print('NO hay datos del ultimo pronostico')
return df.DataFrame()
elif Correlacion.empty:
#print('ultimo pronostico hecho de forma normal')
fechaComplete = complete['fecha'][0]
#print('fecha completa:' + str(fechaComplete))
return complete
elif complete.empty:
#print('ultimo pronostico hecho con Correlacion')
fechaCorrelacion = Correlacion['fecha'][0]
#print('fecha Correlacion: ' + str(fechaCorrelacion))
return Correlacion
fechaComplete = complete['fecha'][0]
fechaCorrelacion = Correlacion['fecha'][0]
#print('fecha completa:' + str(fechaComplete))
#print('fecha Correlacion: ' + str(fechaCorrelacion))
if fechaComplete > fechaCorrelacion:
#print('ultimo pronostico hecho de forma normal')
return complete
elif fechaCorrelacion > fechaComplete:
#print('ultimo pronostico hecho con Correlacion')
return Correlacion
else:
#print('no hay Informacion')
return fd.DataFrame()
def saveData2(listEstations, startDate, nameContaminant, endDate, dirr,
dirTotalCsv, contaminant):
"""
Function for the save data in the type file .csv
:param listEstations: list with stations
:type listEstations: String list
:param startDate: start date
:type startDate: date
:param nameContaminant: name of the pollutant in the database
:type nameContaminant: String
:param endDate: end date
:type endDate: date
:param dirr: direction of save data
:type dirr: String
:param dirTotalCsv: address of the cvs files
:type dirTotalCsv: String
:param contaminant: name pollutant
"""
#createFile()
est = listEstations
tam = len(est) - 1
i = 0
while i <= tam: # 21
print(est[i])
print(startDate[i])
nameDelta = nameContaminant + est[i] + '_delta'
nameD = est[i] + '_' + contaminant + '.csv'
nameB = est[i] + '_' + contaminant + '_pred.csv'
tempData = fd.readData(startDate[i], endDate, [est[i]], contaminant)
tempBuild = fd.buildClass2(tempData, [est[i]], contaminant, 24,
startDate[i], endDate)
temAllData = tempData.dropna(axis=1, how='all')
# allD = temAllData.dropna(axis=0,how='any')
allD = temAllData.fillna(value=-1)
allD = allD.reset_index()
allD = allD.drop(labels='index', axis=1)
allData = allD.merge(tempBuild, how='left', on='fecha')
build = df.DataFrame(allData['fecha'], columns=['fecha'])
val = df.DataFrame(allData[nameDelta], columns=[nameDelta])
build[nameDelta] = val
data = allData.drop(labels=nameDelta, axis=1)
data = data.reset_index()
build = build.reset_index()
build = build.drop(labels='index', axis=1)
data = data.drop(labels='index', axis=1)
dataTemp = separateDate(data)
dataTemp2 = unionData(dataTemp, dirTotalCsv)
maxAndMinValues(dataTemp2, est[i], contaminant, dirr)
data = dataTemp2
data = data.drop_duplicates(keep='first')
build = build.drop_duplicates(keep='first')
build = filterData(data, build)
data.to_csv(dirr + nameD, encoding='utf-8', index=False
) # save the data in file "data/[station_contaminant].csv"
build.to_csv(
dirr + nameB, encoding='utf-8', index=False
) # save the data in file "data/[station_contaminant_pred].csv]
i += 1
def forecast_month(month, year, dirData, dirTotalCsv, dirTrain,estacion, contaminant):
lastDay = calendar.monthrange(year,month)[1]
fechaInicio = str(year) + '-' + numString(month) + '-01 00:00:00'
fechaFinal = str(year) + '-' + numString(month) + '-'+ numString(lastDay) +' 23:00:00'
#print(fechaInicio)
#print(fechaFinal)
data = fd.readData(fechaInicio, fechaFinal, [estacion], contaminant)
data = separateDate(data)
data = unionMeteorologia(data,dirTotalCsv)
data = data.fillna(value=-1)
#print(data)
#sys.out
frame_dates = data['fecha'].values
data = filterData(data, dirData + estacion + "_" + contaminant + ".csv")
data = data.fillna(value=-1)
index = data.index.values
arrayPred = []
for x in index:
pred = data.ix[x].values
valPred= pred[1:]
valNorm = pre.normalize(valPred,estacion, contaminant, dirData)
arrayPred.append(convert(valNorm))
result = pre.prediction(estacion, contaminant, arrayPred, dirTrain, dirData)
nameCont = findTable2(contaminant)
real = pre.desNorm(result, estacion,contaminant, dirData, nameCont + '_')
for xs in range(len(frame_dates)):
fecha = frame_dates[xs]
ts = df.to_datetime(str(fecha))
fecha_string = ts.strftime('%Y-%m-%d %H:%M:%S')
pronostico = real[xs]
guardarPrediccion(estacion, fecha_string,[pronostico],contaminant,4)
def training(fechaAyer, estacion, dirTrain, dirData, dirCsv, dirFestivos,
variables, contaminant):
"""
function to train the neural network with the information of 24 hours before
:param fechaAyer: date of the previous day
:type fechaAyer: date
:param estacion: name the station
:type estacion: String
:param dirData: address of the files with training information
:type dirData: String
:param dirTrain: address of the training files of the neural network
:type dirTrain: String
:param dirFestivos: address of the file with the holidays
:type dirFestivos: String
:param dirCsv: Address of processed meteorology archives
:type dirCsv : String
:param variables: meteorological variables
:type variables: string list
"""
print(estacion)
fecha = str(fechaAyer.year) + '/' + numString(
fechaAyer.month) + '/' + numString(fechaAyer.day) + ' ' + numString(
fechaAyer.hour) + ':00:00'
fechaMet = str(fechaAyer.year) + "-" + numString(
fechaAyer.month) + "-" + numString(fechaAyer.day)
fechaBuild = str(fechaAyer.year) + "/" + numString(
fechaAyer.month) + "/" + numString(fechaAyer.day)
data = fd.readData(fecha, fecha, [estacion], contaminant)
build = fd.buildClass2(data, [estacion], contaminant, 24, fechaBuild,
fechaBuild)
if data.empty:
print("No se puede hacer el entrenamiento")
else:
dataMet = unionMeteorologia(fechaMet, fechaAyer, dirCsv, variables)
dataMet = dataMet.drop('fecha', axis=1)
data = separateDate(data)
data = unionData(data, fechaAyer, dirFestivos)
data = df.concat([data, dataMet], axis=1)
data = filterData(data,
dirData + estacion + "_" + contaminant + ".csv")
data = data.fillna(value=-1)
xy_values = an(data, build, contaminant) # preprocessing
tr.training(xy_values[0], xy_values[1], estacion, dirTrain,
contaminant, dirData)
def tiempo():
time_cpu = []
time_gpu = []
time_base = []
start = datetime.strptime(startDate[20], '%Y/%m/%d')
end = datetime.strptime(endDate, '%Y/%m/%d')
dy = 8760 * 2
estation = est[20]
date = start + timedelta(hours=dy)
while date <= end:
sDate = date.strftime('%Y/%m/%d')
initData = time()
data = FormatData.readData(start, date, [estation], contaminant)
build = FormatData.buildClass2(data, [estation], contaminant, 24,
startDate[20], sDate)
xy_values = an(data, build, contaminant)
finData = time()
initCpu = time()
temp_loss = nn(xy_values[0], xy_values[1], xy_values[2], 1000,
estation, contaminant)
loss_vec.append(temp_loss)
finCpu = time()
initGpu = time()
temp_loss = nng(xy_values[0], xy_values[1], xy_values[2], 1000)
loss_vec.append(temp_loss)
finGpu = time()
totalCpu = finCpu - initCpu
totalGpu = finGpu - initGpu
totalBase = finData - initData
time_base.append(totalBase)
time_cpu.append(totalCpu)
time_gpu.append(totalGpu)
date = date + timedelta(hours=dy)
plt.plot(time_base, 'g-', label='time Data base')
plt.plot(time_cpu, 'k-', label='time CPU')
plt.plot(time_gpu, 'r-', label='time GPU')
plt.title('GPU vs CPU')
plt.xlabel('Years')
plt.ylabel('Time')
plt.legend(loc='best')
plt.savefig('tiempo.png', dpi=600)
plt.show()
def estationsGpu():
start = startDate[0]
estation = []
for x in est:
estation += [x]
print(estation)
data = FormatData.readData(start, endDate, estation, contaminant)
build = FormatData.buildClass2(data, [est[0]], contaminant, 24, start,
endDate)
xy_values = an(data, build, contaminant)
temp_loss = nng(xy_values[0], xy_values[1], xy_values[2], 1000)
loss_vec.append(temp_loss)
print(loss_vec)
plt.plot(loss_vec, 'k-', label='Loss')
plt.title('Error aumentando el numero de estaciones')
plt.xlabel('Numero de estaciones')
plt.ylabel('Loss')
plt.legend(loc='best')
plt.savefig("estacionesGpu.png", dpi=600)
plt.show()
def iterationGpu():
i = 200
start = startDate[0]
estation = est[10]
data = FormatData.readData(start, endDate, [estation], contaminant)
build = FormatData.buildClass2(data, [est[10]], contaminant, 24, start,
endDate)
xy_values = an(data, build, contaminant)
while i <= 3000:
temp_loss = nng(xy_values[0], xy_values[1], xy_values[2], i)
loss_vec.append(temp_loss)
i = i + 200
print(i)
print(loss_vec)
plt.plot(loss_vec, 'k-', label='Loss')
plt.title('Error aumentando el numero de iteraciones de entrenamiento')
plt.xlabel('Numero de iteraciones')
plt.ylabel('Loss')
plt.legend(loc='best')
plt.savefig("iteraciones.png", dpi=600)
plt.show()
def guardarPrediccion(estacion, fecha, Valor,contaminant,tipo):
"""
function to save the prediction in the database
:param estacion: name the station
:type estacion: string
:param fecha: current date
:type fecha: date
:param valor: prediction value
:type valor: float32
"""
if estacion == 'TAH':
fecha = fecha + timedelta(days = 1)
fecha1 = fecha + timedelta(hours = 15)
fechaActual = str(fecha1.year) + '-' + str(fecha1.month) + '-' + str(fecha1.day)+' '+str(fecha1.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
print(fechaActual)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
else:
fecha = fecha + timedelta(days=2)
fechaActual = str(fecha.year) + '-' + numString(fecha.month)+ '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
print(fechaActual)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
def testData2():
i = 0
dataBase_time = []
file_time = []
s = []
while i <= 21:
s.append(est[i])
print(s)
init_dataBase = time()
data = FormatData.readData(startDate[i], endDate, s, contaminant)
build = FormatData.buildClass2(data, s, contaminant, 24, startDate[i],
endDate)
#xy_values = an(data,build, contaminant);
fin_dataBase = time()
init_fileTime = time()
for x in s:
station = x
name = station + '_' + contaminant
data = df.read_csv('data/' + name + '.csv')
build = df.read_csv('data/' + name + '_pred.csv')
#xy_values = an(data,build, contaminant);
fin_fileTime = time()
total_dataBase = fin_dataBase - init_dataBase
total_file = fin_fileTime - init_fileTime
dataBase_time.append(total_dataBase)
file_time.append(total_file)
i += 1
plt.figure(figsize=(12.2, 6.4))
plt.plot(file_time, 'g-', label='time File')
plt.plot(dataBase_time, 'r-', label='time DataBase')
plt.title('DataBase vs File')
plt.xlabel('stations')
plt.ylabel('Time (second)')
plt.legend(loc='best')
location = np.arange(len(est))
plt.xticks(location, est, fontsize=7, rotation='vertical')
plt.savefig('Graficas/tiempoDataBase2.png', dpi=600)
plt.show()
def useClimatology(contaminant, estacion, fechaInicio, fechaFinal, dataMet,
dirData, dirTrain, dirFestivos):
"""
function to make the forecast using climatologies
:param contaminant: name of the pollutant
:type contaminant: String
:param estacion: name of the weather station
:type estacion: String
:param fechaInicio: range of data wit wich the vaues of tue query are extracted
:type fechaInicio: datetime
:param fechaFinal: range of data wit wich the vaues of tue query are extracted
:type fechaFinal: datetime
:param dataMet: dataframe with the climatological information
:type dataMet: DataFrame
"""
data = fd.get_climatology(fechaInicio, fechaFinal, estacion)
print(data)
data = makeDates(fechaInicio, fechaFinal, data)
#sys.out
print(data)
data = data.reset_index(drop=True)
print(data)
data = separateDate(data)
data = totalUnionData(data, dirFestivos)
data = df.concat([data, dataMet], axis=1, join='inner')
#data = data.merge(dataMet, how='left', on='fecha')
data = data.fillna(value=-1)
data = filterData(data, dirData + estacion + "_" + contaminant + ".csv")
data = data.fillna(value=-1)
index = data.index.values
arrayPred = []
for x in index:
pred = data.ix[x].values
valPred = pred[2:]
valNorm = pre.normalize(valPred, estacion, contaminant, dirData)
arrayPred.append(convert(valNorm))
result = pre.prediction(estacion, contaminant, arrayPred, dirTrain,
dirData)
columnContaminant = findTable2(contaminant)
real = pre.desNorm(result, estacion, contaminant, dirData,
columnContaminant + '_')
fechaPronostico = fechaInicio
for xs in real:
print(fechaPronostico)
fechaUpdate = fechaPronostico
fechaUpdate = fechaUpdate - timedelta(days=1)
guardarPrediccion(estacion, fechaUpdate, [xs], contaminant, 1)
fechaPronostico = fechaPronostico + timedelta(hours=1)
print('Climatologia:' + estacion)
def dataCorrelacion(contaminant, estacion, fechaInicio, fechaFin, dataMet,
dirData, dirTrain, dirFestivos):
print('COrrelacion')
data_Corr = df.read_csv(
'/media/storageBK/AirQualityForecast/Scripts/ContaminationForecast/Data/Correlacion_table.csv',
index_col=0)
corr_est = data_Corr[estacion].sort_values(ascending=False)
estacion_corr = corr_est.index[1]
data = fd.readData_corr(fechaInicio, fechaFin, [estacion_corr],
contaminant)
if data.empty:
useClimatology(contaminant, estacion, fechaUltima, fechaFin, dataMet,
dirData, dirTrain, dirFestivos)
else:
data = data.drop_duplicates(keep='first')
data = data.reset_index(drop=True)
index_values = data.columns.values[1:]
for xs in index_values:
data.rename(columns={
xs: xs.replace(estacion_corr.lower(), estacion.lower())
},
inplace=True)
data = separateDate(data)
data = totalUnionData(data, dirFestivos)
data = df.concat([data, dataMet], axis=1, join='inner')
print(data)
#data = data.merge(dataMet, how='left', on='fecha')
data = filterData(data,
dirData + estacion + "_" + contaminant + ".csv")
data = data.fillna(value=-1)
index = data.index.values
arrayPred = []
for x in index:
pred = data.ix[x].values
valPred = pred[2:]
print(valPred)
valNorm = pre.normalize(valPred, estacion, contaminant, dirData)
arrayPred.append(convert(valNorm))
result = pre.prediction(estacion, contaminant, arrayPred, dirTrain,
dirData)
columnContaminant = findTable2(contaminant)
real = pre.desNorm(result, estacion, contaminant, dirData,
columnContaminant + '_')
for xs in range(len(real)):
fechaPronostico = data['fecha'].iloc[xs].values
fechaPronostico = datetime.strptime(fechaPronostico[1],
'%Y-%m-%d %H:%M:%S')
pronostico = real[xs]
guardarPrediccionRep(estacion, fechaPronostico, [pronostico],
contaminant, 5)
def baseContaminantes(fecha, estacion, contaminant):
"""
function to bring the information of the contaminants from the database
:param fecha: date to bring the information
:type fecha: date
:param estacion:name of the station from which the information is extracted
:type estacion: String
:return: array with pollutant information
:type return: array float32
"""
fechaActual = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
data = fd.readData(fechaActual, fechaActual, [estacion], contaminant)
return data
def estations():
start = startDate[0]
estation = []
for x in est:
estation += [x]
print(estation)
data = FormatData.readData(start, endDate, estation, contaminant)
build = FormatData.buildClass2(data, [est[0]], contaminant, 24, start,
endDate)
xy_values = an(data, build, contaminant)
temp_loss = nn(xy_values[0], xy_values[1], xy_values[2], 1000, est[0],
contaminant)
loss_vec.append(temp_loss)
print(loss_vec)
plt.figure(figsize=(12.2, 6.4))
plt.plot(loss_vec, 'k-', label='Loss')
plt.title('Error aumentando el numero de estaciones')
plt.xlabel('Numero de estaciones')
plt.ylabel('Loss')
plt.legend(loc='best')
location = np.range(len(est))
plt.xticks(location, est, rotation='vertical')
plt.savefig("estaciones.png", dpi=600)
plt.show()
def update4hours(estacion, contaminant, fecha, dirData, dirTrain, dirCsv,dirFestivos, variables, fechaString):
"""
function to make the last 4 hours of forecast
:param estacion: name of the weather station
:type estacion: String
:param contaminant: name of the pollutant
:type contaminant: String
:param fecha: current day
:type fecha: datetime
:param dirData: address of the files with training information
:type dirData: String
:param dirTrain: address of the training files of the neural network
:type dirTrain: String
:param dirCsv: Address of processed meteorology archives
:type dirCsv : String
:param dirFestivos: address of the file with the holidays
:type dirFestivos: String
:param variables: meteorological variables
:type variables: list(Strings)
"""
nameC = findT(contaminant)
dataForecast = ultimate_data(estacion,nameC, 2,1)
if dataForecast.empty:
print('No se ha hecho pronostico para la estacion:'+ estacion)
return 0
else:
fechaUltima = dataForecast['fecha'][0]
if estacion == 'SFE':
fechaUltima = fechaUltima -timedelta(hours=6)
elif estacion == 'TAH':
fechaUltima = fechaUltima - timedelta(hours=15)
elif estacion == 'UAX':
fechaUltima = fechaUltima - timedelta(hours=13)
elif estacion == 'NEZ':
fechaUltima = fechaUltima - timedelta(hours=11)
fechaUltima = fechaUltima - timedelta(days = 1)
print('Fecha Actual: ' + str(fecha))
print('Fecha Ultimo Registro: ' + str(fechaUltima))
if fechaUltima == fecha:
print('Pronostico actualizado')
return 0
elif fechaUltima < fecha:
print('Pronostico retrasado')
fechaTemp = fechaUltima + timedelta(hours=1)
fechaInicio = str(fechaTemp.year) + '-' + numString(fechaTemp.month) + '-' + numString(fechaTemp.day)+' '+numString(fechaTemp.hour)+':00:00'
fechaFin = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
data = fd.readData(fechaInicio,fechaFin,[estacion],contaminant)
data = data.drop_duplicates(keep='first')
dataMet = unionTotalMeteorologia(fechaString,dirCsv,variables,fechaInicio,fechaFin)
print('Numero de horas retrasado: ' + str(fecha-fechaUltima))
if data.empty and (fecha-fechaUltima) > timedelta(hours=3):
print('Pronostico con climatologia')
useClimatology(contaminant,estacion,fechaTemp,fecha,dataMet,dirData,dirTrain, dirFestivos)
return 1
elif (fecha-fechaUltima) < timedelta(hours=3):
print('Climatologia cada 4 horas')
return 0
elif not(data.empty):
primer_fecha = data['fecha'][0]
if primer_fecha > fechaTemp:
fechaFinClim = primer_fecha - timedelta(hours=1)
useClimatology(contaminant,estacion,fechaTemp,fechaFinClim,dataMet,dirData,dirTrain,dirFestivos)
#pronostico_normal(data,dirFestivos,dataMet,estacion,contaminant,dirData,dirTrain)
return 1
else:
pronostico_normal(data,dirFestivos,dataMet,estacion,contaminant,dirData,dirTrain)
print('Pronostico normal C')
return 1
elif data.empty:
print('No hay datos para la prediccion')
return 0
else:
print('Pronostico normal')
pronostico_normal(data,dirFestivos,dataMet,estacion,contaminant,dirData,dirTrain)
return 1
else:
print('Pronostico actualizado')
return 0
def guardarPrediccion(estacion, fecha, Valor,contaminant,tipo):
"""
function to save the prediction in the database
:param estacion: name the station
:type estacion: string
:param fecha: current date
:type fecha: date
:param valor: prediction value
:type valor: float32
"""
if math.isnan(Valor[0]):
print('no valor')
return 0
fecha = datetime.strptime(fecha, '%Y-%m-%d %H:%M:%S')
if estacion == 'SFE':
fecha = fecha + timedelta(days = 1)
fecha1 = fecha + timedelta(hours = 6)
fechaActual = str(fecha1.year) + '-' + numString(fecha1.month) + '-' + numString(fecha1.day)+' '+numString(fecha1.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
elif estacion == 'NEZ':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours = 11)
fechaActual = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
elif estacion == 'TAH':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours=15)
fechaActual = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
elif estacion == 'UAX':
fecha = fecha + timedelta(days=1)
fecha = fecha + timedelta(hours=13)
fechaActual = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
else:
fecha = fecha + timedelta(days=1)
fechaActual = str(fecha.year) + '-' + numString(fecha.month) + '-' + numString(fecha.day)+' '+numString(fecha.hour)+':00:00'
rept = fd.rev_data(estacion,fechaActual,findT(contaminant),tipo)
if rept == 0:
fd.saveData(estacion, fechaActual, Valor, findT(contaminant),tipo)
else:
print('valor repetido')
