CO₂-utsläpp i Sverige

I denna uppgift ska vi börja titta på statistik från statistiska centralbyrån (SCB) om CO₂-utsläpp i Sverige.

För att programmera, gå till https://replit.com/languages/python3 och klicka på create repl.

1. Titta på datafilen

Vi skall använda oss av en modifierad datafil från SCB som vi lagt här: https://raw.githubusercontent.com/lunduniversity/schoolprog-satellite/master/exercises/co2_emission_sweden/data.txt

1.1 Surfa till datafilen

Uppdrag 1.1: Börja med att surfa till adressen ovan för att se hur datan ser ut. Notera att:

• Filen har fyra kolumner. Detta kan vara lite svårt att se, för kolumnerna skiljs åt med tabb-tecken, som ser likadana ut som blanka. Men när vi programmerar kommer vi att se att det är skillnad.
• I första kolumnen står det Totala Växthusgaser (kt CO2-ekv.) på varje rad.
• I andra kolumnen står namnet på en sektor, dvs en kategori av utsläpp. T.ex. NATIONELL TOTAL (exklusive LULUCF, inklusive internationella transporter) eller ARBETSMASKINER, TOTALT.
• I tredje kolumnen står ett årtal.
• I fjärde kolumnen står ett mätvärde (mängden utsläpp).
• Första raden har rubriker för de fyra kolumnerna.

1.2 Vad visar raderna i filen?

Varje rad visar utsläpp av växthusgaser inom en viss sektor för ett visst år. Siffrorna gäller utsläpp i Sverige.

Olika växthusgaser, t.ex. metan och koldioxid, har olika mycket växthuseffekt. För att kunna lägga ihop utsläpp från olika gaser har de därför räknats om till motsvarande mängd koldioxid (“koldioxid-ekvivalenter”).

Mätvärdet längst till höger på varje rad räknas i “kt CO2-ekv”, alltså kiloton koldioxid-ekvivalenter. (Ett kiloton är 1000 ton.)

Uppdrag 1.2: Kan du lista ut från filen hur många kiloton koldioxid-ekvivalenter som släpptes ut från sektorn ARBETSMASKINER, TOTALT under år 2002?

1.3 Vad betyder de olika sektorerna?

Sektorn som heter NATIONELL TOTAL ... är summan av alla de andra sektorerna. De andra sektorerna är utsläpp från specifika kategorier:

• arbetsmaskiner
• avfall
• el och fjärrvärme
• industri
• inrikes transporter
• utrikes transporter
• jordbruk
• lösningsmedel och övrig produktanvändning
• uppvärmning av bostäder och lokaler

Uppdrag 1.3: Vad kan man tänka sig för exempel på utsläpp från de olika sektorerna? Försök hitta ett exempel för varje sektor.

Tips Läs om sektorerna här: http://www.naturvardsverket.se/Sa-mar-miljon/Statistik-A-O/Vaxthusgaser-territoriella-utslapp-och-upptag/

En sektor som inte är med i vår statistik-fil är “LULUCF”. Det är en engelsk förkortning för “markanvändning, förändrad markanvändning och skogsbruk”. Här har Sverige negativa utsläpp, dvs mer och mer koldioxid binds på olika sätt, till exempel på grund av att skogen växer.

2. Python Dictionaries (nyckel-värdetabeller)

För att programmera denna uppgift behöver vi veta lite om en datastruktur som kallas dictionaries, eller nyckel-värdetabell på svenska. (Kallas ibland också map eller lexikon.)

Iden är enkel: Vi har sett att vi kan accessa enskilda element i en lista med hjälp av index inom hakparenteser. T.ex.

lista = ["hej", "på", "dej"]
print(lista[0]) # Skriver ut "hej"

När vi accessar ett element i en lista kan vi tänka på detta som att värdena i listan är numrerade (från 0), och vi slår upp vad värdet är på en viss plats.

Vi kan tänka på en lista som en sekvens av värden, antingen så här:

eller så här:

Vi kan också tänka oss listan som en tabell från index till värden:

Vore det inte bra om vi kunde indexera med något annat än tal? Det kan vi göra med nyckel-värdetabeller.

2.1 Skapa en nyckel-värdetabell

En nyckel-värdetabell är helt enkelt en speciell slags lista där varje element består av en nyckel och ett värde.

Visuellt kan vi tänka oss en nyckel-värdetabell så här:

Uppdrag 2.1: Kör följande kod som skapar en nyckel-värdetabell color där vi kan slå upp färgen på olika saker.

color = {
  "apelsin": "gul",
  "banan": "gul",
  "päron": "grön",
  "lingon": "röd"
}
print(color["päron"])

Vi kan tänka på uttrycket color["päron"] som att vi slår vi upp i tabellen color för att se vilken färg "päron" har.

Vad skrivs ut av programmet?

(Hittar du inte krullparenteserna {}? På Mac håller du nere Shift och Alt samtidigt, och trycker på de vanliga parenteserna. På Windows använder du Alt-Gr.)

Att notera:

• Varje element i tabellen har en nyckel, t.ex. "päron" och ett värde, t.ex. "grön". Man skriver kolon mellan nyckeln och värdet.
• Tabellen skrivs med krullparenteser , { och }, runt om, i stället för hakparenteser som vi använde för vanliga listor. Krullparenteser används när ordningen mellan elementen inte spelar någon roll.
• När man slår upp något i tabellen används hakparenteser, precis som för vanliga listor.
• Alla nycklarna i tabellen är olika. Om vi skulle försöka lägga till ytterligare ett elementet för "päron" i tabellen, så kommer bara det senast tillagda att finnas kvar.
• Vi har skrivit elementen på varsin rad för att det skall bli lätt att läsa koden. Vi hade kunnat skriva hela tabellen på en rad om vi hade velat.

2.2 Skapa en egen nyckel-värdetabell

Uppdrag 2.2: Skapa en nyckel-värdetabell capital (huvudstad) som mappar länder till huvudstäder. Om vi till exempel accessar capital["Sverige"] så skall resultatet bli "Stockholm".

Som hjälp får du detta kodskelett (byt ut ... mot rätt sak).

capital = {
  "Sverige": ...,
  "Norge": ...,
  "Danmark": ...,
  "Finland": ...
}
print(capital["Sverige"])

capital = {
  "Sverige": "Stockholm",
  "Norge": "Oslo",
  "Danmark": "Köpenhamn",
  "Finland": "Helsingfors"
}
print(capital["Sverige"])

2.3 Felaktig nyckel

Vad händer om vi försöker slå upp värdet för en nyckel som inte finns med i tabellen?

Uppdrag 2.3: Slå upp ett land som inte finns med i tabellen. T.ex. capital["Island"]. Vilket fel får du?

2.4 Skapa en nyckel-värdetabell successivt

I stället för att skapa en nyckel-värdetabell på en gång, så kan vi skapa den successivt. Vi börjar med att skapa en tom nyckel-värdetabell, och sedan kan vi lägga in värden efter hand.

Här är ett exempel:

color = {}    # Skapa en tom nyckel-värdetabell
color["apelsin"] = "gul"
color["banan"] = "gul"
color["päron"] = "grön"
color["lingon"] = "röd"

Vid ett senare tillfälle kan vi nu lägga till exempelvis

color["blåbär"] = "blå"

Uppdrag 2.4: Skriv kod för att lägga till fler länder, som t.ex. Island i din tabell capital. Prova att din kod fungerar genom att skriva ut några av de städer du lagt till. Till exempel:

print(capital["Island"])

2.5 Typen dict

En nyckel-värdetabell i Python kallas ofta helt enkelt dict som förkortning för dictionary. Vi kan också se att typen för en nyckel-värdetabell är dict genom att skriva ut den på följande sätt:

print(type(capital))

3. List slices

Hittills har vi bara programmerat med hela listor. Men ibland vill man kunna kopiera ut en del av en lista, en så kallad slice. Det kan man göra med notationen lista[start:stop].

3.1 Enkla slices

Uppdrag 3.1 a: Kör följande kod som skapar en lista och kopierar ut några av elementen till en ny lista:

lista = ["hej", "på", "dej", "du", "glade"]
s = lista[1:3]
print(s)

Att observera:

• Här gör vi en slice som startar på index 1 (alltså det andra elementen eftersom listor numreras från 0).
• Slicens sista element är 2. Argumentet 3 är alltså elementet efter det sista elementet i slicen.
• Vi får en ny lista som motsvarar slicen, och den ursprungliga listan ändras inte.

Uppdrag 3.1 b: Använd slice-notationen för att skriva ut följande listor:

• ["hej", "på", "dej"]
• ["du", "glade"]

Tips! Utgå från följande kodskelett print(lista[ ... : ... ]), och byt ut ... mot något lämpligt tal.

print(lista[0:3])
print(lista[3:5])

3.2 Slices från början eller slutet

Om vi vill skapa en slice från listans början, så kan vi utelämna start-argumentet.

Uppdrag 3.2 a: Prova att skriva ut ["hej", "på", "dej"] genom att köra följande kod:

print(lista[:3])  # Samma sak som lista[0:3]

Uppdrag 3.2 b: Skriv liknande kod som skriver ut ["hej", "på", "dej", "du"].

print(lista[:4])

På liknande sätt kan du utelämna stop-argumentet och därmed ta ut slutet av en lista.

Uppdrag 3.2 c: Prova att skriva ut ["du", "glade"] genom att köra följande kod:

print(lista[3:])  # Samma sak som lista[3:5]

Uppdrag 3.2 d: Skriv liknande kod som skriver ut ["på", "dej", "du", "glade"]. Dvs, alla element ska med utom det första.

print(lista[1:])

Uppdrag 3.2 e: Vilken lista får du med uttrycket lista[:]? Alltså där både start och stopp-index har utelämnats?

3.3 Listor/Slices med negativa index

Man kan ange ett negativt index för en lista. Då räknas positionen bakifrån i stället för framifrån. T.ex. betyder lista[-1] det sista elementet i listan, lista[-2] det näst sista, osv.

Uppdrag 3.3 a: Skriv kod som skriver ut det tredje sista elementet i lista.

print(lista[-3])

Negativa index kan användas också för start och stopp-index i en slice. T.ex. betyder lista[1:-1] att man får en ny lista utan både första och sista elementet i lista.

Uppdrag 3.3 b: Skriv kod som skriver ut ["dej", "du"] med hjälp av ett positivt start-index och ett negativt stopp-index.

print(lista[2:-1])

3.4 Slices med steg

Genom att skriva lista[start:stop:steg] kan vi ta en slice som tar med t.ex. vartannat eller vart tredje element i listan. Till exempel kommer lista[::2] att ge en ny lista med bara vartannat element.

Uppdrag 3.4: Skriv kod som skriver ut vart tredje element av lista

print(lista[::3])

3.5 Vänd på en lista med negativt steg

Om man anger ett negativt steg så får man elementen i baklänges ordning. Till exempel kan vi få vartannat element i baklänges ordning med lista[::-2]

Uppdrag 3.5: Vilken lista får du om du skriver lista[::-1]?

4. Hämta data över internet

Hittills har vi bara skrivit experimentkod. Du kan nu ta bort (eller kommentera bort) denna kod. Nu ska vi läsa in filen vi tittade på tidigare.

4.1 Hämta filen över internet

Uppdrag 4.1: Vi ska börja med att hämta filen från internet med hjälp av biblioteket requests som kan göra anrop över “http-protokollet” (det kommunikationsprotokoll som används för att hämta webbsidor). Kör följande kod:

import requests
response = requests.get("...")
data = response.text
print(data)

Den URL du skall använda i stället för ... ovan är https://raw.githubusercontent.com/lunduniversity/schoolprog-satellite/master/exercises/co2_emission_sweden/data.txt

Om du gjort rätt fick du nu in all datan i variabeln data och printade ut samma sak igen.

Att notera:

• Biblioteket requests används för att läsa filer över internet.
• Anropet get hämtar en fil över internet, och svaret lagras i variabeln response.
• Själva fil-innehållet finns i text-variabeln i svaret.

Du kan nu kommentera bort anropet print(data).

4.2 Splitta upp raderna

Nästa steg är att splitta upp datan i en lista med rader. Det kan vi göra med funktionen splitlines():

lines = data.splitlines()

Uppdrag 4.2: Splitta nu upp datan i rader med koden ovan. Hur många rader blev det?

Tips! Använd print och len för att ta reda på antalet rader.

lines = data.splitlines()
print(len(lines))

Vi har nu en lista lines som motsvarar filen. Hur ska vi kunna plotta datan? Vi behöver göra flera steg:

• Vi behöver skala bort rubrikraden.
• Vi behöver dela in varje återstående rad i kolumner.
• Vi skulle vilja skapa en nyckelvärde-tabell från sektor till lista av mätvärden
• Sedan skulle vi vilja göra ett fint diagram så att vi kan se hur utsläppen ökar eller minskar från år till år.

Vi ska nu göra varje sak i tur och ordning.

4.3 Ta bort rubrikraden

Första raden i filen är ju en rubrikrad. Den vill vi inte ha med när vi ska göra beräkningar på datan.

Uppdrag 4.3: Skapa en ny lista data_lines som är likadan som lines, men som inte har med första raden.

Tips! Använd en slice som tar med alla rader utom den första.

data_lines = lines[1:]

Om du vill försäkra dig om att du programmerat rätt så kan du skriva ut t.ex. data_lines[0] så att du ser att första raden inte är rubrikraden.

4.4 Dela upp varje rad i kolumner

Nu har vi de intressanta raderna i listan data_lines. Varje rad i listan är en textsträng. Visuellt kan vi tänka oss data_lines så här:

data_lines:

Nästa steg är att skapa en ny lista där varje rad i stället är uppdelad i kolumnvärden. Vi kan kalla denna lista raw_data (rådata). Visuellt kan vi tänka oss den nya listan så här:

raw_data:

Detta blir alltså en lista av rader där varje rad är en lista av kolumnvärden.

Vi kan skapa den nya listan raw_data genom att gå igenom data_lines med en for-loop och lägga till ett element för varje rad. Elementet skall vara en lista av kolumnvärden som vi kan få genom att splitta raden efter tabb-tecken. Tabb-tecken skrivs som \t när man programmerar. Vi kan få listan genom att göra split("\t") på raden.

Här är koden för att skapa raw_data:

# Skapa lista av rådata, med en lista per rad
# Splitta på tabbar för att få de 4 elementen per rad
raw_data = []
for line in data_lines:
  raw_data.append(line.split("\t"))

Uppdrag 4.4 a: Kör koden ovan för att skapa listan raw_data.

Vad vi fått nu är en lista av listor enligt figuren ovan: varje element i raw_data är i sig en lista med fyra element, ett för varje kolumn.

Uppdrag 4.4 b: För att förstå strukturen på raw_data, prova att skriva ut första raden med print(raw_data[0]). Du ser att raden består av en lista med fyra värden.

Hur kan vi skriva ut ett av de fyra värdena? Vi kan till exempel skriva ut det fjärde värdet så här:

r = raw_data[0]
c = r[3]
print(c)

Eller helt enkelt:

print(raw_data[0][3])

Här beräknas först raw_data[0], och resultatet är en lista. Sedan indexeras denna lista med [3] och resultatet är det fjärde värdet i listan. Sist skrivs detta värde ut.

Uppdrag 4.4 c: Skriv ut det tredje värdet på den första raden i raw_data (alltså året).

print(raw_data[0][2])

4.5 Skapa en nyckel-värdetabell

Nu har vi rådata med rader och kolumner i raw_data. Nästa steg är att skapa en nyckel-värdetabell, så att vi för varje sektor kan slå upp en lista av mätvärden. Vi kan kalla denna tabell data_by_sector. Visuellt kan vi tänka oss den så här:

data_by_sector:

Vi kan skapa data_by_sector på följande sätt:

• Gå igenom alla raderna i raw_data.
• För varje rad tar vi ut sektorn (kolumn 2) och mätvärdet (kolumn 4).
• Om sektorn inte redan finns i tabellen, så lägger vi till den, med en tom lista som värde.
• Sedan lägger vi till mätvärdet till sektorns lista.

Här är koden för att skapa data_by_sector:

# Skapa en nyckel-värdetabell från sektor (kolumn 2) till lista med mätvärden (kolumn 4)
data_by_sector = {}
for line in raw_data:
  # extrahera sektorn (kolumn 2)
  sector = line[1]
  # om sektorn inte redan finns i nyckel-värdetabellen, så skapa en tom lista för sektorn
  if (sector not in data_by_sector):
    data_by_sector[sector] = []
  # Lägg till mätvärdet till rätt sektor
  data_by_sector[sector].append(float(line[3]))

Uppdrag 4.5: Lägg till koden för att skapa data_by_sector, och prova att slå upp en sektor, t.ex. "ARBETSMASKINER, TOTALT". Du bör få ut en lista av mätvärden.

print(data_by_sector["ARBETSMASKINER, TOTALT"])

5. Plotta

Nu ska vi plotta värdena för de olika sektorerna.

5.1 Plotta totala utsläppen

Vi börjar med att plotta de totala utsläppen, alltså sektorn NATIONELL TOTAL (exklusive LULUCF, inklusive internationella transporter).

På x-axeln vill vi ha åren (1990-2017), och på y-axeln de totala utsläppen för respektive år.

Uppdrag 5.1 a: Skapa en lista years för värdena på x-axeln. Tips! Skapa en range och gör om den till en lista med list.

years = list(range(1990, 2018))

Uppdrag 5.1 b: Plotta de totala utsläppen till en fil totalco2.png.

Tips! Du behöver:

• importera plot-biblioteket och slå på interactive mode
• slå upp y-värdena i data_by_sector
• anropa plot-funktionen
• anropa savefig-funktionen för att visa och spara diagrammet

import matplotlib.pyplot as plt
plt.ion()
y = data_by_sector["NATIONELL TOTAL (exklusive LULUCF, inklusive internationella transporter)"]
plt.plot(years, y)
plt.savefig("totalco2.png")

Uppdrag 5.1 c: För att du ska kunna tolka kurvan bättre kan du lägga till följande anrop:

plt.grid()
plt.ylim(0, 100000)

Observera att

• grid slår på ett rutnät i diagrammet, så att vi lättare kan läsa av värdena
• ylim anger gränserna för y-axeln. Genom att låta y-axeln börja på 0 ser vi lättare hur mycket utsläppen har minskat eller ökat.

Uppdrag 5.1 d: Läs av i diagrammet: Hur mycket har vi släppt ut som mest? Vilket år var det? Hur mycket släppte vi ut 2017?

Uppdrag 5.1 e: Kurvan visar ju bara utsläpp inom Sverige. Vilka andra utsläpp kan man tänka sig att Sveriges befolkning orsakar?

5.2 Plotta ett stapeldiagram

I stället för att plotta en kurva kan vi plotta ett stapeldiagram. Vi använder då anropet bar (stapel) i stället för plot.

Uppdrag 5.2: Prova att plotta totala utsläppen som ett stapeldiagram i stället för en kurva.

5.3 Plotta sektor för sektor

Uppdrag 5.3 a: Vi ska nu göra en ny plot. Lägg till anropet plt.close() efter förra plottens savefig, så att nästa diagram inte störs av den tidigare plotten.

Vi skulle nu vilja plotta alla sektorerna i samma diagram.

Vi börjar med att skapa en lista sectors av alla sektorer utom den med totala utsläppen:

Uppdrag 5.3 b: Kör följande kod:

sectors = list(data_by_sector.keys())
sectors.remove("NATIONELL TOTAL (exklusive LULUCF, inklusive internationella transporter)")

Att observera:

• anropet keys ger oss en lista av alla nycklarna till tabellen data_by_sector
• anropet remove tar bort sektorn med de totala utsläppen från listan.

Nästa steg är att plotta ett stapeldiagram med en stapel per år (som tidigare), men där varje stapel är uppdelad efter sektor.

Vi gör detta genom att loopa över sektorerna och plotta varje sektor ovanför den förra. Vi håller reda på var i höjdled nästa sektor ska plottas genom en lista bottoms.

Uppdrag 5.3 c: Kör följande kod för att plotta ett initialt stapeldiagram över alla sektorerna:

import numpy as np

bottoms = np.zeros(len(years)) # Sätt bottenvärdena till 0
for sector in sectors:
    plt.bar(years, data_by_sector[sector], bottom=bottoms, label=sector)
    # Öka bottenvärdena till nästa sektor
    bottoms = np.array(data_by_sector[sector]) + bottoms
plt.legend()
plt.savefig("sektorco2.png")

Vi har använt numpy-listor för bottoms-värdena i stället för vanliga listor, för det gör att vi kan använda en enkel addition för att öka alla bottenvärdena på en gång.

Plotten vi får ut ser ju tjusig ut - anropen till bar ger automatiskt olika färg på alla delstaplarna! Men legenden kommer rakt ovanpå plotten, och dessutom med sektorerna i baklänges ordning jämfört med plotten.

Uppdrag 5.3 d: Gör en snyggare plot genom att ändra koden till följande:

import numpy as np

bars = [] # Spara resultaten av anropen till bar
bottoms = np.zeros(len(years))
plt.figure(figsize=(15,10)) # Större figur
for sector in sectors:
    bar = plt.bar(years, data_by_sector[sector], bottom=bottoms, label=sector)
    bars.append(bar) # Spara resultatet
    bottoms = np.array(data_by_sector[sector]) + bottoms
plt.legend(handles=bars[::-1]) # Baklänges ordning
plt.ylim(0, 110000)  # Gör mer plats för legenden
plt.grid()           # Lägg till ett rutnär
plt.savefig("sektorco2.png")

Det vi gjort här är att:

• Vi anropar figure med en större storlek på plotten (15 x 10 tum). Då blir legenden relativt sett mindre, och får bättre plats.
• Vi sparar resultatet av varje anrop till bar i en variabel. Dessa samlas upp i en lista bars. Listan kan vi vända baklänges och använda i anropet till legend. Då får vi ut legenden i rätt ordning.
• Vi anropar ylim med ett lite större värde, så blir hela plotten relativt sett lite lägre, och det blir mer plats till legenden.
• Vi har lagt till en grid för att lättare kunna läsa av diagrammet.

Uppdrag 5.3 e: Titta på det genererade diagrammet. Hur har de olika sektorerna förändrats sedan 1990? Vilken har minskat mest? Finns det någon sektor som har ökat de senaste åren? Varför tror du sektorerna har ökat eller minskat? Finns det någon sektor som är stor och som borde kunna minska?

Tips! Du hittar mer information här: http://www.naturvardsverket.se/Sa-mar-miljon/Statistik-A-O/Vaxthusgaser-territoriella-utslapp-och-upptag/