https://www.bigcontest.or.kr/

지정 주제명

참외 농장 생육 예측 모델 개발

선정 배경

과수의 생산량은 농가의 수익을 결정짓는 중요한 요소이기 때문에, 생산량을 높이는 것은 농가의 수익을 증대시키 는 가장 직접적인 방법이며 참외 농장의 내/외부 환경 데이터와 참외 생육 데이터들을 활용하여 참외의 생산량을 예 측함으로써, 농가 및 연구원들의 의사결정에 긍정적으로 기여
참외 농장의 환경변화에 따른 생육 데이터와 생산량, 가격 데이터를 활용하여 고수익을 창출한 생육모델(적정 생산 량, 생육 환경과 생육 상태)를 도출함으로써 참외 재배의 최고의 효율을 견인할 수 있는 방안을 제시할 수 있을 것으 로 기대

평가 기준

참외 농장의 생육 모델을 통하여 예측한 생육 상태 변화에 따른 생산량 결과와 실제 데이터를 비교하여 정밀도 측정
참외 생육의 품질 데이터에 따른 생산량과 실제 데이터 간 상관관계를 도출하여 최적화된 생육 환경 제시 (*외부 데이터 활용 가능)

데이터

참외농장 내부 환경변화에 따른 가격 데이터(df1)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	INNER_TPRT	내부온도	numeric	Y
5	INNER_HMDT	내부습도	numeric	Y
6	INNER_CBDX_CTRN	내부이산화탄소농도	numeric	Y
7	SPCIES_NM_1	품종명_1	varchar	Y
8	SPCIES_NM_2	품종명_2	varchar	Y
9	SPCIES_NM_3	품종명_3	varchar	Y
10	HOUSE_QLFMT_CONT	하우스재질내용	varchar	Y
11	HOUSE_TYPE	하우스타입	varchar	Y
12	PLANT_AR_SQM	식재면적제곱미터	numeric	Y
13	SHPMN_QTY	출하량	numeric	Y
14	SHPMN_AMT	출하금액	numeric	Y

참외농장 내부 환경변화에 따른 생산량 데이터(df2)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	AREA_TPRT	지역온도	numeric	Y
5	AREA_HMDT	지역습도	numeric	Y
6	AREA_WDSP	지역풍속	numeric	Y
7	INNER_TPRT	내부온도	numeric	Y
8	INNER_HMDT	내부습도	numeric	Y
9	INNER_CBDX_CTRN	내부이산화탄소농도	numeric	Y
10	SHPMN_QTY	출하량	numeric	Y

참외농장 내부 환경변화에 따른 생육 데이터(df3)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	INNER_TPRT	내부온도	numeric	Y
5	INNER_HMDT	내부습도	numeric	Y
6	INNER_CBDX_CTRN	내부이산화탄소농도	numeric	Y
7	SPCIES_NM_1	품종명_1	varchar	Y
8	SPCIES_NM_2	품종명_2	varchar	Y
9	SPCIES_NM_3	품종명_3	varchar	Y
10	HOUSE_QLFMT_CONT	하우스재질내용	varchar	Y
11	HOUSE_TYPE	하우스타입	varchar	Y
12	PLANT_AR_SQM	식재면적제곱미터	numeric	Y
13	INDVD_NO	개체번호	varchar	Y
14	PLT_LNGTH	초장	numeric	Y
15	LEAF_LNGTH	엽장	numeric	Y
16	LEAF_WDTH	엽폭	numeric	Y
17	STEM_THNS	줄기굵기	numeric	Y

참외농장 외부 환경변화에 따른 가격 데이터(df4)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	AREA_TPRT	지역온도	numeric	Y
5	AREA_HMDT	지역습도	numeric	Y
6	AREA_WDSP	지역풍속	numeric	Y
7	EXTN_TPRT	외부기온	numeric	Y
8	EXTN_WDSP	외부풍속	numeric	Y
9	EXTN_SRQT	외부일사량	numeric	Y
10	SPCIES_NM_1	품종명_1	varchar	Y
11	SPCIES_NM_2	품종명_2	varchar	Y
12	SPCIES_NM_3	품종명_3	varchar	Y
13	HOUSE_QLFMT_CONT	하우스재질내용	varchar	Y
14	HOUSE_TYPE	하우스타입	varchar	Y
15	PLANT_AR_SQM	식재면적제곱미터	numeric	Y
16	SHPMN_QTY	출하량	numeric	Y
17	SHPMN_AMT	출하금액	numeric	Y

참외농장 외부 환경변화에 따른 내부 환경 데이터(df5)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	AREA_TPRT	지역온도	numeric	Y
5	AREA_HMDT	지역습도	numeric	Y
6	AREA_WDSP	지역풍속	numeric	Y
7	EXTN_TPRT	외부기온	numeric	Y
8	EXTN_WDSP	외부풍속	numeric	Y
9	EXTN_SRQT	외부일사량	numeric	Y
10	INNER_TPRT	내부온도	numeric	Y
11	INNER_HMDT	내부습도	numeric	Y
12	INNER_CBDX_CTRN	내부이산화탄소농도	numeric	Y

참외농장 외부 환경변화에 따른 생산량 데이터(df6)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	AREA_TPRT	지역온도	numeric	Y
5	AREA_HMDT	지역습도	numeric	Y
6	AREA_WDSP	지역풍속	numeric	Y
7	EXTN_TPRT	외부기온	numeric	Y
8	EXTN_WDSP	외부풍속	numeric	Y
9	EXTN_SRQT	외부일사량	numeric	Y
10	SHPMN_QTY	출하량	numeric	Y

참외농장 외부 환경변화에 따른 생육 데이터(df7)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	AREA_TPRT	지역온도	numeric	Y
5	AREA_HMDT	지역습도	numeric	Y
6	AREA_WDSP	지역풍속	numeric	Y
7	EXTN_TPRT	외부기온	numeric	Y
8	EXTN_WDSP	외부풍속	numeric	Y
9	EXTN_SRQT	외부일사량	numeric	Y
10	SPCIES_NM_1	품종명_1	varchar	Y
11	SPCIES_NM_2	품종명_2	varchar	Y
12	SPCIES_NM_3	품종명_3	varchar	Y
13	HOUSE_QLFMT_CONT	하우스재질내용	varchar	Y
14	HOUSE_TYPE	하우스타입	varchar	Y
15	PLANT_AR_SQM	식재면적제곱미터	numeric	Y
16	INDVD_NO	개체번호	varchar	Y
17	PLT_LNGTH	초장	numeric	Y
18	LEAF_LNGTH	엽장	numeric	Y
19	LEAF_WDTH	엽폭	numeric	Y
20	STEM_THNS	줄기굵기	numeric	Y

참외농장 작물 생육변화에 따른 생산량 데이터(df8)

No.	컬럼ID	컬럼명	타입	NULL
1	FARM_ID	농장ID	varchar	Y
2	MSRM_DT	측정일	timestamp	N
3	AREA_NM	구역명	varchar	Y
4	SPCIES_NM_1	품종명_1	varchar	Y
5	SPCIES_NM_2	품종명_2	varchar	Y
6	SPCIES_NM_3	품종명_3	varchar	Y
7	HOUSE_QLFMT_CONT	하우스재질내용	varchar	Y
8	HOUSE_TYPE	하우스타입	varchar	Y
9	PLANT_AR_SQM	식재면적제곱미터	numeric	Y
10	INDVD_NO	개체번호	varchar	Y
11	PLT_LNGTH	초장	numeric	Y
12	LEAF_LNGTH	엽장	numeric	Y
13	LEAF_WDTH	엽폭	numeric	Y
14	STEM_THNS	줄기굵기	numeric	Y
15	SHPMN_QTY	출하량	numeric	Y
16	IMG_COURS	이미지경로	varchar	Y

# df1.assign(Date = pd.to_datetime(df1['MSRM_DT']).dt.date, Hour = df1['MSRM_DT'].dt.time).drop(columns=['AREA_NM','SPICES_NM_1','SPICES_NM_2','SPICES_NM_3','HOUSE_QLFMT_CONT','HOUSE_TYPE','MSRM_DT'])
# 내부 온도, 습도, 이산화탄소 농도와 출하량, 출하금액 관계
# df2.drop(columns=['AREA_NM','MSRM_DT'])
# 지역 온도, 습도, 풍속 및 내부 온도, 습도, 인산화탄소 농도와 출하량 관계
# df3.drop(columns=['AREA_NM','SPICES_NM_1','SPICES_NM_2','SPICES_NM_3','HOUSE_QLFMT_CONT','HOUSE_TYPE','INDVD_NO','MSRM_DT'])
# df3 내부 온도, 습도, 이산화탄소농도와 초장, 엽장, 엽폭 관계
# df4.drop(columns=['AREA_NM','SPICES_NM_1','SPICES_NM_2','SPICES_NM_3','HOUSE_QLFMT_CONT','HOUSE_TYPE','MSRM_DT'])
# 지역 온도, 습도, 풍속 및 외부 기온, 풍속, 일사량과 출하량, 출하금액의 차이
# df5.drop(columns=['AREA_NM','MSRM_DT'])
# 지역 온도, 습도, 풍속 과 외부 기온, 풍속, 일사량과 내부 오도ㅡ 습도, 이산화탄소 농도의 관계
# df6.drop(columns=['AREA_NM','MSRM_DT'])
# 지역 온도, 습도, 풍속과 외부 기온, 풍속, 일사량과 출하량의 관계
# df7.drop(columns=['AREA_NM','SPICES_NM_1','SPICES_NM_2','SPICES_NM_3','HOUSE_QLFMT_CONT','HOUSE_TYPE','INDVD_NO','MSRM_DT'])
# 지역 온도, 습도, 풍속과 외부 기온, 풍속, 일사량과 초장, 엽장, 엽폭, 줄기 굵기의 관계
# df8.drop(columns=['AREA_NM','SPICES_NM_1','SPICES_NM_2','SPICES_NM_3','HOUSE_QLFMT_CONT','HOUSE_TYPE','MSRM_DT'])
# 초장, 엽장, 엽폭, 줄기 굵기와 출하량 간의 관계

	FARM_ID	MSRM_DT	AREA_NM	SPICES_NM_1	SPICES_NM_2	SPICES_NM_3	HOUSE_QLFMT_CONT	HOUSE_TYPE	PLANT_AR_SQM	INDVD_NO	PLT_LNGTH	LEAF_LNGTH	LEAF_WDTH	STEM_THNS	SHPMN_QTY
0	GBE_KRMLN_0020000u	2019-01-01 00:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
1	GBE_KRMLN_0020000u	2019-01-01 01:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
2	GBE_KRMLN_0020000u	2019-01-01 02:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
3	GBE_KRMLN_0020000u	2019-01-01 03:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
4	GBE_KRMLN_0020000u	2019-01-01 04:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
10195	GBE_KRMLN_0020000u	2019-12-31 19:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
10196	GBE_KRMLN_0020000u	2019-12-31 20:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
10197	GBE_KRMLN_0020000u	2019-12-31 21:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
10198	GBE_KRMLN_0020000u	2019-12-31 22:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN
10199	GBE_KRMLN_0020000u	2019-12-31 23:00:00	성주	스마트	NaN	NaN	비닐	단동	13200	NaN	NaN	NaN	NaN	NaN	NaN

10200 rows × 15 columns

초장: 관부에서 가장 긴 잎의 선단까지의 길이
엽장: 완전히 전개된 최근 3번째 잎을 대상 엽육이 시작되는 지점부터 잎 끝부분까지 길이
엽폭: 완전히 전개된 최근 3번째 잎을 대상으로 하며, 가장 폭이 넓은 부분 측정

Import

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error, r2_score

Data import

https://dacon.io/competitions/official/236033/codeshare/7779

# df1_filtered = df1.assign(Date = pd.to_datetime(df1['MSRM_DT']).dt.date, Hour = df1['MSRM_DT'].dt.time).assign(Price=lambda x: x['SHPMN_AMT'] / x['SHPMN_QTY'])
# df1_series = pd.Series(df1_filtered.Price)
# interpolated_series = df1_series.interpolate(method='linear')
# interpolated_series = interpolated_series.interpolate(method='bfill')
# df1_filtered = df1_filtered.assign(Price_2 = interpolated_series).dropna(subset=['Price_2']).dropna(subset=['INNER_TPRT', 'INNER_HMDT', 'INNER_CBDX_CTRN'], how='all')
# mean_value = df1_filtered['INNER_TPRT'].mean()
# df1_filtered['INNER_TPRT'].fillna(mean_value, inplace=True)
# mean_value = df1_filtered['INNER_HMDT'].mean()
# df1_filtered['INNER_HMDT'].fillna(mean_value, inplace=True)
# mean_value = df1_filtered['INNER_CBDX_CTRN'].mean()
# df1_filtered['INNER_CBDX_CTRN'].fillna(mean_value, inplace=True)
df1_filtered = df1.assign(Date = pd.to_datetime(df1['MSRM_DT']).dt.date, Hour = df1['MSRM_DT'].dt.time).assign(Price=lambda x: x['SHPMN_AMT'] / x['SHPMN_QTY']).dropna(subset=['INNER_TPRT', 'INNER_HMDT', 'INNER_CBDX_CTRN','Price'])
df1_filtered = df1_filtered.groupby('Date').agg({'INNER_TPRT': 'mean','INNER_HMDT': 'mean','INNER_CBDX_CTRN': 'mean','Price':'mean'}).reset_index()
df1_filtered

	Date	INNER_TPRT	INNER_HMDT	INNER_CBDX_CTRN	Price
0	2019-03-05	26.455556	76.888889	568.333333	3989.189189
1	2019-03-12	25.810000	59.500000	617.500000	3918.181818
2	2019-03-13	24.026667	61.466667	808.400000	4395.000000
3	2019-03-14	20.966667	60.208333	977.708333	2683.333333
4	2019-03-18	19.929167	60.166667	936.083333	3205.555556
5	2019-03-19	22.100000	56.521739	970.173913	2417.741935
6	2019-03-20	18.943478	65.304348	871.347826	1725.925926
7	2019-03-24	21.175000	51.166667	909.708333	2951.724138
8	2019-03-25	20.895833	57.500000	923.375000	3034.615385
9	2019-03-26	22.500000	52.347826	948.782609	2092.063492
10	2019-03-28	23.743478	52.260870	962.304348	2703.225806
11	2019-03-29	23.287500	55.666667	988.875000	2528.125000
12	2019-03-31	23.154167	58.208333	901.958333	3594.444444
13	2019-04-02	22.437500	53.291667	903.041667	3145.454545
14	2019-04-03	22.322727	54.500000	941.363636	4008.000000
15	2019-04-08	26.437500	51.375000	782.687500	3494.736842
16	2019-04-15	19.958333	59.166667	687.125000	4309.677419
17	2019-04-16	19.662500	54.250000	713.208333	4166.666667
18	2019-04-18	22.508333	58.041667	854.291667	3476.470588
19	2019-04-19	19.159091	71.727273	885.000000	3627.777778
20	2019-04-22	23.691667	60.833333	845.041667	1072.727273
21	2019-05-19	26.968421	75.684211	749.368421	1336.842105
22	2019-05-21	23.641667	59.333333	777.083333	1238.297872
23	2019-05-22	24.829167	60.208333	828.958333	1424.444444
24	2019-05-23	26.112500	60.958333	857.750000	1216.666667
25	2019-05-28	24.220833	64.625000	712.291667	876.923077

X = df1_filtered[['INNER_TPRT', 'INNER_HMDT', 'INNER_CBDX_CTRN']].values
y = df1_filtered['Price'].values

# 데이터 분할 (훈련 세트: 80%, 테스트 세트: 20%)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

# 결정 트리 회귀 모델 생성
model = DecisionTreeRegressor(random_state=10)
model.fit(X_train, y_train)  # 모델 훈련

DecisionTreeRegressor(random_state=10)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

# 예측
y_pred = model.predict(X_test)

# 성능 평가
mse = mean_squared_error(y_test, y_pred)  # 평균 제곱 오차
r2 = r2_score(y_test, y_pred)  # R^2 점수

# print("예측값:", y_pred)
print("평균 제곱 오차 (MSE):", mse)
print("R^2 점수:", r2)

평균 제곱 오차 (MSE): 2101299.10966768
R^2 점수: -1.6028194433833463

df2 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 내부 환경변화에 따른 생산량 데이터_데이터.xlsx')
# FARM_ID GBE_KRMLN_0030000g
df2_filtered = df2.assign(Date = pd.to_datetime(df2['MSRM_DT']).dt.date, Hour = df2['MSRM_DT'].dt.time)\
                .dropna(subset=['SHPMN_QTY'])\
                .drop(columns=['AREA_NM', 'FARM_ID','MSRM_DT'])
df2_filtered

	AREA_TPRT	AREA_HMDT	AREA_WDSP	INNER_TPRT	INNER_HMDT	INNER_CBDX_CTRN	SHPMN_QTY	Date	Hour
1488	2.7	78.0	0.9	19.8	NaN	NaN	140.0	2020-03-03	00:00:00
1489	2.3	80.0	0.6	19.5	NaN	NaN	140.0	2020-03-03	01:00:00
1490	1.9	81.0	0.1	19.0	99.7	NaN	140.0	2020-03-03	02:00:00
1491	1.0	89.0	0.4	18.5	99.6	NaN	140.0	2020-03-03	03:00:00
1492	1.0	93.0	0.5	18.1	NaN	NaN	140.0	2020-03-03	04:00:00
...	...	...	...	...	...	...	...	...	...
5515	28.9	94.0	1.8	NaN	NaN	NaN	270.0	2020-08-17	19:00:00
5516	27.7	98.0	1.5	NaN	NaN	NaN	270.0	2020-08-17	20:00:00
5517	26.7	99.0	0.6	NaN	NaN	NaN	270.0	2020-08-17	21:00:00
5518	26.1	99.0	0.6	NaN	NaN	NaN	270.0	2020-08-17	22:00:00
5519	25.2	99.0	0.7	NaN	NaN	NaN	270.0	2020-08-17	23:00:00

2016 rows × 9 columns





# FARM_ID = GBE_KRMLN_0030000g
df3 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 내부 환경변화에 따른 생육 데이터_데이터.xlsx')
df3_filtered = df3.assign(Date = pd.to_datetime(df3['MSRM_DT']).dt.date, Hour = df3['MSRM_DT'].dt.time)\
                .drop(columns=['SPICES_NM_2', 'SPICES_NM_3','SPICES_NM_1','AREA_NM','HOUSE_QLFMT_CONT','HOUSE_TYPE', 'FARM_ID','MSRM_DT'])
# PLT_LNGTH 초장 LEAF_LNGTH 엽장 LEAF_WDTH 엽폭 STEM_THNS 줄기굵기

df4 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 외부 환경변화에 따른 가격 데이터_데이터.xlsx')
# FARM_ID = GBE_KRMLN_0030000g
# PLANT_AR_SQM = 16500
df4_filtered = df4.assign(Date = pd.to_datetime(df4['MSRM_DT']).dt.date, Hour = df4['MSRM_DT'].dt.time)\
                .dropna(subset=['SHPMN_QTY', 'SHPMN_AMT']).drop(columns=['SPICES_NM_2', 'SPICES_NM_3']).\
                assign(Price=lambda x: x['SHPMN_AMT'] / x['SHPMN_QTY'])\
                .drop(columns=['SHPMN_QTY', 'SHPMN_AMT','SPICES_NM_1','AREA_NM','HOUSE_QLFMT_CONT','HOUSE_TYPE'])\
                .drop(columns = ['FARM_ID','PLANT_AR_SQM','MSRM_DT'])

df5 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 외부 환경변화에 따른 내부 환경 데이터_데이터.xlsx')

df6 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 외부 환경변화에 따른 생산량 데이터_데이터.xlsx')

df7 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 외부 환경변화에 따른 생육 데이터_데이터.xlsx')

df8 = pd.read_excel('./dataset/Smartfarm/(스마트팜)참외농장 작물 생육변화에 따른 생산량 데이터_데이터.xlsx')

sns.pairplot(df2_filtered[["INNER_TPRT","INNER_HMDT","INNER_CBDX_CTRN"]])

df1.FARM_ID.unique()

array(['GBE_KRMLN_002000at'], dtype=object)

df7.FARM_ID.unique()

array(['GBE_KRMLN_002000at'], dtype=object)

df1_filtered

	FARM_ID	MSRM_DT	AREA_NM	INNER_TPRT	INNER_HMDT	INNER_CBDX_CTRN	SPICES_NM_1	HOUSE_QLFMT_CONT	HOUSE_TYPE	PLANT_AR_SQM	SHPMN_QTY	SHPMN_AMT
1523	GBE_KRMLN_002000at	2019-03-05 11:00:00	성주	30.9	81.0	417.0	바른꿀	비닐	단동	19800	740.0	2952000.0
1524	GBE_KRMLN_002000at	2019-03-05 12:00:00	성주	32.4	77.0	411.0	바른꿀	비닐	단동	19800	740.0	2952000.0
1525	GBE_KRMLN_002000at	2019-03-05 13:00:00	성주	32.5	74.0	411.0	바른꿀	비닐	단동	19800	740.0	2952000.0
1526	GBE_KRMLN_002000at	2019-03-05 14:00:00	성주	29.3	68.0	426.0	바른꿀	비닐	단동	19800	740.0	2952000.0
1527	GBE_KRMLN_002000at	2019-03-05 15:00:00	성주	26.2	70.0	452.0	바른꿀	비닐	단동	19800	740.0	2952000.0
...	...	...	...	...	...	...	...	...	...	...	...	...
3547	GBE_KRMLN_002000at	2019-05-28 19:00:00	성주	22.9	57.0	621.0	바른꿀	비닐	단동	19800	260.0	228000.0
3548	GBE_KRMLN_002000at	2019-05-28 20:00:00	성주	19.9	61.0	784.0	바른꿀	비닐	단동	19800	260.0	228000.0
3549	GBE_KRMLN_002000at	2019-05-28 21:00:00	성주	17.9	65.0	948.0	바른꿀	비닐	단동	19800	260.0	228000.0
3550	GBE_KRMLN_002000at	2019-05-28 22:00:00	성주	16.6	67.0	1042.0	바른꿀	비닐	단동	19800	260.0	228000.0
3551	GBE_KRMLN_002000at	2019-05-28 23:00:00	성주	15.9	69.0	1084.0	바른꿀	비닐	단동	19800	260.0	228000.0

568 rows × 12 columns

df7

	FARM_ID	MSRM_DT	AREA_NM	AREA_TPRT	AREA_HMDT	AREA_WDSP	EXTN_TPRT	EXTN_WDSP	EXTN_SRQT	SPICES_NM_1	SPICES_NM_2	SPICES_NM_3	HOUSE_QLFMT_CONT	HOUSE_TYPE	PLANT_AR_SQM	INDVD_NO	PLT_LNGTH	LEAF_LNGTH	LEAF_WDTH	STEM_THNS
0	GBE_KRMLN_002000at	2019-01-01 00:00:00	성주	-1.9	50	1.6	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
1	GBE_KRMLN_002000at	2019-01-01 01:00:00	성주	-3.2	54	1.7	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
2	GBE_KRMLN_002000at	2019-01-01 02:00:00	성주	-2.5	62	2.1	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
3	GBE_KRMLN_002000at	2019-01-01 03:00:00	성주	-2.5	62	1.6	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
4	GBE_KRMLN_002000at	2019-01-01 04:00:00	성주	-3.6	67	0.8	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
10987	GBE_KRMLN_002000at	2019-12-31 19:00:00	성주	-2.5	34	2.4	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
10988	GBE_KRMLN_002000at	2019-12-31 20:00:00	성주	-3.2	38	1.2	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
10989	GBE_KRMLN_002000at	2019-12-31 21:00:00	성주	-4.3	43	1.0	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
10990	GBE_KRMLN_002000at	2019-12-31 22:00:00	성주	-3.9	39	1.8	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN
10991	GBE_KRMLN_002000at	2019-12-31 23:00:00	성주	-4.4	40	1.6	NaN	NaN	NaN	바른꿀	NaN	NaN	비닐	단동	19800	NaN	NaN	NaN	NaN	NaN

10992 rows × 20 columns

df2.FARM_ID.unique()

array(['GBE_KRMLN_0030000g'], dtype=object)

df3.FARM_ID.unique()

array(['GBE_KRMLN_0030000g'], dtype=object)

df4.FARM_ID.unique()

array(['GBE_KRMLN_0030000g'], dtype=object)

df5.FARM_ID.unique()

array(['GBE_KRMLN_0030000r'], dtype=object)

df6.FARM_ID.unique()

array(['GBE_KRMLN_002000aa'], dtype=object)

df8.FARM_ID.unique()

array(['GBE_KRMLN_0020000u'], dtype=object)