Property Data from CSV

from idaes_dmf import dmf, propdata, resource
ls *.csv
amundsen-data.csv  han-data.csv  jayarathna-data.csv
amundsen-meta.csv  han-meta.csv  jayarathna-meta.csv

Load CSV files into a PropertyTable object

# load data
data3 = propdata.PropertyData.from_csv("han-data.csv", 2)
data3.add_csv("jayarathna-data.csv")
data3.add_csv("amundsen-data.csv")
table3 = propdata.PropertyTable(data=data3)
# add metadata (sources)
for f in "han-meta.csv", "jayarathna-meta.csv", "amundsen-meta.csv":
    table3.add_metadata(propdata.PropertyMetadata.from_csv(f, "MEA"))

Add PropertyTable object, containing all the property data, to the DMF

d = dmf.DMF()
rsrc = resource.PropertyDataResource(property_table=table3)
ident = d.add(rsrc)
println(ident)
4
d2 = d.fetch_one(ident)
data3 = d2.property_table
data3.data.values_dataframe()
T CO2 Loading r Density Data Surface Tension Viscosity Value
0 298.15 0.10 0.3 1.0333 NaN NaN
1 298.15 0.21 0.3 1.0534 NaN NaN
2 298.15 0.32 0.3 1.0756 NaN NaN
3 298.15 0.44 0.3 1.0964 NaN NaN
4 298.15 0.56 0.3 1.1142 NaN NaN
5 313.15 0.10 0.3 1.0253 NaN NaN
6 313.15 0.21 0.3 1.0464 NaN NaN
7 313.15 0.32 0.3 1.0669 NaN NaN
8 313.15 0.44 0.3 1.0891 NaN NaN
9 313.15 0.56 0.3 1.1068 NaN NaN
10 323.15 0.10 0.3 1.0196 NaN NaN
11 323.15 0.21 0.3 1.0412 NaN NaN
12 323.15 0.32 0.3 1.0613 NaN NaN
13 323.15 0.44 0.3 1.0838 NaN NaN
14 323.15 0.56 0.3 1.1014 NaN NaN
15 333.15 0.10 0.3 1.0138 NaN NaN
16 333.15 0.21 0.3 1.0356 NaN NaN
17 333.15 0.32 0.3 1.0556 NaN NaN
18 333.15 0.44 0.3 1.0782 NaN NaN
19 333.15 0.56 0.3 1.0957 NaN NaN
20 343.15 0.10 0.3 1.0076 NaN NaN
21 343.15 0.21 0.3 1.0297 NaN NaN
22 343.15 0.32 0.3 1.0496 NaN NaN
23 343.15 0.44 0.3 1.0723 NaN NaN
24 343.15 0.56 0.3 1.0887 NaN NaN
25 353.15 0.10 0.3 1.0002 NaN NaN
26 353.15 0.21 0.3 1.0234 NaN NaN
27 353.15 0.32 0.3 1.0434 NaN NaN
28 353.15 0.44 0.3 1.0660 NaN NaN
29 353.15 0.56 0.3 1.0812 NaN NaN
... ... ... ... ... ... ...
186 298.15 0.00 0.4 3.5800 NaN NaN
187 298.15 0.10 0.4 4.0000 NaN NaN
188 298.15 0.20 0.4 4.6000 NaN NaN
189 298.15 0.30 0.4 5.1000 NaN NaN
190 298.15 0.40 0.4 6.0000 NaN NaN
191 298.15 0.50 0.4 7.0000 NaN NaN
192 313.15 0.00 0.4 2.2800 NaN NaN
193 313.15 0.10 0.4 2.5000 NaN NaN
194 313.15 0.20 0.4 3.0000 NaN NaN
195 313.15 0.30 0.4 3.3000 NaN NaN
196 313.15 0.40 0.4 4.0000 NaN NaN
197 313.15 0.50 0.4 4.6000 NaN NaN
198 323.15 0.00 0.4 1.7500 NaN NaN
199 323.15 0.10 0.4 2.0000 NaN NaN
200 323.15 0.20 0.4 2.3000 NaN NaN
201 323.15 0.30 0.4 2.6000 NaN NaN
202 323.15 0.40 0.4 3.1000 NaN NaN
203 323.15 0.50 0.4 3.8000 NaN NaN
204 343.15 0.00 0.4 1.1400 NaN NaN
205 343.15 0.10 0.4 1.3000 NaN NaN
206 343.15 0.20 0.4 1.5000 NaN NaN
207 343.15 0.30 0.4 1.7000 NaN NaN
208 343.15 0.40 0.4 2.0000 NaN NaN
209 343.15 0.50 0.4 2.3000 NaN NaN
210 353.15 0.00 0.4 0.9500 NaN NaN
211 353.15 0.10 0.4 1.1000 NaN NaN
212 353.15 0.20 0.4 1.3000 NaN NaN
213 353.15 0.30 0.4 1.4000 NaN NaN
214 353.15 0.40 0.4 1.7000 NaN NaN
215 353.15 0.50 0.4 1.9000 NaN NaN

216 rows × 6 columns