This script downloads data from the EpiCollect crb_yigo_barrel_traps (http://www.epicollect.net/project.html?name=crb_yigo_barrel_traps) and saves it to crb_yigo_barrel_epicollect.csv.
import pandas
import datetime
import pytz
import numpy as np
project_key = 'ahZzfmVwaWNvbGxlY3RzZXJ2ZXItaHJkchQLEgdQcm9qZWN0GICAgMi21YQLDA'
csv_url = 'http://epicollectserver.appspot.com/listEntriesCSV.csv?projectKey=' + project_key
data = pandas.read_csv(csv_url, parse_dates=['dateCreated'], index_col=['dateCreated'])
excluded_columns = ['key', 'latitude', 'longitude', 'altitude', 'deviceId', 'entryId', 'lastEdited', 'timeUploaded', 'projectName',
'photo', 'Unnamed: 15']
data = data.drop(excluded_columns, axis=1)
data.index = data.index.tz_localize('UTC')
data.index = data.index.tz_convert('Pacific/Guam')
data.index = data.index.date
data = data.sort()
data.to_csv('crb_yigo_barrel_traps.csv')
data
barrelID | males | females | note | |
---|---|---|---|---|
2014-10-15 | 31 | 0 | 0 | NaN |
2014-10-15 | 7 | 1 | NaN | NaN |
2014-10-15 | 2 | NaN | 1 | NaN |
2014-10-15 | 4 | 0 | 0 | NaN |
2014-10-15 | 19 | NaN | NaN | NaN |
2014-10-15 | 27 | 0 | 0 | NaN |
2014-10-15 | 30 | 1 | 1 | 2603 |
2014-10-15 | 20 | NaN | 5 | 2636 |
2014-10-15 | 6 | 0 | 0 | NaN |
2014-10-15 | 14 | 2 | 2 | NaN |
2014-10-15 | 21 | 1 | 1 | NaN |
2014-10-15 | 15 | 2 | NaN | NaN |
2014-10-15 | 8 | NaN | 2 | NaN |
2014-10-15 | 9 | NaN | 2 | NaN |
2014-10-15 | 12 | 1 | NaN | NaN |
2014-10-15 | 25 | 2 | NaN | NaN |
2014-10-15 | 1 | 0 | 0 | NaN |
2014-10-15 | 5 | 1 | 1 | NaN |
2014-10-15 | 29 | 2 | 2 | NaN |
2014-10-15 | 17 | NaN | NaN | NaN |
2014-10-15 | 22 | 0 | 0 | NaN |
2014-10-15 | 13 | 0 | 0 | NaN |
2014-10-15 | 3 | 0 | 0 | NaN |
2014-10-15 | 28 | 3 | 5 | 2436 |
2014-10-15 | 11 | 2 | 3 | 2703 |
2014-10-15 | 26 | 1 | NaN | NaN |
2014-10-15 | 10 | 0 | 0 | NaN |
2014-10-15 | 18 | NaN | NaN | NaN |
2014-10-15 | 16 | NaN | 1 | NaN |
2014-10-15 | 23 | NaN | 1 | NaN |
... | ... | ... | ... | ... |
2015-02-05 | 29 | 0 | 2 | NaN |
2015-02-05 | 28 | 1 | 1 | NaN |
2015-02-05 | 17 | 0 | 0 | NaN |
2015-02-05 | 18 | 0 | 2 | NaN |
2015-02-05 | 2 | 2 | 4 | NaN |
2015-02-05 | 15 | 1 | 1 | NaN |
2015-02-05 | 7 | 1 | 1 | NaN |
2015-02-05 | 12 | 1 | 0 | NaN |
2015-02-05 | 9 | 0 | 1 | NaN |
2015-02-05 | 22 | 0 | 2 | NaN |
2015-02-05 | 5 | 1 | 0 | NaN |
2015-02-05 | 23 | 2 | 2 | NaN |
2015-02-05 | 4 | 2 | 1 | NaN |
2015-02-05 | 3 | 0 | 1 | NaN |
2015-02-05 | 14 | 3 | 4 | NaN |
2015-02-05 | 19 | 0 | 1 | NaN |
2015-02-05 | 25 | 2 | 1 | NaN |
2015-02-05 | 24 | 0 | 1 | NaN |
2015-02-05 | 10 | 2 | 0 | NaN |
2015-02-05 | 20 | 0 | 0 | NaN |
2015-02-05 | 6 | 0 | 0 | NaN |
2015-02-05 | 1 | 0 | 1 | NaN |
2015-02-05 | 21 | 0 | 1 | NaN |
2015-02-05 | 30 | 0 | 0 | NaN |
2015-02-05 | 13 | 0 | 1 | NaN |
2015-02-05 | 16 | 1 | 0 | NaN |
2015-02-05 | 27 | 0 | 1 | NaN |
2015-02-05 | 26 | 1 | 0 | NaN |
2015-02-05 | 31 | 1 | 0 | NaN |
2015-02-05 | 11 | 0 | 0 | NaN |
370 rows × 4 columns