-
Notifications
You must be signed in to change notification settings - Fork 4
/
Copy pathdataSync.py
443 lines (324 loc) · 25.2 KB
/
dataSync.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
# common imports
from datetime import datetime, timedelta
import pandas as pd
import numpy as np
# special imports
from minepy import MINE
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.tsa.stattools import grangercausalitytests
# front-end imports
import streamlit as st
# ===========================================
# Functions Data Retrieval
# ===========================================
@st.cache(allow_output_mutation=True, suppress_st_warning=True)
def getBestLags(df, tags, target, shiftFrom, shiftTo, shiftStep):
barProgresso = st.progress(0)
progressoAtual = 0
progressoTotal = len(tags) * len(range(shiftFrom, shiftTo, shiftStep))
resultPearson = {}
resultMic = {}
resultSpearman = {}
resultKendall = {}
for tag in tags:
vetorPearson = {}
vetorMic = {}
vetorSpearman = {}
vetorKendall = {}
mine = MINE(alpha=0.6, c=15, est="mic_e")
for lag in range(shiftFrom, shiftTo, shiftStep):
tempDf = pd.concat([df[tag].shift(lag, freq='min'), df[target]], axis=1)
tempDf.dropna(inplace = True)
vetorPearson[lag] = tempDf.corr(method='pearson').iloc[0][1]
vetorSpearman[lag] = tempDf.corr(method='spearman').iloc[0][1]
vetorKendall[lag] = tempDf.corr(method='kendall').iloc[0][1]
mine.compute_score(tempDf[tag], tempDf[target])
vetorMic[lag] = mine.mic()
progressoAtual += 1
barProgresso.progress(int(progressoAtual*100/progressoTotal))
resultPearson[tag] = pd.DataFrame.from_dict(vetorPearson, orient='index', columns=[tag])
resultMic[tag] = pd.DataFrame.from_dict(vetorMic, orient='index', columns=[tag])
resultSpearman[tag] = pd.DataFrame.from_dict(vetorSpearman, orient='index', columns=[tag])
resultKendall[tag] = pd.DataFrame.from_dict(vetorKendall, orient='index', columns=[tag])
return resultPearson, resultMic, resultSpearman, resultKendall
@st.cache(allow_output_mutation=True, suppress_st_warning=True)
def getMaxCorr(dicRawBestLag, fltTags):
dfMaxCorr = []
dfMinCorr = []
dfIdxMinCorr = []
dfIdxMaxCorr = []
for k in dicRawBestLag.keys():
dfMaxCorr.extend(dicRawBestLag.get(str(k)).max())
dfMinCorr.extend(dicRawBestLag.get(str(k)).min())
dfIdxMaxCorr.extend(dicRawBestLag.get(str(k)).idxmax())
dfIdxMinCorr.extend(dicRawBestLag.get(str(k)).idxmin())
maximumcorr = []
maximumcorridx = []
for v in range(len(fltTags)):
if (abs(dfMinCorr[v]) > abs(dfMaxCorr[v])):
maximumcorr.append(dfMinCorr[v])
maximumcorridx.append(dfIdxMinCorr[v])
else:
maximumcorr.append(dfMaxCorr[v])
maximumcorridx.append(dfIdxMaxCorr[v])
return maximumcorr, maximumcorridx
@st.cache(allow_output_mutation=True, suppress_st_warning=True)
def calcCorr(df, tags, target):
dfCorrPearson = df[tags].corr(method='pearson')
pearson = dfCorrPearson[dfCorrPearson.index == target]
dfCorrSpearman = df[tags].corr(method='spearman')
spearman = dfCorrSpearman[dfCorrSpearman.index == target]
dfCorrKendall = df[tags].corr(method='kendall')
kendall = dfCorrKendall[dfCorrKendall.index == target]
mic = pd.DataFrame()
mine = MINE(alpha=0.6, c=15, est="mic_e")
for tag in tags:
mine.compute_score(df[tag], df[target])
mic.loc[0, tag] = mine.mic()
dfCorr = pd.concat([pearson, spearman, kendall])
dfCorr.index = ["Pearson", "Spearman", "Kendall"]
dfCorr.drop([target], axis=1, inplace=True)
return dfCorr.transpose()
##########################
### App page beginning ###
##########################
def write(state):
if type(state.dfRawRange) == type(None):
st.warning("Realize a importação do arquivo CSV contendo os dados em **'Data Preparation'**.")
elif state.dfRawRange.empty:
st.warning("Realize os passos 1 e 2 do **'Data Preparation'**.")
else:
#st.markdown("Pronto! Dados carregados com sucesso!")
st.sidebar.title("Data Syncronization")
# ===========================================
# Body
# ===========================================
st.title('Obtendo os datasets sincronizados')
st.markdown('A última etapa para finalmente obter os dados **sincronizados** é utilizar o cálculo de correlação para encontrar a correta **defasagem (lag)** entre a variável de processo e de qualidade.')
st.subheader("")
# ===========================================
# Raw
# ===========================================
if type(state.fltTarget) == type(None):
st.warning('**Atenção** - Antes de iniciar essa etapa, navegue pela aba **Data Correlation** e **selecione** uma variável alvo no passo 1')
else:
st.markdown('1. Primeiro vamos recapitular o que descobrimos na etapa anterior. Vejamos então a **matriz de correlação** das variáveis selecionadas em relação ao targert **{}**.'\
.format(state.fltTarget))
if len(state.fltTags) > 0:
dfRawCorr = calcCorr(state.dfRawRange, state.fltTags, state.fltTarget)
st.dataframe(dfRawCorr)
st.info("Os resultados do cálculo de correlação são a base para o cálculo de defasagem (lag) que iremos realizar no Passo 2.")
st.subheader('')
st.markdown('2. Vamos agora utilizar o algoritmo de varredura para encontrar o melhor valor de defasagem entre a(s) variável(is) de processo e qualidade.')
st.markdown('Entretanto, o algoritmo de varredura precisa de saber o **tamanho da janela de varredura**. Nesse caso, selecione o tamanho da janela (escala em minutos):')
st.markdown('')
parSearchLimits = st.slider(label='Selecione a janela de busca (minutos)', min_value=0, max_value=360, value=(0, 360), step=5)
fltTags = state.fltTags.copy()
fltTags.remove(state.fltTarget)
btnBestLag = st.button("Calcular BestLag", key="btnBestLag")
st.warning("**Nota**: quanto maior a janela de varredura, maior o tempo de execução dos cálculos.")
if btnBestLag:
st.warning("Cálculo do bestlag em execução!")
state.dicRawBestLagPearson, state.dicRawBestLagMic, state.dicRawBestLagSpearman, state.dicRawBestLagKendall\
= getBestLags(df=state.dfRawRange, tags=fltTags, target=state.fltTarget, shiftFrom=parSearchLimits[0], shiftTo=parSearchLimits[1], shiftStep=5)
#Busca os valores máx e min e seus respectivos indices na função de busca da correlacao
state.maximumPearson, state.maximumidxPearson = getMaxCorr(state.dicRawBestLagPearson, fltTags)
state.maximumSpearman, state.maximumidxSpearman = getMaxCorr(state.dicRawBestLagSpearman, fltTags)
state.maximumKendall, state.maximumidxKendall = getMaxCorr(state.dicRawBestLagKendall, fltTags)
state.maximumMic, state.maximumidxMic = getMaxCorr(state.dicRawBestLagMic, fltTags)
st.success("Finalizado!")
fltRawBestLagCurve = st.selectbox(label='Process Variable:', options=fltTags, key='fltRawBestLagCurve')
if len(fltRawBestLagCurve) > 0:
for k in range(len(fltTags)):
if (fltTags[k] == fltRawBestLagCurve):
indice_variavel = k
if (state.dicRawBestLagPearson != None) & (state.dicRawBestLagSpearman != None) & (state.dicRawBestLagKendall != None) & (state.dicRawBestLagMic != None) :
dict_best_lags = {}
dict_best_lags['pearson'] = state.maximumidxPearson[indice_variavel]
#dict_best_lags['mic'] = state.maximumidxMic[indice_variavel]
dict_best_lags['spearman'] = state.maximumidxSpearman[indice_variavel]
dict_best_lags['kendall'] = state.maximumidxKendall[indice_variavel]
#Mostrar na tela o valor e o índice (tempo) em que a máxima correlação foi encontrada, o que significa o melhor valor do best lag
st.info("**Pearson:** o maior valor de correlação entre o target **{}** e a variável **{}** foi de **{:.2f}** onde o valor do tempo de atraso (best lag) é igual a **{}** minutos."\
.format(state.fltTarget, fltRawBestLagCurve, state.maximumPearson[indice_variavel] ,state.maximumidxPearson[indice_variavel]))
st.info("**Spearman:** o maior valor de correlação entre o target **{}** e a variável **{}** foi de **{:.2f}** onde o valor do tempo de atraso (best lag) é igual a **{}** minutos."\
.format(state.fltTarget, fltRawBestLagCurve, state.maximumSpearman[indice_variavel] ,state.maximumidxSpearman[indice_variavel]))
st.info("**Kendall:** o maior valor de correlação entre o target **{}** e a variável **{}** foi de **{:.2f}** onde o valor do tempo de atraso (best lag) é igual a **{}** minutos."\
.format(state.fltTarget, fltRawBestLagCurve, state.maximumKendall[indice_variavel] ,state.maximumidxKendall[indice_variavel]))
#st.info("**MIC:** o maior valor de correlação entre o target **{}** e a variável **{}** foi de **{:.2f}** onde o valor do tempo de atraso (best lag) é igual a **{}** minutos."\
# .format(state.fltTarget, fltRawBestLagCurve, state.maximumMic[indice_variavel] ,state.maximumidxMic[indice_variavel]))
#########################################
figBestLag, annotations = plt.subplots()
annotations.plot(state.dicRawBestLagPearson[fltRawBestLagCurve], lw = 1, color='r',label="Pearson")
annotations.scatter(x=state.maximumidxPearson[indice_variavel], y=state.maximumPearson[indice_variavel], color="red")
annotations.plot(state.dicRawBestLagSpearman[fltRawBestLagCurve], lw = 1, color='orange',label="Spearman")
annotations.scatter(x=state.maximumidxSpearman[indice_variavel], y=state.maximumSpearman[indice_variavel], color="orange")
annotations.plot(state.dicRawBestLagKendall[fltRawBestLagCurve], lw = 1, color='k',label="Kendall")
annotations.scatter(x=state.maximumidxKendall[indice_variavel], y=state.maximumKendall[indice_variavel], color="k")
#annotations.plot(state.dicRawBestLagMic[fltRawBestLagCurve], lw = 1, color='g',label="MIC")
#annotations.scatter(x=state.maximumidxMic[indice_variavel], y=state.maximumMic[indice_variavel], color="g")
annotations.set_title('Métodos de Correlação na Janela de Varredura \n {} x {}'.format(state.fltTarget, fltRawBestLagCurve ))
annotations.set_ylabel('Scores')
annotations.set_xlabel('Deslocamento (min)')
annotations.legend(bbox_to_anchor=(1.3, 1))
annotations.set_ylim(-1.1, 1.1)
st.pyplot(figBestLag)
############################################################
############# Teste de hipotese de causalidade #############
############################################################
# Variaveis independentes: state.fltTags
# Variavel dependente: state.fltTarget
# df = state.dfRawRange
dependent_variable = state.fltTarget
independent_variables = set(state.fltTags) - set(dependent_variable)
#for i in range(0, len(independent_variables)):
list_columns = []
list_columns.append(state.fltTarget)
list_columns.append(str(fltRawBestLagCurve))
k_v_exchanged = {}
for key, value in dict_best_lags.items():
if value not in k_v_exchanged:
k_v_exchanged[value] = [key]
else:
k_v_exchanged[value].append(key)
list_lags = list(k_v_exchanged.keys())
#list_correlation_methods = list(dict_best_lags.keys())
gc_res = {}
p_value_ssr_ftest = {}
p_value_ssr_chi2test = {}
p_value_lrtest = {}
p_value_params_ftest = {}
for lag in list_lags:
counter = 0
if(lag>0):
gc_res[lag] = grangercausalitytests(state.dfRawRange[list_columns], [lag])
else:
gc_res[lag] = None
if (gc_res[lag] is not None):
p_value_ssr_ftest[lag] = gc_res[lag][lag][0]['ssr_ftest'][1]
p_value_ssr_chi2test[lag] = gc_res[lag][lag][0]['ssr_chi2test'][1]
p_value_lrtest[lag] = gc_res[lag][lag][0]['lrtest'][1]
p_value_params_ftest[lag] = gc_res[lag][lag][0]['params_ftest'][1]
list_methods = k_v_exchanged[lag]
if(lag>0):
if(p_value_ssr_ftest[lag]<0.05):
counter = counter + 1
if(p_value_ssr_chi2test[lag]<0.05):
counter = counter + 1
if(p_value_lrtest[lag]<0.05):
counter = counter + 1
if(p_value_params_ftest[lag]<0.05):
counter = counter + 1
if(len(list_methods)>1):
methods = ''
for method in list_methods:
methods = methods + method + ', '
methods = methods[:-2]
if(counter>0):
st.markdown("Resultado dos **testes de hipótese** para o **best lag** encontrado pelos métodos **" + methods + "**:")
st.info("Valores passados (" + str(lag) + " minutos) de " + list_columns[1] + " tem um efeito estatisticamente significante nos valores atuais de " + list_columns[0] + ". Passou em " + str(np.round(((counter/4)*100), 2)) + " % dos testes de hipótese.")
else:
st.markdown("Resultado dos **testes de hipótese** para o **best lag** encontrado pelos métodos " + methods + ":")
st.info("Valores passados (" + str(lag) + " minutos) de " + list_columns[1] + " não tem um efeito estatisticamente significante nos valores atuais de " + list_columns[0] + ". Passou em " + str(np.round(((counter/4)*100), 2)) + " % dos testes de hipótese.")
else:
if(counter>0):
st.markdown("Resultado dos **testes de hipótese** para o **best lag** encontrado pelo método **" + k_v_exchanged[lag][0] + "**:")
st.info("Valores passados (" + str(lag) + " minutos) de " + list_columns[1] + " tem um efeito estatisticamente significante nos valores atuais de " + list_columns[0] + ". Passou em " + str(np.round(((counter/4)*100), 2)) + " % dos testes de hipótese.")
else:
st.markdown("Resultado dos **testes de hipótese** para o **best lag** encontrado pelo método **" + k_v_exchanged[lag][0] + "**:")
st.info("Valores passados (" + str(lag) + " minutos) de " + list_columns[1] + " não tem um efeito estatisticamente significante nos valores atuais de " + list_columns[0] + ". Passou em " + str(np.round(((counter/4)*100), 2)) + " % dos testes de hipótese.")
state.fim_etapa2 = 1
if ((len(state.fltTags) > 0)):
st.markdown('3. Vamos agora **reconstruir o dataset** considerando o atraso de tempo encontrado, de forma que os dados ficarão **sincronizados**, facilitando a sua aplicação para os algoritmos de modelagem.')
#st.markdown('Entretanto, o algoritmo de varredura precisa de saber o **tamanho da janela de varredura**. Nesse caso, selecione o tamanho da janela (escala em minutos):')
st.markdown('')
if st.checkbox("Clique aqui para ver os datasets sincronizados"):
st.write("Esse é o dataset original")
st.dataframe(state.dfRawRange)
st.markdown('')
methodLag = ["Pearson", "Spearman", "Kendall"]#, "Mic"]
fltMethodLag = st.selectbox(label='Metódo do lag: ', options=methodLag, key='fltMethodLag')
st.write("Esse é o dataset reconstruído. Perceba que há um **deslocamento** no valor do time stamp na primeira linha, devido a consideração do atraso **(best lag)** calculado.")
state.dfRawRangeShifted = state.dfRawRange.copy()
for tag in fltTags:
indexTag = fltTags.index(tag)
if fltMethodLag == "Pearson":
if np.isnan(state.maximumidxPearson[indexTag]):
st.warning("Não foi possível realizar a correlação de pearson entre **{}** e **{}**, portanto não será realizado o descolamento de **{}**."\
.format(tag, state.fltTarget, tag))
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(0, freq='min')
else:
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(state.maximumidxPearson[indexTag], freq='min')
elif fltMethodLag == "Spearman":
if np.isnan(state.maximumidxSpearman[indexTag]):
st.warning("Não foi possível realizar a correlação de spearman entre **{}** e **{}**, portanto não será realizado o descolamento de **{}**."\
.format(tag, state.fltTarget, tag))
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(0, freq='min')
else:
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(state.maximumidxSpearman[indexTag], freq='min')
elif fltMethodLag == "Kendall":
if np.isnan(state.maximumidxKendall[indexTag]):
st.warning("Não foi possível realizar a correlação de kendall entre **{}** e **{}**, portanto não será realizado o descolamento de **{}**."\
.format(tag, state.fltTarget, tag))
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(0, freq='min')
else:
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(state.maximumidxKendall[indexTag], freq='min')
elif fltMethodLag == "Mic":
state.dfRawRangeShifted[tag] = state.dfRawRangeShifted[tag].shift(state.maximumidxMic[indexTag], freq='min')
#Shifta o dataset com base no maior do de best lag encontrando (que é o índice de maior valor das variáveis selecionadas para serem varridas pelo algoritmo de busca do best lag)
#newcolumns = newcolumns.columns.values[:-1]
#Função que fazia a mudança no nome da coluna, inserindo o sufixo _shifted, mas por causa do cache do streamlit, ocorrem bugs do streamlit e por isso, vamos fazer sem mudar o nome da coluna.
#for iterator in range(len(newcolumns)):
# newcolumns[iterator] = newcolumns[iterator] + "_shifted"
#dfShiftedByBestlag = state.dfRawRange.copy()
#state.dfRawRangeShifted = dfShiftedByBestlag.shift(max(state.maximumidxPearson), freq='min')
st.dataframe(state.dfRawRangeShifted)
state.dfRawRangeShifted.dropna(inplace=True)
st.write("**Pronto!** Curtiu? Caso o Pandorabox tenha te ajudado de alguma forma, escreve pra gente e conta como foi ou se tá precisando de mais alguma coisa!")
st.write("Nosso e-mail: **[email protected]**")
#st.write("**Pronto!** Agora estamos pronto para fazer uma modelagem mais robusta e eficiente. Vamos então para a aba **Data Modeling**")
'''
##########################################################
### TESTE - Numero de lag diferente para cada variavel ###
### baseado no método escolhido pelo usuário ###
##########################################################
st.title("Teste")
testTags = fltTags.copy()
fltSyncPearson = st.multiselect(label='Pearson', options=testTags, key='fltSyncPearson')
for a in fltSyncPearson:
if a in testTags:
testTags.remove(a)
fltSyncSpearman = st.multiselect(label='Spearman', options=testTags, key='fltSyncSpearman')
for a in fltSyncSpearman:
if a in testTags:
testTags.remove(a)
fltSyncKendall = st.multiselect(label='Kendall', options=testTags, key='fltSyncKendall')
for a in fltSyncKendall:
if a in testTags:
testTags.remove(a)
fltSyncMIC = st.multiselect(label='MIC', options=testTags, key='fltSyncMIC')
for a in fltSyncMIC:
if a in testTags:
testTags.remove(a)
teste = state.dfRawRange.copy()
for tag in fltTags:
indexTag = fltTags.index(tag)
if tag in fltSyncPearson:
teste[tag] = teste[tag].shift(state.maximumidxPearson[indexTag], freq='min')
elif tag in fltSyncSpearman:
teste[tag] = teste[tag].shift(state.maximumidxSpearman[indexTag], freq='min')
elif tag in fltSyncKendall:
teste[tag] = teste[tag].shift(state.maximumidxKendall[indexTag], freq='min')
elif tag in fltSyncMIC:
teste[tag] = teste[tag].shift(state.maximumidxMic[indexTag], freq='min')
st.write(" ")
st.write(state.dfRawRange)
st.write(" ")
st.write(teste)
#methodLag = ["Pearson", "Spearman", "Kendall", "Mic"]
#a = {}
#for i in fltTags:
# a[i] = st.selectbox(label=i, options=methodLag, key='fltSync{}'.format(i))
#st.write(a)
'''