InsideForest 0.2.2__tar.gz → 0.2.3__tar.gz

{insideforest-0.2.2 → insideforest-0.2.3}/InsideForest/descrip.py

@@ -104,7 +104,8 @@ def replace_with_dict(df, columns, var_rename):
 
 
 
-def get_descripciones_valiosas(df_datos_descript,df_datos_clusterizados, TARGETS, var_rename):
+def get_descripciones_valiosas(df_datos_descript,df_datos_clusterizados, TARGETS, var_rename, 
+                               inflex_pond_sup = .4, inflex_pond_inf=.5):
 
     df_datos_descript = df_datos_descript.sort_values('cluster_ponderador', ascending=False)
     # descrip_generales = [x for x in df_datos_descript['cluster_descripcion'].unique().tolist() if type('')==type(x)]
@@ -132,10 +133,16 @@ def get_descripciones_valiosas(df_datos_descript,df_datos_clusterizados, TARGETS
     punto = primer_punto_inflexion_decreciente(los_custers_valiosos_original[0], bins=20, window_length=5, polyorder=2)
     punto_1 = primer_punto_inflexion_decreciente(los_custers_valiosos_original[1], bins=20, window_length=5, polyorder=2)
 
-    los_custers_valiosos_original_cond = los_custers_valiosos_original[0]>punto*.4
-    los_custers_valiosos_original_cond_1 = los_custers_valiosos_original[0]>punto_1
+    los_custers_valiosos_original_cond = los_custers_valiosos_original[0]>punto*inflex_pond_sup
 
-    los_custers_valiosos_original = los_custers_valiosos_original[los_custers_valiosos_original_cond|los_custers_valiosos_original_cond_1]
+    los_custers_valiosos_original_cond_1 = los_custers_valiosos_original[1]>punto_1
+
+    los_custers_valiosos_original_cond_2 = los_custers_valiosos_original[0]<inflex_pond_inf
+    
+
+    los_custers_valiosos_original = los_custers_valiosos_original[los_custers_valiosos_original_cond\
+                                                                  |los_custers_valiosos_original_cond_1\
+                                                                    |los_custers_valiosos_original_cond_2]
 
     df_datos_descript_valiosas = df_datos_descript[df_datos_descript['cluster'].isin(los_custers_valiosos_original.index.tolist())]
 
@@ -143,6 +150,7 @@ def get_descripciones_valiosas(df_datos_descript,df_datos_clusterizados, TARGETS
     df_datos_descript_valiosas = df_datos_descript_valiosas.merge(proprcin_.reset_index(), on='cluster', how='left')
     df_datos_descript_valiosas = df_datos_descript_valiosas.merge(los_custers.reset_index(), on='cluster', how='left')
     df_datos_descript_valiosas = df_datos_descript_valiosas.rename(columns={'1_x':'Probabilidad','1_y':'N_probabilidad',0:'Soporte'})
+
     return df_datos_descript_valiosas.drop(columns=['cluster_ponderador']), stacked_data
 
 

{insideforest-0.2.2 → insideforest-0.2.3}/InsideForest/regions.py

@@ -792,9 +792,7 @@ class regions:
     return df_clusterizado_add.drop(columns='clusters_key')
 
 
-
-
-  def labels(self, df, df_reres, include_desc=False):
+  def labels(self, df, df_reres, include_desc=False, include_summary_cluster=True):
     lista_reglas = copy.deepcopy(df_reres)
 
     # Asignar IDs únicos a las reglas
@@ -809,12 +807,15 @@ class regions:
     # Asignar clusters a los datos utilizando las reglas importantes
     df_datos_clusterizados, df_clusters_descripcion = self.asignar_clusters_a_datos(df, df_reglas_importantes)
     
-    df_datos_clusterizados = self.get_clusters_importantes(df_datos_clusterizados)
+    if include_summary_cluster:
+      df_datos_clusterizados = self.get_clusters_importantes(df_datos_clusterizados)
 
     if include_desc:
       df_datos_clusterizados = df_datos_clusterizados.merge(df_clusters_descripcion, on='cluster', how='left')
       
-      df_datos_clusterizados = df_datos_clusterizados.rename(columns={'cluster_descripcion':'best_cluster_descripcion','cluster_ponderador':'best_cluster_ponderador','cluster':'best_cluster'})
+      df_datos_clusterizados = df_datos_clusterizados.rename(columns={'cluster_descripcion':'best_cluster_descripcion',
+                                                                      'cluster_ponderador':'best_cluster_ponderador',
+                                                                      'cluster':'best_cluster'})
       
       return df_datos_clusterizados
 

{insideforest-0.2.2 → insideforest-0.2.3}/InsideForest.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: InsideForest
-Version: 0.2.2
+Version: 0.2.3
 Summary: A comprehensive library for describing and analyzing data insights via AI
 Home-page: https://github.com/jcval94/InsideForest.git
 Author: [('Jose Carlos Del Valle', 'jcval94@gmail.com'), ('ChatGPT', 'chat.openai.com/chat')]

{insideforest-0.2.2 → insideforest-0.2.3}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: InsideForest
-Version: 0.2.2
+Version: 0.2.3
 Summary: A comprehensive library for describing and analyzing data insights via AI
 Home-page: https://github.com/jcval94/InsideForest.git
 Author: [('Jose Carlos Del Valle', 'jcval94@gmail.com'), ('ChatGPT', 'chat.openai.com/chat')]

{insideforest-0.2.2 → insideforest-0.2.3}/setup.py

@@ -2,7 +2,7 @@ from setuptools import setup, find_packages
 
 setup(
     name='InsideForest',
-    version='0.2.2',
+    version='0.2.3',
     packages=find_packages(),
     license='MIT',
     author=[('Jose Carlos Del Valle', 'jcval94@gmail.com'),