aisp 0.1.30__py3-none-any.whl → 0.1.31__py3-none-any.whl

aisp/NSA/__init__.py

@@ -1,5 +1,5 @@
-from ._negativeSelection import RNSA, BNSA
+from ._negative_selection import BNSA, RNSA
 
-__author__ = 'João Paulo da Silva Barros'
-__all__ = ['RNSA', 'BNSA']
-__version__ = '0.1.21'
+__author__ = "João Paulo da Silva Barros"
+__all__ = ["RNSA", "BNSA"]
+__version__ = "0.1.31"

aisp/{_base.py → NSA/_base.py}

@@ -3,30 +3,36 @@ import numpy.typing as npt
 from typing import Literal
 from scipy.spatial.distance import euclidean, cityblock, minkowski
 
+
 class Base:
     """
-    The base class contains functions that are used by more than one class in the package, 
-    and therefore are considered essential for the overall functioning of the system.
+    The base class contains functions that are used by more than one class in the package, and \
+    therefore are considered essential for the overall functioning of the system.
 
     ---
 
-    A classe base contém funções que são utilizadas por mais de uma classe do pacote, 
-    e por isso são consideradas essenciais para o funcionamento geral do sistema.
+    A classe base contém funções que são utilizadas por mais de uma classe do pacote, e por isso \
+    são consideradas essenciais para o funcionamento geral do sistema.
     """
-    def __init__(self, metric: str = 'euclidean', p: float = 2):
+
+    def __init__(self, metric: str = "euclidean", p: float = 2):
         """
         Parameters:
         ---
         * metric (``str``): Way to calculate the distance between the detector and the sample:
 
-                * ``'Euclidean'`` ➜ The calculation of the distance is given by the expression: √( (x₁ – x₂)² + (y₁ – y₂)² + ... + (yn – yn)²).
-                * ``'minkowski'`` ➜ The calculation of the distance is given by the expression: ( |X₁ – Y₁|p + |X₂ – Y₂|p + ... + |Xn – Yn|p) ¹/ₚ.
-                * ``'manhattan'`` ➜ The calculation of the distance is given by the expression: ( |x₁ – x₂| + |y₁ – y₂| + ... + |yn – yn|) .
-        
-        
-        * p (``float``): This parameter stores the value of ``p`` used in the Minkowski distance. 
-        The default is ``2``, which represents normalized Euclidean distance. Different values of p lead to 
-        different variants of the Minkowski distance [learn more](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.minkowski.html).
+                * ``'Euclidean'`` ➜ The calculation of the distance is given by the expression: \
+                    √( (x₁ – x₂)² + (y₁ – y₂)² + ... + (yn – yn)²).
+                * ``'minkowski'`` ➜ The calculation of the distance is given by the expression: \
+                    ( |X₁ – Y₁|p + |X₂ – Y₂|p + ... + |Xn – Yn|p) ¹/ₚ.
+                * ``'manhattan'`` ➜ The calculation of the distance is given by the expression: \
+                    ( |x₁ – x₂| + |y₁ – y₂| + ... + |yn – yn|) .
+
+
+        * p (``float``): This parameter stores the value of ``p`` used in the Minkowski distance.\
+            The default is ``2``, which represents normalized Euclidean distance. Different \
+            values of p lead to different variants of the Minkowski distance \
+            [learn more](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.minkowski.html).
 
         ---
 
@@ -34,20 +40,24 @@ class Base:
         ---
         * metric (``str``): Forma para se calcular a distância entre o detector e a amostra: 
 
-                * ``'euclidiana'`` ➜ O cálculo da distância dá-se pela expressão: √( (x₁ – x₂)² + (y₁ – y₂)² + ... + (yn – yn)²).
-                * ``'minkowski'``  ➜ O cálculo da distância dá-se pela expressão: ( |X₁ – Y₁|p + |X₂ – Y₂|p + ... + |Xn – Yn|p).
-                * ``'manhattan'``  ➜ O cálculo da distância dá-se pela expressão: ( |x₁ – x₂| + |y₁ – y₂| + ... + |yn – yn|).
+                * ``'euclidiana'`` ➜ O cálculo da distância dá-se pela expressão: \
+                    √( (x₁ – x₂)² + (y₁ – y₂)² + ... + (yn – yn)²).
+                * ``'minkowski'``  ➜ O cálculo da distância dá-se pela expressão: \
+                    ( |X₁ – Y₁|p + |X₂ – Y₂|p + ... + |Xn – Yn|p).
+                * ``'manhattan'``  ➜ O cálculo da distância dá-se pela expressão: \
+                    ( |x₁ – x₂| + |y₁ – y₂| + ... + |yn – yn|).
 
             Defaults to ``'euclidean'``.
-        
-        * p (``float``): Este parâmetro armazena o valor de ``p`` utilizada na distância de Minkowski.
-          O padrão é ``2``, o que significa distância euclidiana normalizada. Diferentes valores de p levam a 
-          diferentes variantes da distância de Minkowski [saiba mais](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.minkowski.html).
+
+        * p (``float``): Este parâmetro armazena o valor de ``p`` utilizada na distância de Minkowski. \
+            O padrão é ``2``, o que significa distância euclidiana normalizada. Diferentes valores \
+            de p levam a diferentes variantes da distância de Minkowski \
+            [saiba mais](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.minkowski.html).
         """
-        if metric == 'manhattan' or metric == 'minkowski' or metric == 'euclidean':
+        if metric == "manhattan" or metric == "minkowski":
             self.metric: str = metric
         else:
-            self.metric: str = 'euclidean'
+            self.metric: str = "euclidean"
         self.p: float = p
 
     def _distance(self, u: npt.NDArray, v: npt.NDArray):
@@ -76,61 +86,79 @@ class Base:
         ---
             * Distância (``double``) entre os dois pontos.
         """
-        if self.metric == 'manhattan':
+        if self.metric == "manhattan":
             return cityblock(u, v)
-        elif self.metric == 'minkowski':
+        elif self.metric == "minkowski":
             return minkowski(u, v, self.p)
         else:
             return euclidean(u, v)
-        
-    def _check_and_raise_exceptions_fit(self, X: npt.NDArray = None, y: npt.NDArray = None, _class_: Literal['RNSA', 'BNSA'] = 'RNSA'):
+
+    def _check_and_raise_exceptions_fit(self, X: npt.NDArray = None, y: npt.NDArray = None,
+        _class_: Literal["RNSA", "BNSA"] = "RNSA",
+    ):
         """
-        Function responsible for verifying fit function parameters and throwing exceptions if the verification is not successful.
+        Function responsible for verifying fit function parameters and throwing exceptions if the \
+        verification is not successful.
 
         Parameters:
         ---
-             * X (``npt.NDArray``): Training array, containing the samples and their characteristics,
-            [``N samples`` (rows)][``N features`` (columns)].
+            * X (``npt.NDArray``): Training array, containing the samples and their characteristics, \
+                [``N samples`` (rows)][``N features`` (columns)].
             * y (``npt.NDArray``): Array of target classes of ``X`` with [``N samples`` (lines)].
             * _class_ (Literal[RNSA, BNSA], optional): Current class. Defaults to 'RNSA'.
 
+        Raises:
         ---
+            * TypeError: If X or y are not ndarrays or have incompatible shapes.
+            * ValueError: If _class_ is BNSA and X contains values that are not composed only of 0 and 1.
 
-        Função responsável por verificar os parâmetros da função fit e lançar exceções se a verificação não for bem-sucedida.
+        ---
 
-         Parâmetros:
-         ---
-              * X (``npt.NDArray``): Array de treinamento, contendo as amostras e suas características,
-             [``N samples`` (linhas)][``N features`` (colunas)].
-             * y (``npt.NDArray``): Array de classes alvo de ``X`` com [``N samples`` (linhas)].
-             * _class_ (Literal[RNSA, BNSA], opcional): Classe atual. O padrão é 'RNSA'.
+        Função responsável por verificar os parâmetros da função fit e lançar exceções se a \
+        verificação não for bem-sucedida.
+
+        Parâmetros:
+        ---
+            * X (``npt.NDArray``): Array de treinamento, contendo as amostras e suas características, \
+                [``N samples`` (linhas)][``N features`` (colunas)].
+            * y (``npt.NDArray``): Array de classes alvo de ``X`` com [``N samples`` (linhas)].
+            * _class_ (Literal[RNSA, BNSA], opcional): Classe atual. O padrão é 'RNSA'.
+
+        Lança:
+        ---
+            * TypeError: Se X ou y não forem ndarrays ou tiverem formas incompatíveis.
+            * ValueError: Se _class_ for BNSA e X contiver valores que não sejam compostos apenas por 0 e 1.
         """
-        if not isinstance(X,  (np.ndarray)):
-            if isinstance(X,  (list)):
+        if not isinstance(X, np.ndarray):
+            if isinstance(X, list):
                 X = np.array(X)
             else:
-                raise TypeError("X is not an ndarray.")
-        elif not isinstance(y, (np.ndarray)):
-            if isinstance(y, (list)):
+                raise TypeError("X is not an ndarray or list.")
+        elif not isinstance(y, np.ndarray):
+            if isinstance(y, list):
                 y = np.array(y)
             else:
-                raise TypeError("y is not an ndarray.")
+                raise TypeError("y is not an ndarray or list.")
         if X.shape[0] != y.shape[0]:
             raise TypeError(
-                "X does not have the same amount of sample for the output classes in y.")
-        
-        if _class_ == 'BNSA' and not np.isin(X, [0, 1]).all():
+                "X does not have the same amount of sample for the output classes in y."
+            )
+
+        if _class_ == "BNSA" and not np.isin(X, [0, 1]).all():
             raise ValueError(
-                "The array X contains values that are not composed only of 0 and 1.")
+                "The array X contains values that are not composed only of 0 and 1."
+            )
 
     def _slice_index_list_by_class(self, y: npt.NDArray) -> dict:
         """
-        The function ``__slice_index_list_by_class(...)``, separates the indices of the lines according to the output class,
-        to loop through the sample array, only in positions where the output is the class being trained.
+        The function ``__slice_index_list_by_class(...)``, separates the indices of the lines \
+        according to the output class, to loop through the sample array, only in positions where \
+        the output is the class being trained.
 
         Parameters:
         ---
-            * y (npt.NDArray): Receives a ``y``[``N sample``] array with the output classes of the ``X`` sample array.
+            * y (npt.NDArray): Receives a ``y``[``N sample``] array with the output classes of the \
+                ``X`` sample array.
 
         returns:
         ---
@@ -138,32 +166,35 @@ class Base:
 
         ---
 
-        A função ``__slice_index_list_by_class(...)``, separa os índices das linhas conforme a classe de saída, 
-        para percorrer o array de amostra, apenas nas posições que a saída for a classe que está sendo treinada.
+        A função ``__slice_index_list_by_class(...)``, separa os índices das linhas conforme a \
+        classe de saída, para percorrer o array de amostra, apenas nas posições que a saída for \
+        a classe que está sendo treinada.
 
         Parameters:
         ---
-            * y (npt.NDArray): Recebe um array ``y``[``N amostra``] com as classes de saida do array de amostra ``X``.
+            * y (npt.NDArray): Recebe um array ``y``[``N amostra``] com as classes de saída do \
+                array de amostra ``X``.
 
         Returns:
         ---
             * dict: Um dicionário com a lista de posições do array(``y``), com as classes como chave.
         """
-        positionSamples = dict()
+        position_samples = dict()
         for _class_ in self.classes:
             # Pega as posições das amostras por classes a partir do y.
-            positionSamples[_class_] = list(np.where(y == _class_)[0])
+            position_samples[_class_] = list(np.where(y == _class_)[0])
+
+        return position_samples
 
-        return positionSamples
-    
     def _score(self, X: npt.NDArray, y: list) -> float:
         """
         Score function calculates forecast accuracy.
 
         Details:
         ---
-        This function performs the prediction of X and checks how many elements are equal between vector y and y_predicted. 
-        This function was added for compatibility with some scikit-learn functions.
+        This function performs the prediction of X and checks how many elements are equal between \
+        vector y and y_predicted. This function was added for compatibility with some scikit-learn \
+        functions.
 
         Parameters:
         -----------
@@ -185,8 +216,9 @@ class Base:
 
         Details:
         ---
-        Esta função realiza a previsão de X e verifica quantos elementos são iguais entre o vetor y e y_previsto. 
-        Essa função foi adicionada para oferecer compatibilidade com algumas funções do scikit-learn.
+        Esta função realiza a previsão de X e verifica quantos elementos são iguais entre o vetor \
+        y e y_previsto. Essa função foi adicionada para oferecer compatibilidade com algumas funções \
+        do scikit-learn.
 
         Parameters:
         ---
@@ -205,4 +237,4 @@ class Base:
         if len(y) == 0:
             return 0
         y_pred = self.predict(X)
-        return np.sum(y == y_pred)/len(y)
+        return np.sum(y == y_pred) / len(y)