datupapi 1.108.10__py3-none-any.whl → 1.109.0__py3-none-any.whl

datupapi/evaluate/anomaly.py

@@ -271,6 +271,9 @@ class Anomaly():
                                     if alert_anomalies_item else "")
 
         # 3. Alerta por items con poco histórico -------------------
+        items_alerta_max = np.array(items_alerta_max).astype(str)
+        items_alerta_media = np.array(items_alerta_media).astype(str)
+
         alert_insufficient_history = alerta_max > 0 or alerta_media > 0
         alert_insufficient_history_txt = (
             f"Items con menos de 24 meses en el histórico: {alerta_max}. ({', '.join(map(str, items_alerta_max))}). "
@@ -377,6 +380,7 @@ class Anomaly():
             # Aplicar LOF
             lof4.fit(item_tmp[['SuggestedForecast', 'Target']])
             probs = lof4.predict_proba(item_tmp[['SuggestedForecast', 'Target']])
+            # item_tmp["probabilidad"] = probs[:, 1]  #Agregando probabilidad de anomalía a los items
             item_tmp = item_tmp.copy()
             item_tmp.loc[:, "probabilidad"] = probs[:, 1]
             is_out4 = probs[:, 1] > (prob_lim_item_frcst/100)
@@ -450,39 +454,57 @@ class Anomaly():
         log_forecast = log_forecast.drop(columns=drop_columns)
         print(f'Logs descargados y recortados a {log_forecast.shape[0]} ejecuciones.')
 
+        if log_forecast.shape[0] < 2:
+          print('Logs insuficientes. Las alertas dependientes de logs pasarán a estado nulo')
+
         #10. Cambios en el número total de items ----------------------
-        num_actual_items = demand_item['item_id'].nunique()
-        num_ant_items = log_forecast['Items'].iloc[-2]
-        cambio_num_items = ((num_actual_items - num_ant_items) / num_ant_items) * 100
+        if log_forecast.shape[0] > 1:
+          num_actual_items = demand_item['item_id'].nunique()
+          num_ant_items = log_forecast['Items'].iloc[-2]
+          cambio_num_items = ((num_actual_items - num_ant_items) / num_ant_items) * 100
 
-        #Alerta
-        alert_items_var = True if abs(cambio_num_items) > 10 else False
-        alert_items_var_txt = f"Variación en items: {cambio_num_items:.2f}%." if alert_items_var else ""
-        print(f"El número de ítems únicos ha cambiado en un {cambio_num_items:.2f}%.")
+          #Alerta
+          alert_items_var = True if abs(cambio_num_items) > 10 else False
+          alert_items_var_txt = f"Variación en items: {cambio_num_items:.2f}%." if alert_items_var else ""
+          print(f"El número de ítems únicos ha cambiado en un {cambio_num_items:.2f}%.")
 
-        #11. Cambios en el número total de ubicaciones  -------------- DE UBICACIÓN
-        if location:
-            num_actual_loc = df_demand['location'].nunique()
-            num_ant_loc = log_forecast['Locations'].iloc[-2]
-            cambio_num_loc = ((num_actual_loc - num_ant_loc) / num_ant_loc) * 100
         else:
-            cambio_num_loc = 0
+          alert_items_var = False
+          alert_items_var_txt = 'Nulo'
 
-        #Alerta
-        alert_loc_var = True if abs(cambio_num_loc) > limite_cambio_loc else False
-        alert_loc_var_txt = f"Variación en ubicaciones: {cambio_num_loc:.2f}%." if alert_loc_var else ""
-        print(f"El número de ubicaciones únicos ha cambiado en un {cambio_num_loc:.2f}%.")
+        #11. Cambios en el número total de ubicaciones  -------------- DE UBICACIÓN
+        if log_forecast.shape[0] > 1:
+          if location:
+              num_actual_loc = df_demand['location'].nunique()
+              num_ant_loc = log_forecast['Locations'].iloc[-2]
+              cambio_num_loc = ((num_actual_loc - num_ant_loc) / num_ant_loc) * 100
+          else:
+              cambio_num_loc = 0
+
+          #Alerta
+          alert_loc_var = True if abs(cambio_num_loc) > limite_cambio_loc else False
+          alert_loc_var_txt = f"Variación en ubicaciones: {cambio_num_loc:.2f}%." if alert_loc_var else ""
+          print(f"El número de ubicaciones únicos ha cambiado en un {cambio_num_loc:.2f}%.")
+
+        else:
+          alert_loc_var = False
+          alert_loc_var_txt = 'Nulo'
 
         ##12. Aumento en el WMAPE
-        wmape_actual = log_forecast['WMAPE'].iloc[-1]
-        wmape_anterior = log_forecast['WMAPE'].iloc[-2]
+        if log_forecast.shape[0] > 1:
+          wmape_actual = log_forecast['WMAPE'].iloc[-1]
+          wmape_anterior = log_forecast['WMAPE'].iloc[-2]
 
-        #Alerta
-        alert_wmape_var = True if  wmape_anterior < wmape_actual else False
-        alert_wmape_var_txt = ((f"El error promedio aumentó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%") if alert_wmape_var
-                               else (f"El error promedio disminuyó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%"))
-        print(f"El error pasó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%")
-        print(alert_wmape_var_txt)
+          #Alerta
+          alert_wmape_var = True if  wmape_anterior < wmape_actual else False
+          alert_wmape_var_txt = ((f"El error promedio aumentó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%") if alert_wmape_var
+                                else (f"El error promedio disminuyó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%"))
+          print(f"El error pasó de {wmape_anterior:.2f}% a {wmape_actual:.2f}%")
+          print(alert_wmape_var_txt)
+
+        else:
+          alert_wmape_var = False
+          alert_wmape_var_txt = 'Nulo'
 
         ##13. Fecha de corte
         fecha_corte = log_forecast['DateDataPrep'].iloc[-1]
@@ -497,7 +519,7 @@ class Anomaly():
 
         #####--------------------Creción tabla resumen
 
-        
+
         if location:
           # Creo tabla para lo items con baja precisión
           tabla = items_baja_precision[['Item', 'Location','ItemType', 'Ranking', 'AccuracyBestFit']]
@@ -516,7 +538,7 @@ class Anomaly():
           tabla = tabla.merge(historico_meses, left_on=['Item', 'Location'], right_on=['item_id', 'location'], how='left')
           tabla.drop(columns=['item_id', 'location'], inplace=True, errors='ignore')
           tabla['Historico (Meses)'] = tabla.set_index(['Item', 'Location']).index.map(df_demand.groupby(['item_id', 'location']).size())
-        
+
         else:
           # Creo tabla para lo items con baja precisión
           tabla = items_baja_precision[['Item','ItemType', 'Ranking', 'AccuracyBestFit']]
@@ -534,8 +556,15 @@ class Anomaly():
           tabla.drop(columns=['item_id'], inplace=True, errors='ignore')
           tabla['Historico (Meses)'] = tabla.set_index(['Item']).index.map(df_demand.groupby(['item_id']).size())
 
+
         #Añadir alertas LOF
+        out_if_item2['item_id'] = out_if_item2['item_id'].astype(str)
+        out_if_item4['Item'] = out_if_item4['Item'].astype(str)
+
         def obtener_alerta(item):
+
+            item = str(item)
+
             # Filtrar por item
             alerta_prep = out_if_item2[out_if_item2['item_id'] == item][['timestamp', 'probabilidad']].copy()
             alerta_forecast = out_if_item4[out_if_item4['Item'] == item][['Date', 'probabilidad']].copy()
@@ -554,6 +583,8 @@ class Anomaly():
             return alertas.to_dict(orient='records') if not alertas.empty else None
 
         tabla['AlertaAnomalia'] = tabla['Item'].apply(obtener_alerta)
+        items_con_alerta = set(out_if_item2['item_id']).union(set(out_if_item4['Item']))
+        print(f'Items con baja precisión con alertas de anomalías: {items_con_alerta}')
 
         #---------------------Cargando tabla resumen
         self.io.upload_csv(tabla, q_name='ResumenAlertas', datalake_path='output')

{datupapi-1.108.10.dist-info → datupapi-1.109.0.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: datupapi
-Version: 1.108.10
+Version: 1.109.0
 Summary: Utility library to support Datup AI MLOps processes
 Author: Datup AI
 Author-email: ramiro@datup.ai
@@ -24,6 +24,7 @@ Requires-Dist: pulp>=2.7.0
 Requires-Dist: pyarrow>=10.0.1
 Requires-Dist: pymssql>=2.2.7
 Requires-Dist: pymysql>=1.0.2
+Requires-Dist: pyod>=2.0.2
 Requires-Dist: pytest>=6.2.1
 Requires-Dist: python-dateutil>=2.8.2
 Requires-Dist: pyyaml>=5.3.1

{datupapi-1.108.10.dist-info → datupapi-1.109.0.dist-info}/RECORD

@@ -7,7 +7,7 @@ datupapi/distribution/src/DistributionFunctions/functions_distribution.py,sha256
 datupapi/distribution/src/Format/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 datupapi/distribution/src/Format/distribution_format.py,sha256=CFqUHTk9StDvaOvlR3yLr3NZiFY2Ao1yVXoY-IsrNWE,3964
 datupapi/evaluate/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
-datupapi/evaluate/anomaly.py,sha256=s_HJb_5T3xNhL26y5bsHWuS-ucbkhSGtCyF10d_iJ3I,32379
+datupapi/evaluate/anomaly.py,sha256=fjIDAvEPGBJdZjVXhz7Rk90WKCR5t3Hbe6zeTKVXFlw,33506
 datupapi/evaluate/errors.py,sha256=9SRYAjwRDfEdP1EnBbfA7zoQEi4xU4qI16vBE8-jkeA,7039
 datupapi/extract/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 datupapi/extract/io.py,sha256=fYPXf-SmYyw4ywbN3SjQsdl6qBQvQz1K3i9kbpiEkkA,84343
@@ -48,7 +48,7 @@ datupapi/transform/forecasting.py,sha256=OboiVyErzWXJAv6R4fCXiPNaoVp5dNAP9F53EDq
 datupapi/transform/ranking.py,sha256=XOI0XqMx9Cy52Xjc4LCzJCNUsJZNjgrPky7nrpELr-U,7943
 datupapi/utils/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 datupapi/utils/utils.py,sha256=pU3mXPupm-1gvODI-kPlIpOdMHa2F9lEXvqBn6t3ajc,4637
-datupapi-1.108.10.dist-info/METADATA,sha256=rnZVc3B-tl8WhucWvk4zfB9232xy44-N2CI67bONr2k,1490
-datupapi-1.108.10.dist-info/WHEEL,sha256=pxyMxgL8-pra_rKaQ4drOZAegBVuX-G_4nRHjjgWbmo,91
-datupapi-1.108.10.dist-info/top_level.txt,sha256=oERwtRZu8xq2u1TDGwJwuWK0iJbH4p7x9kYECAL5So0,9
-datupapi-1.108.10.dist-info/RECORD,,
+datupapi-1.109.0.dist-info/METADATA,sha256=v2bRsQxBoCgZAOHxv9DvZ0jReqahpI-5Cr1XTwNYpR8,1516
+datupapi-1.109.0.dist-info/WHEEL,sha256=SmOxYU7pzNKBqASvQJ7DjX3XGUF92lrGhMb3R6_iiqI,91
+datupapi-1.109.0.dist-info/top_level.txt,sha256=oERwtRZu8xq2u1TDGwJwuWK0iJbH4p7x9kYECAL5So0,9
+datupapi-1.109.0.dist-info/RECORD,,

{datupapi-1.108.10.dist-info → datupapi-1.109.0.dist-info}/WHEEL

@@ -1,5 +1,5 @@
 Wheel-Version: 1.0
-Generator: setuptools (79.0.0)
+Generator: setuptools (79.0.1)
 Root-Is-Purelib: true
 Tag: py3-none-any