sarapy 0.4.3__tar.gz → 0.4.5__tar.gz

{sarapy-0.4.3 → sarapy-0.4.5}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: sarapy
-Version: 0.4.3
+Version: 0.4.5
 Home-page: https://github.com/lucasbaldezzari/sarapy
 Author: Lucas Baldezzari
 Author-email: Lucas Baldezzari <lmbaldezzari@gmail.com>
@@ -18,6 +18,15 @@ Requires-Dist: geopy
 
 Library for processing SARAPICO project metadata of _AMG_.
 
+#### Version 0.4.5
+
+- Se modifica clase PlantinClassifier para que ahora tome un clasificador y lo use para clasificar operaciones.
+- Se modifica OpsProcessor para poder obtener clasificaciones (y no matrices de características de plantin como se venía probando).
+
+#### Version 0.4.4
+
+- Se modifica fit() de PlantinFMCreator.
+
 #### Version 0.4.3
 
 - Se agrega fit() dentro de transform() de PlantinFMCreator.

{sarapy-0.4.3 → sarapy-0.4.5}/README.md

@@ -2,6 +2,15 @@
 
 Library for processing SARAPICO project metadata of _AMG_.
 
+#### Version 0.4.5
+
+- Se modifica clase PlantinClassifier para que ahora tome un clasificador y lo use para clasificar operaciones.
+- Se modifica OpsProcessor para poder obtener clasificaciones (y no matrices de características de plantin como se venía probando).
+
+#### Version 0.4.4
+
+- Se modifica fit() de PlantinFMCreator.
+
 #### Version 0.4.3
 
 - Se agrega fit() dentro de transform() de PlantinFMCreator.

{sarapy-0.4.3 → sarapy-0.4.5}/pyproject.toml

@@ -1,7 +1,7 @@
 [project]
 name = "sarapy"
 
-version = "0.4.3"
+version = "0.4.5"
 authors = [
   {name = "Lucas Baldezzari", email = "lmbaldezzari@gmail.com"},]
 maintainers = [

{sarapy-0.4.3 → sarapy-0.4.5}/sarapy/dataProcessing/OpsProcessor.py

@@ -22,8 +22,10 @@ class OpsProcessor():
             - distanciaMedia: Distancia media entre operaciones.
         """
 
-        plclass_map = {"imputeDistances", "distanciaMedia", "umbral_precision"," dist_mismo_lugar", "max_dist",
+        plclass_map = {"classifier_file","imputeDistances", "distanciaMedia",
+                       "umbral_precision"," dist_mismo_lugar", "max_dist",
                        "umbral_ratio_dCdP", "deltaO_medio"}
+
         kwargs_plclass = {}
         ##recorro kwargs y usando plclass_map creo un nuevo diccionario con los valores que se pasaron
         for key, value in kwargs.items():
@@ -145,8 +147,9 @@ class OpsProcessor():
             if self.operationsDict[id_oprr]["first_day_op_classified"]:
                 classified_ops = classified_ops[1:]
                 
-            plantinClassifications = np.vstack((plantinClassifications, classified_ops)) if plantinClassifications is not None else classified_ops
-                
+            # plantinClassifications = np.vstack((plantinClassifications, classified_ops)) if plantinClassifications is not None else classified_ops
+            plantinClassifications = np.concatenate((plantinClassifications, classified_ops)) if plantinClassifications is not None else classified_ops
+            
             self.operationsDict[id_oprr]["first_day_op_classified"] = True
 
         return plantinClassifications
@@ -276,7 +279,7 @@ if __name__ == "__main__":
         index += random_value
     
     # from sarapy.dataProcessing import OpsProcessor
-    op = OpsProcessor(imputeDistances = False)
+    op = OpsProcessor(classifier_file="examples\\pip_lda_imp.pkl", imputeDistances = False)
 
     op.operationsDict
 

{sarapy-0.4.3 → sarapy-0.4.5}/sarapy/mlProcessors/PlantinClassifier.py

@@ -3,12 +3,17 @@ import numpy as np
 from sklearn.base import BaseEstimator, TransformerMixin
 from sklearn.pipeline import Pipeline
 from sarapy.mlProcessors import PlantinFMCreator
+import pickle
 
 class PlantinClassifier(BaseEstimator, TransformerMixin):
     """Clase para implementar el pipeline de procesamiento de datos para la clasificación del tipo de operación para plantines."""
     
-    def __init__(self, **kwargs):
-        """Constructor de la clase PlantinClassifier."""
+    def __init__(self, classifier_file = "", **kwargs):
+        """Constructor de la clase PlantinClassifier.
+        
+        Args:
+            - classifier_file: String con el nombre del archivo que contiene el clasificador entrenado. El archivo a cargar es un archivo .pkl.
+        """
         
         plclass_map = {"imputeDistances", "distanciaMedia", "umbral_precision"," dist_mismo_lugar", "max_dist",
                        "umbral_ratio_dCdP", "deltaO_medio"}
@@ -21,10 +26,12 @@ class PlantinClassifier(BaseEstimator, TransformerMixin):
                 kwargs_plfmc[key] = value
         
         self._plantinFMCreator = PlantinFMCreator.PlantinFMCreator(**kwargs_plfmc)
-        
-        self._pipeline = Pipeline([
-            ("FMCreator", self._plantinFMCreator),
-        ])
+        #cargo el clasificador con pickle. Usamos try para capturar el error FileNotFoundError
+        try:
+            with open(classifier_file, 'rb') as file:
+                self._pipeline = pickle.load(file)
+        except FileNotFoundError:
+            print("El archivo no se encuentra en el directorio actual.")
         
     def classify(self, newData):
         """Genera la clasificación de las operaciones para plantines.
@@ -36,8 +43,8 @@ class PlantinClassifier(BaseEstimator, TransformerMixin):
                 - 3: longitud de la operación
                 - 4: precision del GPS
         """
-        
-        return self._pipeline.fit_transform(newData).round(2)
+        feature_matrix = self._plantinFMCreator.fit_transform(newData)
+        return self._pipeline.predict(feature_matrix)
     
 if __name__ == "__main__":
     from sarapy.dataProcessing import OpsProcessor
@@ -60,9 +67,5 @@ if __name__ == "__main__":
             break
         index += random_value
 
-    op = OpsProcessor.OpsProcessor()
-    ##actualizo el diccionario de operaciones
-    op.updateOperationsDict(sample[12])
-    op.operationsDict
-    plantin_classifier = PlantinClassifier(imputeDistances = False)
-    plantin_classifier.classify(op.operationsDict["1"]["sample_ops"])    
+    plantin_classifier = PlantinClassifier(classifier_file="examples\\pip_lda_imp.pkl",imputeDistances = False)
+    plantin_classifier.classify(sample[50][:,2:])

{sarapy-0.4.3 → sarapy-0.4.5}/sarapy/mlProcessors/PlantinFMCreator.py

@@ -55,21 +55,42 @@ class PlantinFMCreator(BaseEstimator, TransformerMixin):
                 - 3: longitud de la operación
                 - 4: precision del GPS
         """
+        self.is_fitted = True
         
-        ##agregar asserts y warnings
+    def transform(self, X: np.array, y = None):
+        """Transforma los datos de X en la matriz de características.
         
-        tlm_spbb = X[:,0] #datos de telemería
-        date_oprc = X[:,1].astype(int) #datos de fecha y hora de operación
-        lats = X[:,2].astype(float) #latitudes de las operaciones
-        longs = X[:,3].astype(float) #longitudes de las operaciones  
-        precitions = X[:,4].astype(float) #precision del GPS      
+        Params:
+            - X: Es un array con los datos provenientes (strings) de la base de datos histórica. La forma de X es (n,5)Las columnas de X son,
+                - 0: tlm_spbb son los datos de telemetría.
+                - 1: date_oprc son los datos de fecha y hora de operación.
+                - 2: latitud de la operación
+                - 3: longitud de la operación
+                - 4: precision del GPS
+                
+        Returns:
+            - featureMatrix: Es un array con la matriz de características. La forma de featureMatrix es (n,5). Las columnas de featureMatrix son,
+                - 0: DST_PT: Distorsión de plantín
+                - 1: deltaO: delta operación
+                - 2: ratio_dCdP: Ratio entre el delta de caminata y delta de pico abierto
+                - 3: distances: Distancias entre operaciones
+        """
+        
+        if not self.is_fitted:
+            raise RuntimeError("El modelo no ha sido fitteado.")
         
         ##instanciamos los objetos
         tlmDataExtractor = TLMSensorDataProcessor.TLMSensorDataProcessor()
         timeProcessor = TimeSeriesProcessor.TimeSeriesProcessor()
         geoprocessor = GeoProcessor.GeoProcessor()
         
-        ##***** OBTENEMOS LOS DATOS PARA FITEAR LOS OBJETOS Y ASÍ PROCESAR LA FM *****
+        tlm_spbb = X[:,0] #datos de telemería
+        date_oprc = X[:,1].astype(int) #datos de fecha y hora de operación
+        lats = X[:,2].astype(float) #latitudes de las operaciones
+        longs = X[:,3].astype(float) #longitudes de las operaciones  
+        precitions = X[:,4].astype(float) #precision del GPS   
+        
+##***** OBTENEMOS LOS DATOS PARA FITEAR LOS OBJETOS Y ASÍ PROCESAR LA FM *****
         ##obtengo las posiciones de los datos de tlmDataExtractor y timeProcessor
         self._tlmdeDP = tlmDataExtractor.dataPositions #posiciones de los datos transformados de tlmDataExtractor
         self._tpDP = timeProcessor.dataPositions #posiciones de los datos transformados de timeProcessor
@@ -102,34 +123,9 @@ class PlantinFMCreator(BaseEstimator, TransformerMixin):
                                             self._timeDeltas[:,self._tpDP["deltaO"]].reshape(-1, 1),
                                             self._timeDeltas[:,self._tpDP["ratio_dCdP"]].reshape(-1, 1)))
             
-            self._distances = distanceimputer.fit_transform(X_distance_imputation)
-        
-        self.is_fitted = True
-        
-    def transform(self, X: np.array, y = None):
-        """Transforma los datos de X en la matriz de características.
-        
-        Params:
-            - X: Es un array con los datos provenientes (strings) de la base de datos histórica. La forma de X es (n,5)Las columnas de X son,
-                - 0: tlm_spbb son los datos de telemetría.
-                - 1: date_oprc son los datos de fecha y hora de operación.
-                - 2: latitud de la operación
-                - 3: longitud de la operación
-                - 4: precision del GPS
-                
-        Returns:
-            - featureMatrix: Es un array con la matriz de características. La forma de featureMatrix es (n,5). Las columnas de featureMatrix son,
-                - 0: DST_PT: Distorsión de plantín
-                - 1: deltaO: delta operación
-                - 2: ratio_dCdP: Ratio entre el delta de caminata y delta de pico abierto
-                - 3: distances: Distancias entre operaciones
-        """
-        
-        if not self.is_fitted:
-            raise RuntimeError("El modelo no ha sido fitteado.")
+            self._distances = distanceimputer.fit_transform(X_distance_imputation)   
         
         ##armamos la feature matrix
-        self.fit(X) ##actualizamos los datos
         featureMatrix = np.vstack((self._tlmExtracted[:,self._tlmdeDP["DSTRPT"]],
                                    self._timeDeltas[:,self._tpDP["deltaO"]],
                                    self._timeDeltas[:,self._tpDP["ratio_dCdP"]],
@@ -191,6 +187,7 @@ if __name__ == "__main__":
     fmcreator.fit(X)
     fm = fmcreator.fit_transform(X)
     print(fm)
+    print(fm.shape)
     
     X2 = raw_data[60:81,2:]
     fmcreator.transform(X2).shape

{sarapy-0.4.3 → sarapy-0.4.5}/sarapy/version.py

@@ -1,2 +1,2 @@
 ## Version of the package   
-__version__ = "0.4.3"
+__version__ = "0.4.5"

{sarapy-0.4.3 → sarapy-0.4.5}/sarapy.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: sarapy
-Version: 0.4.3
+Version: 0.4.5
 Home-page: https://github.com/lucasbaldezzari/sarapy
 Author: Lucas Baldezzari
 Author-email: Lucas Baldezzari <lmbaldezzari@gmail.com>
@@ -18,6 +18,15 @@ Requires-Dist: geopy
 
 Library for processing SARAPICO project metadata of _AMG_.
 
+#### Version 0.4.5
+
+- Se modifica clase PlantinClassifier para que ahora tome un clasificador y lo use para clasificar operaciones.
+- Se modifica OpsProcessor para poder obtener clasificaciones (y no matrices de características de plantin como se venía probando).
+
+#### Version 0.4.4
+
+- Se modifica fit() de PlantinFMCreator.
+
 #### Version 0.4.3
 
 - Se agrega fit() dentro de transform() de PlantinFMCreator.