Spaces:
Sleeping
Sleeping
File size: 14,183 Bytes
9535a73 |
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 |
# -*- coding: utf-8 -*-
"""
Created on Thu Feb 11 01:47:20 2021
utils_ml.py : utilitaires pour le cours de Data Mining
@author: erwann bargain
02/02/2021 eba Création d'un df de synthèse
27/01/2021 eba Rajout de "==============" dans la fonction valid_df pour mieux voir les résultats
11/02/2021 eba 1ère version qui va vite évoluer
"""
import numpy as np
import pandas as pd
import scipy.stats as scipy_stats
import datetime
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix, roc_auc_score
def valid_df(df, id_var='', df_name='', edit_head = True, edit_tail = True, edit_describe = True):
"""
calcul de stats de base sur un df pour faciliter sa validation
df : pandas dataframe
df_name : nom du data frame pour l'afficher
optionnel : par défaut on met ''
id_var : indiquer le nom de la colonne qui contient l'id
si un nom est indiqué on vérifiera les doublons
defaut = ''
edit_head : Affichage des premières lignes
Indiquez False pour ne pas les voir
defaut : True
edit_tail : Affichage des dernières lignes
Indiquez False pour ne pas les voir
defaut : True
edit_describe : Affichage du describe
Indiquez False pour ne pas le voir
defaut : True
Exemples:
1. Exemple minimal
valid_df(df)
2. Exemple avec affichage du nom du dataframe et verif des doublons
mais pas d'affichage du head, tail et describe
valid_df(df, id_var='id_client', df_name='df_achats'
, edit_head = False, edit_tail = False, edit_describe = False)
"""
print("===========================")
print("===========================")
print("Synthese de la table")
if df_name != '':
print("=== DF : " + df_name)
print("===========================")
print("===========================")
print('============================')
print("nb de lignes et de colonnes")
print('============================')
print(df.shape ) #pas de () c'est un attribut
print("")
print('=======================================')
print("type, missing et nb de modalites <>")
print('=======================================')
info_list = []
for c in df.columns:
df_freq = df[c].value_counts().reset_index()
df_freq['zzvalue'] = df_freq['index'].astype(str) + " (" \
+ df_freq[c].astype(str) + " obs)"
#df_freq = df_freq[['zzvalue']][:20].T
info_list.append( ( c, df[c].dtypes, df[c].isna().sum(), df[c].isna().sum()/len(df)
, len(pd.unique(df[c])))
+ tuple(df_freq['zzvalue'][:20]))
nb_zzvalues = max(map(len,info_list)) - 5
#pd.unique(df[c]) renvoie la liste des valeurs unique de la colonne
df_stats = pd.DataFrame(info_list, columns=['column','type','missing_count','missing_rate'
, 'nb_labels']
+ [f'value_{i}' for i in range(1,nb_zzvalues+1)])
print(df_stats)
if id_var != '':
print('=======================================')
print('Doublon')
print('=======================================')
print("aucun doublon d'ID si la valeur la + fréquente est égale à 1")
print( df[id_var].value_counts()[:1] )
print( 'nb duplicates :' , sum(df.duplicated(subset=[id_var], keep='first')) )
print("")
if edit_head == True:
print('============================')
print("premieres lignes")
print('============================')
print( df.head() ) #head() c'est une fonction, une méthode d'une classe
print("")
if edit_tail == True:
print('============================')
print("dernières lignes")
print('============================')
print( df.tail() )
print("")
if edit_describe == True:
print('=======================================')
print('résumé de chaque variable')
print('=======================================')
print( df.describe(include='all') )
print("")
return df_stats
def customize_corr(df: pd.DataFrame) :
"""
Customize correlation matrix visually
Arguments:
df - dataframe with features
Returns:
"""
plt.figure(figsize=(16, 10))
# define the mask to set the values in the upper triangle to True
mask = np.triu(np.ones_like(df.corr()))
heatmap = sns.heatmap(df.corr(), mask=mask, vmin=-1, vmax=1, annot=True, cmap='magma')
heatmap.set_title('Lower Correlation Matrix', fontdict={'fontsize':18}, pad=16)
def features_ordering(df , feature_names, target):
"""
Retourne un df avec une ligne par feature par ordre décroissant des T de Schupprow en fonction d'une variable cible Y
Parametres :
X : pandas dataframe
feature_names : liste des nom des colonnes dont l'on souhaite avoir les stats du chi2
=> ne pas mettre d'id ou de variables numériques avec trop de modalité
target : nom de la variable cible (Y)
Exemple d'appel :
features_ordering = features_ordering( df = df_xy
, feature_names = ['gender','csp','region']
, target = 'target' )
"""
#déclaration de la liste qui contiendra les résultats
l_stats = []
#boucle sur chaque variable
for i,col in enumerate(feature_names):
if col != target:
#calcul du tableau de contingence
cont = pd.crosstab(df[col], df[target],)
#calcul des stats du chi-2 pour ce tableau de contingence
chi2, proba, vc, ts = get_chi2_vc_ts(cont)
#ajouts des indicateurs
l_stats.append( (target,col, round(vc, 4), round(ts, 4), round(chi2, 4), round(proba, 4) ))
#compilation des stats démandées dans un dataframe et tri selon le critère de T de Schupprow
df_vc_ts = pd.DataFrame(data = l_stats, columns = [ 'target','variable', 'VC', 'TS', 'CHI2', 'p_value'])
df_vc_ts = df_vc_ts.sort_values(by=['TS','variable'], ascending=[False, True])
return df_vc_ts
def get_chi2_vc_ts(crosstab):
"""
Le calcul du VC et TS doit être revu !! mais bon pour le moment on va s'en servir quand même :-)
FONCTION DE CALCUL DU CHI2, T DE TSCHUPROW ET V DE CRAMER
return 4 values : chi2, proba of chi2, V of Cramer, T of Tschuprow
parameters :
crosstab = crosstab dataframe
"""
nb_obs = crosstab.values.sum()
k1 = crosstab.shape[0]
k2 = crosstab.shape[1]
if min(crosstab.shape) >1:
khi2, proba, _,_ = scipy_stats.chi2_contingency(crosstab)
vc = np.sqrt(khi2 / (nb_obs*(min(crosstab.shape)-1)))
ts = np.sqrt(khi2 / (nb_obs*np.sqrt((k1-1)*(k2-1))))
else:
khi2, proba, vc, ts = -1, 10000, -1, -1
return khi2, proba, vc, ts
def corr_features(df: pd.DataFrame, threshold: float) :
"""
A function to suggest features that are highly correlated (one among two).
Arguments:
df - dataframe with features
treshold - lower limit to consider that features are not highly correlated
Returns:
List of features to drop
"""
correlation = df.corr().abs()
upper = correlation .where(np.triu(np.ones(correlation .shape), k=1).astype(np.bool))
to_drop = [column for column in upper.columns if any(upper[column] > threshold)]
return to_drop
def confusio_matrix(y_test, y_predicted):
cm = confusion_matrix(y_test, y_predicted)
tn, fp, fn, tp = confusion_matrix(y_test, y_predicted).astype(int).ravel()
print("Accuracy:", round((tp + tn)/(tp+tn+fp+fn),2))
print("Recall:", round(tp /(tp+fn),2))
print("precision:", round( tp/(tp+fp),2))
plt.figure(figsize=(5,5))
plt.clf()
plt.imshow(cm, interpolation='nearest',cmap=plt.cm.Wistia)
classNames = ['Negative','Positive']
plt.title('Matrice de confusion')
plt.ylabel('True label')
plt.xlabel('Predicted label')
tick_marks = np.arange(len(classNames))
plt.xticks(tick_marks, classNames, rotation=45)
plt.yticks(tick_marks, classNames)
s = [['TN','FP'], ['FN', 'TP']]
for i in range(2):
for j in range(2):
plt.text(j,i, str(s[i][j])+" = "+str(cm[i][j]))
plt.show()
def correlation_list_to_matrix(df_corr, criterion):
"""
Transformation de la liste des corrélation en matrice des corrélations
afin de l'intégrer dans un heatmap ou pour l'exporter dans un rapport
La fonction renvoie un dataframe.
Si un couple de variables n'est pas trouvé => c'est une erreur
la valeur écrite dans la matrice sera 1000 (pour alerter l'utilisateur)
-------------------
Paramètres :
df_corr : dataframe issu de la fonction features_correlation
il doit avoir les deux variables 'variable_1' et 'variable_2'
+ la variable indiquée dans le paramètre criterion (par ex 'TS', 'VC')
criterion = une colonne numérique de la matrice df_corr
C'est la valeur de ce critère qui sera affiché dans la matrice
-------------------
Exemples d'appels :
df_corr = utils_ml.features_correlation(df_train, feature_names = ['foreign worker'
, 'Personal status and sex', 'Other debtors])
df_corr_matrix = utils_ml.correlation_list_to_matrix(df_corr, criterion = 'TS')
"""
# Récupération de la liste des variables
columns = sorted(df_corr['variable_1'].unique())
#Création de la matrice vide
corr_matrix = np.zeros(shape=(len(columns),len(columns)))
#Remplissage de la matrice
for i,c1 in enumerate(columns):
for j,c2 in enumerate(columns):
if c1 == c2:
corr_matrix[i,j] = 1
else:
df_corr_temp = df_corr[ (df_corr['variable_1'] == c1) & (df_corr['variable_2'] == c2) \
| (df_corr['variable_2'] == c1) & (df_corr['variable_1'] == c2) ]
if len(df_corr_temp)>0:
df_corr_temp = df_corr_temp.reset_index()
corr_matrix[i,j] = df_corr_temp.loc[0,criterion]
else:
corr_matrix[i,j] = 1000
df_corr_matrix = pd.DataFrame(corr_matrix, columns=columns, index=columns)
return df_corr_matrix
def summary_table(train_Xy, cols_list , target):
"""
La fonction renvoie un df de synthèse des variables explicatives en fonction d'une target numérique (binaire ok)
On calcule pour chaque modalité de chaque variable : sa fréquence et fréquence relative et sa moyenne
en + 2 variables :
- 'nb_values' : nb de modalités de la variables
- 'nb_rows' : nb de lignes dans la table (=> identique sur toutes les lignes)
remarque : les valeurs manquantes ne sont pas considérées par défaut
=> si besoin utilisez df=df.fillna('') avant cette fonction
parametres obligatoires:
train_Xy : nom du df contenant les variables explicatives et la variable cible
cols_list : liste des variables explicatives (plutôt discrètes ou continues avec peu de moda)
car la table créé en sortie contiendra une ligne par valeur
EVITEZ la variable d'identifiant de ligne :-)
target : variable cible qui doit être numérique (binaire ok également)
"""
nb_rows = len(train_Xy)
all_synth = pd.DataFrame()
for c in cols_list:
if c != target:
print(c)
synth = train_Xy[c].value_counts().reset_index().rename(columns={'index':c, c:'freq'})
mean = train_Xy.groupby([c])[target].mean().reset_index()
synth = pd.merge(synth,mean, on=c)
synth.columns = ['value', 'freq','pct_target']
synth['variable'] = c
synth['nb_values']= len(synth)
synth['pct_freq'] = synth['freq'] / nb_rows
synth['nb_rows'] = nb_rows
synth['target'] = target
#les 3 colonnes suivantes serviront pour le recodage effectué dans excel
synth['code_recode']=''
synth['code_recode2']=''
synth['code_recode3']=''
all_synth= pd.concat([all_synth, synth])
all_synth = all_synth.sort_values(by=['variable', 'pct_target'], ascending=[True, False])
all_synth = all_synth[ ['nb_values', 'variable', 'value', 'freq', 'pct_freq', 'pct_target'
, 'nb_rows','target', 'code_recode', 'code_recode2', 'code_recode3' ]]
return all_synth
def stamp(message='', log_file='', refresh=0):
"""
Petite fonction de log
Elle affiche un message dans l'output (prefixé par un horodatage)
Optionnellement, elle écrit dans un fichier de log si le paramètre log_file est différent de ''
Parametres
----------
message : str
message à afficher (et à écrire dans le fichier de log s'il y en a un d'indiqué)
log_file : str
chemin complet du fichier de log
refresh : int, default : 0
Indiquez 1 pour vider le fichier de log avant d'écrire le message
"""
log_line = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") + ": " + str(message)
print(log_line)
if log_file != '':
if refresh!=1:
with open(log_file, "a") as myfile:
myfile.write(log_line+ '\n')
else:
with open(log_file, "w") as myfile:
myfile.write(log_line+ '\n') |