-
Notifications
You must be signed in to change notification settings - Fork 0
/
procesador.py
181 lines (159 loc) · 7.75 KB
/
procesador.py
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
import pandas as pd
from feature_engine.transformation import YeoJohnsonTransformer
from feature_engine.outliers import Winsorizer
import warnings
warnings.filterwarnings('ignore')
# <p>Se decidió realizar una prueba con algunos datos ingresados, a ver si se podrían evaluar transacciones de manera
# individual, simulando un flujo de procesamiento de un control de transacción verdadero, como no tenemos acceso a
# datos de una base de datos, simplemente se estableceran por default ciertos datos y otros si se permitirán ingresar
# para prueba</p> <p>[category, amt, state, city_pop, trans_hora, tras_mes, trans_dia, delay_entre_trans,
# edad_usuario, dif_lat_comprador_merch, dif_long_comprador_merch, dif_lat_prev_merch, dif_long_prev_merch,
# gender_F]</p> <p>Se decidio que columnas como state, city_pop, delay_entre_trans, dif_lat_comprador_merch,
# dif_long_comprador_merch, dif_lat_prev_march,dif_long_prev_march serán por default 0</p>
#
# <p>Los datos que si podrán ingresar son [category, amt, trans_hora, trans_mes, trans_dia, edad_usuario, gender_f]</p>
# De los datos que pueden recibir, los numericos serian amt, trans_hora, trans_mes, edad_usuario
# Igualmente, por analisis anteriores, sabemos que trans_hora y trans_mes no poseen outliers
class Procesador:
def __init__(self, ruta):
self.df = pd.read_pickle(ruta)
def winsorizar(self, data):
variables_out = ['amt', 'edad_usuario', 'city_pop', 'delay_entre_trans']
capper = Winsorizer(capping_method='iqr', tail='both', fold=1.5, variables=variables_out)
capper.fit(data)
data = capper.transform(data)
return data
# De los datos que pueden recibir, los categoricos serían category, trans_dia
def codOneHotCasero(self, data):
generos = {'M': 0, 'F': 1}
# genero codificado por oneHotEncoderCasero
data['gender'] = data['gender'].tolist()
for valor in data['gender']:
if pd.notnull(valor): # agregado para valores null (el valor null de la fila agregada)
data['gender'] = data['gender'].replace({valor: generos[valor]})
return data
def codMeanCasero(self, data):
estados = {'0': 0.0,
'ak': 0.016981132075471698,
'al': 0.005245309717241211,
'ar': 0.00517235840267292,
'az': 0.003435468895078923,
'ca': 0.005784244144783534,
'co': 0.00814121037463977,
'ct': 0.002077382498052454,
'dc': 0.005812344312205923,
'de': 1.0,
'fl': 0.006585268683649317,
'ga': 0.005601810996431723,
'hi': 0.0027354435326299334,
'ia': 0.005262182694089309,
'id': 0.0019837691614066726,
'il': 0.005733838897623232,
'in': 0.005148658448150834,
'ks': 0.006783788484953905,
'ky': 0.005443371378402107,
'la': 0.004340567612687813,
'ma': 0.005575307045895281,
'md': 0.005993967854006796,
'me': 0.007209936382914268,
'mi': 0.005156649477835074,
'mn': 0.006527085829602069,
'mo': 0.004973569773194802,
'ms': 0.005427600528601095,
'mt': 0.00272247745448358,
'nc': 0.004923015925460913,
'nd': 0.0038549979710536995,
'ne': 0.007447864945382324,
'nh': 0.00712732544092776,
'nj': 0.004796163069544364,
'nm': 0.004997866764186018,
'nv': 0.008382379168896023,
'ny': 0.006646626986503155,
'oh': 0.006906196213425129,
'ok': 0.0053616287353305085,
'or': 0.008012044953487122,
'pa': 0.005735970042706677,
'ri': 0.02727272727272727,
'sc': 0.006611853374443303,
'sd': 0.006004543979227524,
'tn': 0.007975390224450268,
'tx': 0.005048695138918167,
'ut': 0.005701467426862323,
'va': 0.00676923076923077,
'vt': 0.006118286879673691,
'wa': 0.0050729232720355105,
'wi': 0.005550258785072188,
'wv': 0.005682923981160718,
'wy': 0.005692992443846393}
categorias = {'entertainment': 0.0024783542876592847,
'food_dining': 0.0016509769191239982,
'gas_transport': 0.004693944204346076,
'grocery_net': 0.0029481650972454456,
'grocery_pos': 0.014097607531665023,
'health_fitness': 0.0015486905995645036,
'home': 0.0016082524468992406,
'kids_pets': 0.0021143893484319018,
'misc_net': 0.014457945549638947,
'misc_pos': 0.003138534931893792,
'personal_care': 0.002424028735758831,
'shopping_net': 0.017561485703740914,
'shopping_pos': 0.007225383982446517,
'travel': 0.0028637025699261858}
dias = {'Friday': 0.007086003992854892,
'Monday': 0.004648382504463549,
'Saturday': 0.006105783824400245,
'Sunday': 0.004852761005511236,
'Thursday': 0.006843874121600977,
'Tuesday': 0.0058354709256242705,
'Wednesday': 0.006553599902344495}
# category, state y trans_dia utilizando diccionario
data['category'] = data['category'].tolist()
for val in data['category']:
data['category'] = data['category'].replace({val: categorias[val]})
data['trans_dia'] = data['trans_dia'].tolist()
for value in data['trans_dia']:
data['trans_dia'] = data['trans_dia'].replace({value: dias[value]})
data['state'] = data['state'].apply(lambda x: x.lower())
data['state'] = data['state'].tolist()
for value in data['state']:
data['state'] = data['state'].replace({value: estados[value]})
return data
def codificar(self, data):
data = self.codOneHotCasero(data)
data = self.codMeanCasero(data)
return data
def normalizar(self, data):
# Normalizar
yj_trans = YeoJohnsonTransformer(variables=data.columns.to_list())
yj_trans.fit(data)
data = yj_trans.transform(data)
return data
# Escalar
def escalar(self, data):
from sklearn.preprocessing import RobustScaler
scaler = RobustScaler()
scaler.fit(data)
data = pd.DataFrame(data=scaler.transform(data), columns=data.columns.tolist())
return data
def arreglarcolumna(self, data):
# data = data.rename(columns={'gender': 'gender_f'})
data['gender_f'] = data['gender'].fillna(data['gender_f'])
data = data.drop(columns=['gender'])
# movemos columna al final
col = data.pop('gender_f')
data = pd.concat([data, col], axis=1)
return data
def procesamiento(self, data):
data = self.codificar(data)
data = self.winsorizar(data)
data = self.arreglarcolumna(data)
data = self.normalizar(data)
data = self.escalar(data)
return data
def procesarConsulta(self, dataframe, consultaDataFrame):
df_unido = dataframe.append(consultaDataFrame, ignore_index=True)
dataProcesada = self.procesamiento(df_unido)
fila = dataProcesada.iloc[[len(dataProcesada) - 1]]
return fila
def get_df(self):
return self.df