[IV-22-23] Objetivo 4 PMP_IV

.gitignore

@@ -1,4 +1,6 @@
 __pycache__
 testmain_*
 *.pyc 
-*.pytest_cache 
+*.pytest_cache 
+.ipynb_checkpoints
+notebooks/

README.md

@@ -45,7 +45,7 @@ Tanto la recopilación de datos, como transformación e IA se especifican en los
 - [Gestor de tareas](https://github.com/MauronMP/PMP_IV/blob/Objetivo-3/docs/Gestor_Tareas.md)
 - [Gestor de dependencias](https://github.com/MauronMP/PMP_IV/blob/Objetivo-3/docs/Gestor_Dependencias.md)
 
-# :heavy_check_mark: Instalación y testeo.
+# :heavy_check_mark: Instalación, check testeo.
 - ## Install.
     ```
     invoke install
@@ -54,5 +54,10 @@ Tanto la recopilación de datos, como transformación e IA se especifican en los
     ```
     invoke test
     ```
+
+- ## Check.
+    ```
+    invoke check
+    ```
 - ## Demostración.
-    ![Comprobación](img/Invoke_install_test.png)
+    ![Comprobación](docs/img/Invoke_test.png)

docs/Assertion_library.md

@@ -0,0 +1,14 @@
+# Elección de una biblioteca de aserción.
+
+Vamos a partir de las valoraciones de [esta página](https://snyk.io/advisor/python). Que hace una comparativa de cada librería para un proyecto para distintos lenguajes, en este caso python.
+
+## **Opciones**.
+
+
+- **grappa** Tiene como finalidad hacer que las pruebas sean más sencillas. Tiene dos tipos de asserciones: "expect y should". Tiene un sistema detallado de informes de errores "amigable". Pero tiene una mala valoración y apenas hay documentación o ejemplos además de la oficial.
+
+- **assertpy** Tiene un buen soporte para poder trabajar con estructuras nativas de python como list, set o dict entre otros. Tiene personalización de los mensajes de aserciones, aunque la valoración que tiene sigue siendo mala, aunque mejor que la anterior.
+
+
+- **:checkered_flag: pyhamcrest** Permite definir de manera clara las reglas, tiene un buen manejo de los mensajes de errores y ayuda así a una mejor comprensión. Tiene una amplia documentación y cuenta con muchos "[matchers](https://pyhamcrest.readthedocs.io/en/release-1.8/tutorial/#predefined-matchers)" predefinidos.
+

docs/Test_runner.md

@@ -0,0 +1,9 @@
+# Elección de un test runner.
+
+Vamos a partir de las valoraciones de [esta página](https://snyk.io/advisor/python). Que hace una comparativa de cada librería para un proyecto para distintos lenguajes, en este caso python.
+
+## **Opciones**.
+
+- **:checkered_flag: PyTest**  Partiendo que tiene [la mejor valoración](https://snyk.io/advisor/python/pytest). Sigue el estandar TAP. Tiene como características la búsqueda automática de ficheros con nombre "test" o sufijo "_test.py", la creación de los test es bastante sencilla, permite parametrización, tiene Hooks que son útiles en las fases de setup y teardown.
+
+- **Nose2** EL sucesor de nose, [tiene buena valoración, pero es menor](https://snyk.io/advisor/python/nose2) que la de pytest. Basado en unittest2 con mejores opciones de testeo, en este caso solo ejecutará los ficheros que empiecen por "test_". Tiene menos popularidad, soporte y es como una "extensión mejorada" de unittest.

iv.yaml

@@ -9,3 +9,5 @@ automatizar:
   fichero: tasks.py
   orden: invoke
 
+test: 
+  - tests/test_pmp_iv.py

pmp_iv/enums/regression_algorithm.py

@@ -0,0 +1,7 @@
+from enum import Enum
+
+class Regression_algorithm(Enum):
+    Lasso = 'Lasso'
+    Ridge = 'Ridge'
+    RandomForestRegressor = 'RandomForestRegressor'
+    KNeighborsRegressor = 'KNeighborsRegressor'

pmp_iv/forest_prediction/eda.py

@@ -0,0 +1,31 @@
+import csv
+
+class EDA():
+
+    def __init__(self):      
+        csvfile = open('data/incendiosForestales.csv', 'r', newline='')
+        self.weather_data = csv.DictReader(csvfile)
+
+    def by_date_property(self, mes, dia, propiedad=None):
+        mes_dia = []
+        for row in self.weather_data:
+            if(row['month'] == mes and row['day'] == dia and propiedad is not None):
+                mes_dia.append( [row['X'], row['Y'],row['month'], row['day'],row[propiedad]])
+            elif(propiedad is None and row['month'] == mes and row['day'] == dia):
+                mes_dia.append( [row['X'], row['Y'],row['month'], row['day']])
+        return mes_dia
+
+    def by_property(self,propiedad):
+        list_property = []
+        for row in self.weather_data:
+            list_property.append(row[propiedad])
+        list_property = [float(i) for i in list_property]
+        return list_property
+
+    def weather(self):
+        all_propierties = []
+        for row in self.weather_data:
+            all_propierties.append([row['FFMC'], row['DMC'], row['DC'], row['ISI'],
+                                    row['temp'], row['RH'],row['wind'], row['area']])
+        all_propierties = [list(map(float, sublist)) for sublist in all_propierties]
+        return all_propierties

pmp_iv/forest_prediction/model_building.py

@@ -0,0 +1,47 @@
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics import mean_absolute_error, r2_score
+from sklearn.linear_model import Lasso
+from sklearn.linear_model import Ridge
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.neighbors import KNeighborsRegressor
+from pmp_iv.forest_prediction.eda import *
+from sklearn.model_selection import train_test_split
+from pmp_iv.enums.regression_algorithm import *
+
+class model_building():
+
+    def __init__(self):
+        self.data_csv = EDA()
+        X = EDA().weather()
+        Y = EDA().by_property('area')
+        self.X_train, self.X_test, self.y_train, self.y_test = train_test_split(X,Y,test_size=0.20,shuffle=True,random_state=1)
+
+    def scaler_standard(self, X_train, X_test):
+        scaler = StandardScaler()
+        X_train_scaled = scaler.fit_transform(X_train)
+        X_test_scaled = scaler.transform(X_test)
+
+        return X_train_scaled, X_test_scaled
+
+    def regresion_todos(self):
+        X_train_scaled, X_test_scaled = self.scaler_standard(self.X_train, self.X_test)
+        rSquare_mae = []
+
+        for i_regresion in (Lasso(), Ridge(), RandomForestRegressor(), KNeighborsRegressor()):
+            i_regresion.fit(X_train_scaled, self.y_train)
+            i_regresion_prediccion = i_regresion.predict(X_test_scaled)
+            mae = mean_absolute_error(self.y_test, i_regresion_prediccion)
+            r2 = r2_score(self.y_test, i_regresion_prediccion)
+            rSquare_mae.append([r2,mae])
+
+        j = 0
+        for i in Regression_algorithm:
+            rSquare_mae[j].append(i.value)
+            j+=1
+
+        return rSquare_mae
+
+    def get_best_results(self):
+        listado_resultados = self.regresion_todos()
+        listado_resultados = sorted(listado_resultados, key = lambda x: (-x[0]))
+        return listado_resultados[0][2]