-
-
Notifications
You must be signed in to change notification settings - Fork 0
/
DatasetAnalysis.py
235 lines (191 loc) · 9.06 KB
/
DatasetAnalysis.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
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
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix, classification_report
from sklearn.inspection import permutation_importance
import matplotlib.pyplot as plt
import seaborn as sns
import os
from typing import Tuple, List, Dict
from dataclasses import dataclass
import re
import unidecode
# Configurações de estilo do Matplotlib
plt.style.use('default') # Usa o estilo padrão do Matplotlib
plt.rcParams['font.size'] = 12
plt.rcParams['figure.titlesize'] = 16
plt.rcParams['figure.figsize'] = (12, 8)
plt.rcParams['axes.titlesize'] = 14
plt.rcParams['axes.labelsize'] = 12
@dataclass(frozen=True)
class ModelMetrics:
precision: float
recall: float
f1: float
confusion_matrix: np.ndarray
feature_importance: np.ndarray
def load_data(file_path: str) -> pd.DataFrame:
_, file_extension = os.path.splitext(file_path)
if file_extension.lower() == '.csv':
return pd.read_csv(file_path)
elif file_extension.lower() == '.xlsx':
return pd.read_excel(file_path)
else:
raise ValueError("Formato de arquivo não suportado. Por favor, use arquivos .csv ou .xlsx.")
def correct_word(word: str, corrections: Dict[str, str]) -> str:
word = unidecode.unidecode(word.lower())
return corrections.get(word, word)
def correct_text(text: str, corrections: Dict[str, str]) -> str:
words = re.findall(r'\w+', text.lower())
return ' '.join(correct_word(word, corrections) for word in words).capitalize()
def grammar_correction(df: pd.DataFrame) -> pd.DataFrame:
corrections = {
'curso': 'curso',
'sexo': 'sexo',
'setor': 'setor',
'serie': 'serie',
'horasorientadas': 'horas_orientadas',
'diassuspensao': 'dias_suspensao',
'perdeu_residencia': 'perdeu_residencia',
'perdeuresidencia': 'perdeu_residencia',
'matricula': 'matricula'
}
df.columns = [correct_text(col, corrections) for col in df.columns]
for col in df.select_dtypes(include=['object']).columns:
df[col] = df[col].apply(lambda x: correct_text(str(x), corrections) if pd.notnull(x) else x)
return df
def preprocess_data(df: pd.DataFrame) -> Tuple[pd.DataFrame, pd.Series]:
df = grammar_correction(df)
df.columns = df.columns.str.replace(' ', '_').str.lower()
categorical_columns = df.select_dtypes(include=['object']).columns
for col in categorical_columns:
df[col] = pd.Categorical(df[col]).codes
numeric_columns = df.select_dtypes(include=[np.number]).columns
for col in numeric_columns:
df[col] = df[col].fillna(df[col].median())
target_column = next((col for col in df.columns if 'perdeu' in col.lower() and 'residencia' in col.lower()), None)
if not target_column:
raise ValueError("Coluna alvo 'perdeu_residencia' não encontrada no DataFrame")
X = df.drop(['matricula', target_column], axis=1, errors='ignore')
y = df[target_column]
return X, y
def train_and_evaluate_model(X: pd.DataFrame, y: pd.Series) -> ModelMetrics:
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42, class_weight='balanced')
cv_scores = cross_val_score(rf_classifier, X_train_scaled, y_train, cv=5, scoring='f1')
print(f"Pontuações F1 da validação cruzada: {cv_scores}")
print(f"Média da pontuação F1 da validação cruzada: {np.mean(cv_scores):.4f}")
rf_classifier.fit(X_train_scaled, y_train)
y_pred = rf_classifier.predict(X_test_scaled)
perm_importance = permutation_importance(rf_classifier, X_test_scaled, y_test, n_repeats=10, random_state=42)
return ModelMetrics(
precision=precision_score(y_test, y_pred),
recall=recall_score(y_test, y_pred),
f1=f1_score(y_test, y_pred),
confusion_matrix=confusion_matrix(y_test, y_pred),
feature_importance=perm_importance.importances_mean
)
def plot_histogram(data: pd.Series, title: str, xlabel: str, ylabel: str):
plt.figure()
sns.histplot(data, kde=True, color='skyblue', edgecolor='black')
plt.title(title)
plt.xlabel(xlabel)
plt.ylabel(ylabel)
plt.tight_layout()
plt.show()
def plot_metrics(metrics: List[float], metric_names: List[str]):
plt.figure()
colors = ['#ff9999', '#66b3ff', '#99ff99']
sns.barplot(x=metric_names, y=metrics, palette=colors)
plt.title('Métricas de Desempenho', pad=20)
plt.ylabel('Pontuação')
plt.ylim(0, 1)
for i, v in enumerate(metrics):
plt.text(i, v + 0.01, f'{v:.4f}', ha='center', va='bottom')
plt.tight_layout()
plt.show()
def plot_correlation_heatmap(df: pd.DataFrame):
plt.figure(figsize=(14, 12))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm', linewidths=0.5, fmt='.2f')
plt.title('Mapa de Calor de Correlação', pad=20)
plt.tight_layout()
plt.show()
def plot_confusion_matrix(cm: np.ndarray):
plt.figure()
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.title('Matriz de Confusão', pad=20)
plt.ylabel('Rótulo Verdadeiro')
plt.xlabel('Rótulo Previsto')
plt.tight_layout()
plt.show()
def plot_feature_importance(feature_importance: np.ndarray, feature_names: List[str]):
sorted_idx = feature_importance.argsort()
pos = np.arange(sorted_idx.shape[0]) + .5
plt.figure(figsize=(10, len(feature_names) * 0.5))
plt.barh(pos, feature_importance[sorted_idx], align='center')
plt.yticks(pos, [feature_names[i] for i in sorted_idx])
plt.title('Importância das Features', pad=20)
plt.xlabel('Importância')
plt.tight_layout()
plt.show()
def analyze_dataset(file_path: str):
df = load_data(file_path)
X, y = preprocess_data(df)
print("Análise Exploratória dos Dados:")
print(f"Número de amostras: {len(df)}")
print(f"Número de features: {len(X.columns)}")
print(f"\nDistribuição da variável alvo 'perdeu_residencia':\n{y.value_counts(normalize=True)}")
print("\nEstatísticas descritivas das features numéricas:")
print(X.describe())
metrics = train_and_evaluate_model(X, y)
print("\nResultados da Classificação:")
print(f"Precisão: {metrics.precision:.4f}")
print(f"Revocação: {metrics.recall:.4f}")
print(f"Pontuação F1: {metrics.f1:.4f}")
plot_metrics([metrics.precision, metrics.recall, metrics.f1], ['Precisão', 'Revocação', 'Pontuação F1'])
print("\nVisualizações:")
for column in X.columns:
plot_histogram(X[column], f'Distribuição de {column}', column, 'Frequência')
plot_correlation_heatmap(X)
plot_confusion_matrix(metrics.confusion_matrix)
plot_feature_importance(metrics.feature_importance, X.columns.tolist())
print("\nAnálise de Correlação:")
horas_orientadas_col = next((col for col in X.columns if 'horas' in col.lower() and 'orientadas' in col.lower()), None)
if horas_orientadas_col:
print(X.corr()[horas_orientadas_col].sort_values(ascending=False))
else:
print("Coluna 'horas_orientadas' não encontrada")
print("\nInterpretação dos Resultados:")
print("1. As features mais importantes para prever a perda de residência são:")
for feature, importance in sorted(zip(X.columns, metrics.feature_importance), key=lambda x: x[1], reverse=True)[:3]:
print(f" - {feature}: {importance:.4f}")
print("\n2. Observações sobre as correlações:")
if horas_orientadas_col:
high_corr = X.corr()[horas_orientadas_col].sort_values(ascending=False)
print(f" - A feature mais correlacionada com '{horas_orientadas_col}' é '{high_corr.index[1]}' com correlação de {high_corr.values[1]:.2f}")
else:
print(" - Não foi possível analisar correlações com 'horas_orientadas'")
print("\n3. Distribuição das features:")
for column in X.columns:
skew = X[column].skew()
print(f" - {column}: Assimetria = {skew:.2f}")
if abs(skew) > 1:
print(f" Atenção: '{column}' apresenta assimetria significativa.")
print("\nRecomendações:")
print("1. Considere realizar engenharia de features para melhorar o modelo.")
print("2. Investigue mais a fundo as features com alta importância e correlação.")
print("3. Para features com alta assimetria, considere transformações (ex: log) ou técnicas de normalização.")
print("4. Revise o processo de coleta de dados para minimizar erros ortográficos e inconsistências.")
print("5. Verifique se todas as colunas esperadas estão presentes no dataset e se seus nomes estão corretos.")
if __name__ == "__main__":
import sys
if len(sys.argv) != 2:
print("Uso: python dataset_analysis.py <caminho_para_o_dataset>")
sys.exit(1)
file_path = sys.argv[1]
analyze_dataset(file_path)