analisi-multirischio

Progetto python per visualizzare classi di rischio sismico e idrogeologico da dataset Istat opportunamente modificati. La guida si suddivide in step: dalla creazione dei file .csv creati con Weka (o con un altro qualsiasi strumento per il clustering) alla visualizzazione dei risultati.

Creazione file .csv

Questa operazione si compone delle seguenti fasi:

• Riduzione del dataset Istat selezionando solo i seguenti attributi:

  • DZCOM
  • DENSPOP
  • AGMAX_50
  • IDR_POPP3
  • IDR_POPP2
  • IDR_POPP1
  • IDR_AREAP1
  • IDR_AREAP2
  • IDR_AREAP3
  • E5
  • E6
  • E7
  • E8
  • E9
  • E10
  • E11
  • E19
  • E20
  • E30
  • E31;

• Normalizzazione dei dati;

• Calcolo dei cluster tramite algoritmo k-means o Expectation-Maximization (con qualsiasi applicativo, l'importante è mantenere coerente il layout dei file in output, vedi punti successivi);

• Rinomina del file .csv secondo il seguente schema: numVersione_Algoritmo_nCluster.csv

  Dove:

  • numVersione è un numero progressivo che consiste di visualizzare la versione creata
  • Algoritmo indica se è stato utilizzato k-means (KMEANS) o EM (EM)
  • nCluster indica il numero di cluster risultati dall'algoritmo, necessario per i passaggi successivi;

• I file .csv devono essere contenuti nella cartella CSV.

Architettura

Il progetto è costituito da un file principale, main, che consente di visualizzare un menu per compiere determinate operazioni, segnalate come Funzioni PCA ([1] e [2]), Funzioni Tree ([3], [4], [5] e [6]), Sistema ([e] e [c]):

1. [1] Plot: consente di stampare in 2D il risultato della PCA, quindi di visualizzare i cluster in un grafico in due dimensioni;
2. [2] Plot 3D: consente di ottenere lo stesso risultato di Plot ma in un grafico 3D;
3. [3] Plot: permette di creare un immagine .jpg che rappresenta l'albero di decisione relativo al risultato ottenuto con la PCA;
4. [4] Description: fornisce una descrizione schematica dell'albero di decisione. In altre parole, l'albero di decisione viene trascritto in un file di testo;
5. [5] Text: In maniera più verbosa, viene fornito sotto forma di file di testo l'albero di decisione, specificando quali strade percorrere e quali nodi seguire;
6. [6] Rules: Stampa in forma testuale le regole di decisione generate tramite la creazione dell'albero. Il file specifica anche per ogni nodo qual è la probabilità che un esempio possa essere correttamente posizionato in quel determinato nodo;
7. [e] Uscita: chiusura dell'esecuzione;
8. [c] Carica altro .csv: consente di scegliere un altro file .csv per visualizzare i risultati. I nomi dei file .csv verranno mostrati a video in un elenco numerato e sarà possibile scegliere il numero desiderato da riga di comando.

All'interno del file main si trovano anche delle variabili booleane e numeriche che possono essere modificate a piacimento per customizzare la visualizzazione dei risultati:

• names: se a True, stampa all'interno del grafico in 2D la denominazione del comune di ogni punto analizzato - di default è a False;
• names3: se a True, stampa all'interno del grafico in 3D la denominazione del comune di ogni punto analizzato - di default è a False;
• plot_save: se impostato a True, salva il grafico 2D in un file .jpeg - di default è a False;
• plot_save: se impostato a True, salva il grafico 3D in un file .jpeg - di default è a False;
• depth: variabile numerica per definire l'altezza dell'albero di decisione. Impostata di default a None in quanto, in questa maniera, genererebbe in maniera automatica l'altezza dell'albero classificando correttamente tutti gli esempi dati;
• tree_save: se impostato a True, salva l'immagine dell'albero di decisione - di default è a False;
• desc_save: se impostato a True, salva l'esecuzione di quanto eseguito durante la scelta n.4, Description - di default è a False;
• text_save: se impostato a True, salva l'esecuzione di quanto eseguito durante la scelta n.5, Text - di default è a False;
• rules_save: se impostato a True, salva l'esecuzione di quanto eseguito durante la scelta n.6, Rules - di default è a False.

Creazione ambiente virtuale ed esecuzione del programma

Potrebbe essere opportuno impostare un ambiente virtuale nel quale installare tutte le librerie necessarie per la corretta esecuzione del programma.

Creazione ambiente virtuale

Sia per utenti Windows che Mac/Linux fare riferimento alla guida ufficiale: https://packaging.python.org/guides/installing-using-pip-and-virtual-environments/

Installazione librerie necessarie

Installare le librerie necessarie all'interprete (assicurarsi di avere attivato l'ambiente virtuale):

python -m pip install matplotlib pandas sklearn numpy 

Eseguire il programma

Per eseguire il programma, assicurarsi di avere attivato l'ambiente virtuale e di essere dentro la directory del progetto, poi eseguire:

python main.py

Il programma visualizzerà come primo menu la lista dei file .csv contenuti all'interno della cartella CSV e successivamente il menu con le varie opzioni per visualizzare i risultati.

Autori

• Alessandro Gilli
• Luana Mantovan