/
preprocessing.py
197 lines (139 loc) · 9.17 KB
/
preprocessing.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
import pandas as pd
import numpy as np
from sklearn.preprocessing import OrdinalEncoder
from sklearn.preprocessing import OneHotEncoder
from sklearn.cluster import KMeans
################ CONFIGURACIONES INICIALES ################
def prepararSetDeValidacion(usuario_volveria_df: pd.DataFrame):
""" Trabajo con el target, se lo deja listo para ser usado en los modelos."""
usuario_volveria_df['volveria'] = usuario_volveria_df['volveria'].astype(np.int8)
usuario_volveria_df.drop(columns='id_usuario', inplace=True)
return np.array(usuario_volveria_df).ravel()
def prepararSetDeDatos(info_fiumark_df: pd.DataFrame):
""" Realiza la limpieza y preparacion investigada durante el TP1 """
info_fiumark_df = prepararDatosExistentes(info_fiumark_df)
completarValoresNulos(info_fiumark_df)
conversionDeTipos(info_fiumark_df)
info_fiumark_df.drop(columns=['id_usuario', 'nombre', 'id_ticket'], inplace=True)
return info_fiumark_df
def conversionDeTipos(info_fiumark_df):
""" Convierte columnas a un tipo de dato mas acorde."""
info_fiumark_df["tipo_de_sala"] = info_fiumark_df["tipo_de_sala"].astype("category")
info_fiumark_df["genero"] = info_fiumark_df["genero"].astype("category")
info_fiumark_df["nombre_sede"] = info_fiumark_df["nombre_sede"].astype("category")
info_fiumark_df["fila"] = info_fiumark_df["fila"].astype("category")
info_fiumark_df["sufijo"] = info_fiumark_df["sufijo"].astype("category")
def completarValoresNulos(info_fiumark_df):
completarSedeDelCine(info_fiumark_df)
info_fiumark_df['fila'].fillna("No responde", inplace=True)
completarEdades(info_fiumark_df)
def completarEdades(info_fiumark_df):
info_fiumark_df['autocompletamos_edad'] = False
completarMujeres(info_fiumark_df)
completarHombres(info_fiumark_df)
def completarHombres(info_fiumark_df):
medianaEdadSenior = info_fiumark_df[info_fiumark_df['sufijo'] == 'Señor'].edad.dropna().median()
esSenior = info_fiumark_df['sufijo'] == 'Señor'
sinEdad = info_fiumark_df['edad'].isnull()
info_fiumark_df.loc[esSenior & sinEdad, 'autocompletamos_edad'] = True
info_fiumark_df.loc[esSenior, 'edad'] = info_fiumark_df.loc[esSenior, 'edad'].fillna(medianaEdadSenior)
def completarMujeres(info_fiumark_df):
medianaEdadSenioras = info_fiumark_df[info_fiumark_df['sufijo'] == 'Señora'].edad.dropna().median()
medianaEdadSenioritas = info_fiumark_df[info_fiumark_df['sufijo'] == 'Señorita'].edad.dropna().median()
esSeniora = info_fiumark_df['sufijo'] == 'Señora'
esSeniorita = info_fiumark_df['sufijo'] == 'Señorita'
sinEdad = info_fiumark_df['edad'].isnull()
info_fiumark_df.loc[esSeniora & sinEdad, 'autocompletamos_edad'] = True
info_fiumark_df.loc[esSeniorita & sinEdad, 'autocompletamos_edad'] = True
info_fiumark_df.loc[esSeniorita, 'edad'] = info_fiumark_df.loc[esSeniorita, 'edad'].fillna(medianaEdadSenioritas)
info_fiumark_df.loc[esSeniora, 'edad'] = info_fiumark_df.loc[esSeniora, 'edad'].fillna(medianaEdadSenioras)
def completarSedeDelCine(info_fiumark_df):
sede_mas_frecuente = info_fiumark_df['nombre_sede'].value_counts().index[0]
info_fiumark_df['nombre_sede'].fillna(sede_mas_frecuente, inplace=True)
def prepararDatosExistentes(info_fiumark_df):
info_fiumark_df['edad'] = info_fiumark_df['edad'].apply(np.floor)
sufijos_y_nombres = info_fiumark_df.nombre.str.split(pat=' ', n=1, expand=True)
sufijos_y_nombres.columns = ['sufijo', 'nombre']
info_fiumark_df.drop('nombre', axis=1, inplace=True)
info_fiumark_df = pd.concat([sufijos_y_nombres, info_fiumark_df], axis='columns')
return info_fiumark_df
def prepararSetDeHoldout(holdout_df: pd.DataFrame):
""" Prepara el set de holdout remplazando el valor que no se encuentra en el entrenamiento (atras) por un 'No responde'.
Esto se debe a que no se tiene informacion de este caso."""
holdout_df = prepararSetDeDatos(holdout_df)
holdout_df["fila"].replace(to_replace="atras", value="No responde", inplace=True)
return holdout_df
################ AUXILIARES ################
def codificacionOrdinal(datos_a_codificar):
encoder = OrdinalEncoder()
return encoder.fit_transform(datos_a_codificar)
def codificacionOneHot(datos_a_codificar):
encoder = OneHotEncoder(drop='first', sparse=False)
datos_codificados = encoder.fit_transform(datos_a_codificar)
nombres_de_los_features = encoder.get_feature_names(datos_a_codificar.columns)
return datos_codificados, nombres_de_los_features
def normalizar(datos_juntos):
return (datos_juntos - datos_juntos.mean()) / datos_juntos.std()
def estratificar_edades(edad):
if(edad <= 10):
return 'ninio'
elif(edad <=25):
return 'joven'
elif(edad <= 50):
return 'adulto'
return 'mayor'
def estratificar_precios(total_pagado):
if total_pagado <= 1:
return 'Pago poco'
elif total_pagado <= 6:
return 'Pago normal'
elif total_pagado <= 12:
return 'Pago mucho'
return 'Pago demasiado'
def categorizar_invitados(cantidad_invitados):
if cantidad_invitados == 0:
return 'Fue solo'
return 'Fue en grupo'
################ PREPROCESSING ################
def expansionDelDataset(info_fiumark_df: pd.DataFrame):
""" Creara varias nuevas features a partir del dataframe original. Este dataframe debe de venir preproceado previamente por
prepararSetDeDatos. """
nombres, fiumark_numerico = conversionAVariablesNumericas(info_fiumark_df)
info_fiumark_df['2_clusters'] = KMeans(n_clusters=2, random_state=0).fit_predict(fiumark_numerico)
info_fiumark_df['4_clusters'] = KMeans(n_clusters=4, random_state=0).fit_predict(fiumark_numerico)
info_fiumark_df['10_clusters'] = KMeans(n_clusters=10, random_state=0).fit_predict(fiumark_numerico)
info_fiumark_df['cantidad_total_invitados'] = info_fiumark_df['parientes'] + info_fiumark_df['amigos']
info_fiumark_df['total_pagado'] = (info_fiumark_df['cantidad_total_invitados'] + 1 ) * info_fiumark_df['precio_ticket']
info_fiumark_df['pago_categorizado'] = info_fiumark_df['total_pagado'].apply(estratificar_precios)
info_fiumark_df['edades_estratificadas'] = info_fiumark_df['edad'].apply(estratificar_edades)
info_fiumark_df['categoria_invitados'] = info_fiumark_df['cantidad_total_invitados'].apply(categorizar_invitados)
return info_fiumark_df
def conversionAVariablesNormalizadas(fiumark_procesado_df,columnas_codificables_extra = [],columnas_numericas_extra = []):
""" Necesita que el dataset fiumark ya venga preprocesado por la funcion prepararSetDeDatos (aplica las transformaciones del TP1)
Convertira todas las variables a valores numericos para que puedan ser usados en los modelos. Una vez hecho eso, los normalizara.
Devuelve solamente los datos. Si se quieren los nombres de los features se deben de llamar separadas las funciones."""
nombres_de_los_features, datos_juntos = conversionAVariablesNumericas(fiumark_procesado_df,columnas_codificables_extra,columnas_numericas_extra)
return normalizar(datos_juntos)
def conversionAVariablesNumericas(fiumark_procesado_df,columnas_codificables_extra = [],columnas_numericas_extra = []):
""" Necesita que el dataset fiumark ya venga preprocesado por la funcion prepararSetDeDatos (aplica las transformaciones del TP1)
Si se cumple la precondicion, se encargara de dejar de forma numerica todas las features.
Los valores categoricos seran convertidos mediante OneHotEncoding.
Al momento de devolverlos, lo hace junto a los nombres de los features, por si se quiere recuperar luego el DataFrame."""
columnas_a_codificar = ['sufijo', 'tipo_de_sala', 'genero', 'autocompletamos_edad', 'fila', 'nombre_sede'] + columnas_codificables_extra
datos_a_codificar = fiumark_procesado_df[columnas_a_codificar]
datos_codificados, nombres_de_los_features_codificados = codificacionOneHot(datos_a_codificar)
columnas_numericas = ['edad', 'amigos', 'parientes', 'precio_ticket'] + columnas_numericas_extra
datos_numericos = fiumark_procesado_df[columnas_numericas]
datos_juntos = np.hstack((np.array(datos_numericos), datos_codificados))
nombres_de_los_features = columnas_numericas + nombres_de_los_features_codificados.tolist()
return nombres_de_los_features, datos_juntos
def conversionAVariablesCodificadas(fiumark_procesado_df: pd.DataFrame, columnasConLasQueNosQuedamos = [] ):
""" Necesita que el dataset fiumark ya venga preprocesado por la funcion prepararSetDeDatos (aplica las transformaciones del TP1).
Si se cumple, la funcion se encargara de dejar solamente las variables indicadas. Estas se convierten mediante una codificacion ordinal."""
df_procesado = fiumark_procesado_df[columnasConLasQueNosQuedamos]
return codificacionOrdinal(df_procesado)
def conversionAVariablesContinuas(fiumark_procesado_df: pd.DataFrame):
""" Necesita que el dataset fiumark ya venga preprocesado por la funcion prepararSetDeDatos (aplica las transformaciones del TP1).
Si se cumple, la funcion se encargara de dejar solamente las variables continuas. Estas seran devueltas en un array."""
df_procesado = fiumark_procesado_df[['edad','precio_ticket','autocompletamos_edad']]
return np.array(df_procesado)