-
Notifications
You must be signed in to change notification settings - Fork 1
/
checagem_previsao_ouviews
248 lines (166 loc) · 6.35 KB
/
checagem_previsao_ouviews
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
236
237
238
239
240
241
242
243
244
245
import matplotlib.pyplot as plt
import numpy as np
import csv
import datetime
from scipy.optimize import curve_fit
from scipy.optimize import fsolve
# aqui é uma variável para ajudar a obter os dados em um formato apropriado do arquivo CSV do Anchor
dados_aux=[]
dados_aux2=[]
## Por algum motivo, o arquivo que vai até 06/11 tem datos só até 31/10...
with open('Fisicast_TotalPlays_2018-12-26_to_2019-11-06.csv', mode='r') as csv_file:
csv_reader = csv.DictReader(csv_file)
reader = csv.reader(csv_file)
row1 = next(reader)
# loop para ler todas as linhas
for row in reader:
date_time_obj = datetime.datetime.strptime(row[0], '%m/%d/%Y %H:%M:%S')
dados_aux.append([date_time_obj.date() ,int(row[1])])
## Por algum motivo, o arquivo que vai até 16/01 tem datos só até 09/01...
with open('Fisicast_TotalPlays_2018-12-27_to_2020-01-16.csv', mode='r') as csv_file:
csv_reader = csv.DictReader(csv_file)
reader = csv.reader(csv_file)
row1 = next(reader)
# loop para ler todas as linhas
for row in reader:
date_time_obj = datetime.datetime.strptime(row[0], '%m/%d/%Y %H:%M:%S')
dados_aux2.append([date_time_obj.date() ,int(row[1])])
# convertemos os dados para o número de dias passados.
## aqui vai ser a tabela final com os dados
dados=[[],[]]
dados2=[[],[]]
## escrevendo os dados de forma mais adequada. O fator +7 significa que o ponto inicial do anchor só aparece depois dos primeiros 7 dias.
ntot=0
for i in range(len(dados_aux)):
ntot=ntot+dados_aux[i][1]
dados[0].append((dados_aux[i][0]-dados_aux[0][0]).days+7)
dados[1].append(ntot*1e-3)
ntot2=0
for i in range(len(dados_aux2)):
ntot2=ntot2+dados_aux2[i][1]
dados2[0].append((dados_aux2[i][0]-dados_aux2[0][0]).days+7)
dados2[1].append(ntot2*1e-3)
dates = [x[0].strftime("%d/%m/%Y") for x in dados_aux2]
## parametros que usarei para plotar as curvas
x_new = np.linspace(0.0, 400, 100)
# fitando uma reta
z = np.polyfit(dados[0], dados[1], 1)
f1 = np.poly1d(z)
y_linear_fit = f1(x_new)
# fitando uma quadratica
z = np.polyfit(dados[0], dados[1], 2)
f2 = np.poly1d(z)
y_quadratica_fit = f2(x_new)
## fitando uma cubica
def fit_func(x, a, b, c):
return a*(x**3)+b*(x**2) + c*x #c+b*np.exp(a*x)
params = curve_fit(fit_func, dados[0], dados[1], p0=[0.00001,0.5,-0.5])
# parâmetros
[a, b, c] = params[0]
# erros nos parâmetros
perr = np.sqrt(np.diag(params[1]))
y_exponencial_fit = fit_func(x_new,a,b, c)
y_cubica_fit = fit_func(x_new,a,b,c)
# Apenas uma funcao para ajudar a implementar o fsolve que resolve f(x)=0
def solve_func(x):
return fit_func(x,a,b,c)-100
## acha a solucao para quando Nouviews = 100k
solution = fsolve(solve_func,300)
# curva erro-
def solve_func(x):
return fit_func(x,a+perr[0],b+perr[1],c+perr[2])-100
solution_min = fsolve(solve_func,300)
# curva erro+
def solve_func(x):
return fit_func(x,a-perr[0],b-perr[1],c-perr[2])-100
solution_max = fsolve(solve_func,300)
## poe na tela!!
print('Tempo total para chegar em 100k (em dias):')
print('{} +{} ou -{}'.format(int(solution),int(solution_max-solution),int(solution-solution_min)))
print('Previsao de Chegar em 100k:')
print('De {} a {} onde melhor previsao: {}'.format(
(dados_aux[0][0]+datetime.timedelta(days=-7)+datetime.timedelta(days=int(solution_min))),
(dados_aux[0][0]+datetime.timedelta(days=-7)+datetime.timedelta(days=int(solution_max))),
(dados_aux[0][0]+datetime.timedelta(days=-7)+datetime.timedelta(days=int(solution)))
))
####################################
#
# Figura dos Fits
#
####################################
# eu gosto de criar o plot eixos...
fig=plt.figure(figsize=(10,10));
ax=[]
ax.append(plt.subplot(1,1,1))
# plot dos dados
ax[0].scatter(dados2[0],dados2[1],c='red', label='Dados até 09/01/2020')
# plot dos dados
ax[0].scatter(dados[0],dados[1],c='black', label='Dados até 31/10/2019')
#plot do fit cubico
ax[0].plot(x_new,y_cubica_fit,color='blue', label='Ajuste por Cúbica')
### coisas para deixar o gráfico bonito
ax[0].grid(linestyle='--', linewidth=0.3)
ax[0].set_title("Evolucao dos Ouviews do Fisicast", fontsize=22)
ax[0].legend(fontsize=18)
ax[0].set_xlabel(r'Dias que o Podcast ficou no ar', fontsize=22)
ax[0].set_ylabel(r'Numero de Ouviews (em milhares)', fontsize=22);
ax[0].set_xlim([0,400]);
ax[0].set_ylim([0.0,110]);
ax[0].tick_params(labelsize=22)
plt.tight_layout();
plt.savefig("./post_fisicast_checagem.png");
plt.close(fig)
####################################
#
# Figura Erro nos Fits
#
####################################
# eu gosto de criar o plot eixos...
fig=plt.figure(figsize=(10,10));
ax=[]
ax.append(plt.subplot(1,1,1))
## valor central
y_cubica_fit0 = fit_func(x_new,a,b,c)
#valor maximo
y_cubica_fit1 = fit_func(x_new,a-perr[0],b-perr[1],c-perr[2])
# valor mínimo
y_cubica_fit2 = fit_func(x_new,a+perr[0],b+perr[1],c+perr[2])
x = np.arange(0.0, 2, 0.01)
y1 = np.sin(2 * np.pi * x)
y2 = 1.2 * np.sin(4 * np.pi * x)
## erros
ax[0].fill_between(x_new, y_cubica_fit1, y_cubica_fit2, color='cyan', alpha=0.5, label='68% C.L.')
# plot dos dados
ax[0].scatter(dados2[0],dados2[1],c='red', label='De 31/10/2019 até 09/01/2020')
# plot dos dados
ax[0].scatter(dados[0],dados[1],c='black', label='Dados até 31/10/2019')
#plot do fit cubico
ax[0].plot(x_new,y_cubica_fit0,color='blue', label='Ajuste por Cúbica')
ax[0].plot([solution_max,solution_max],[0,100],color='red')
ax[0].plot([solution_min,solution_min],[0,100],color='red')
ax[0].text(0.96*solution_max,50,'{} dias'.format(int(solution_max[0])), rotation=90,color='red', alpha=1, fontsize=18)
ax[0].text(0.96*solution_min,50,'{} dias'.format(int(solution_min[0])), rotation=90,color='red', alpha=1, fontsize=18)
### coisas para deixar o gráfico bonito
ax[0].grid(linestyle='--', linewidth=0.3)
ax[0].set_title("Evolucao dos Ouviews do Fisicast", fontsize=22)
ax[0].legend(fontsize=18)
ax[0].set_xlabel(r'Dias que o Podcast ficou no ar', fontsize=22)
ax[0].set_ylabel(r'Numero de Ouviews (em milhares)', fontsize=22);
aux = []
ntot = int(len(dados2[0])/2)
for i in range(ntot):
aux.append(dados2[0][2*i])
aux.append(dados2[0][len(dados2[0])-1])
ax[0].set_xticks(aux)
ax[0].set_xlim([0,400]);
ax[0].set_ylim([0.0,110]);
ax[0].tick_params(labelsize=22)
aux = []
ntot = int(len(dates)/2)
for i in range(ntot):
aux.append(dates[2*i])
aux.append(dates[len(dates)-1])
ax[0].set_xticklabels(aux, fontsize=8.5,rotation=40, ha='right')
plt.tight_layout();
plt.savefig("./post_fisicast_erros_checagem.png");
plt.close(fig)