-
Notifications
You must be signed in to change notification settings - Fork 0
/
Taller II - Script #01.py
221 lines (162 loc) · 7.33 KB
/
Taller II - Script #01.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
# %% carga de las librerías
import numpy as np
import pandas as pd
import statsmodels.api as sm # regresion lineal
import statsmodels.formula.api as smf # regresion lineal
import matplotlib.pyplot as plt # visualizacion de datos
import seaborn as sns # visualizacion de datos
import yellowbrick.regressor as yb # visualizacion de datos
import recursos.correlaciones as corr # desarrollo propio
# %%: carga de los datos
ds2015 = pd.read_csv('datasets\\encuesta_felicidad_2015.csv', encoding='utf-8')
ds2016 = pd.read_csv('datasets\\encuesta_felicidad_2016.csv', encoding='utf-8')
ds2017 = pd.read_csv('datasets\\encuesta_felicidad_2017.csv', encoding='utf-8')
# %%: explorar la estructura de los datos
ds2015.info()
# %%: explorar la estructura de los datos
ds2015.head()
# %%: explorar la estructura de los datos
ds2015.Region.unique()
# %%: analizando el error porcentual
print("Promedio Felicidad %.4f" % np.average(ds2015.PuntajeFelicidad))
print("Promedio ErrorStd Absoluto %.4f" % np.average(ds2015.ErrorStd))
print("Promedio ErrorStd Relativo %.4f %%" % np.average(ds2015.ErrorStd / ds2015.PuntajeFelicidad * 100))
# %%: visualizar mediante histogramas
plt.figure(figsize=(10,7))
plt.xticks(rotation=90)
plt.title("Ocurrencias por Region")
plt.hist(ds2015.Region, bins=10)
plt.show()
plt.title("Ocurrencias por PuntajeFelicidad")
plt.hist(ds2015.PuntajeFelicidad, bins=10)
plt.show()
plt.title("Ocurrencias por Economía")
plt.hist(ds2015.Economia, bins=10)
plt.show()
# %%: distribución normal
total = len(ds2015)
partial = len(ds2015[(ds2015.PuntajeFelicidad >= 4) & (ds2015.PuntajeFelicidad < 6)])
print("Ocurrencias entre 4 a 6: %.2f %%" % (partial / total * 100))
# %%: diagrama de pares (posibles correlaciones)
vars=['PuntajeFelicidad','Economia','Familia','ExpectVida','Libertad','Instituciones','Generosidad','Justicia']
sns.pairplot(ds2015, vars=vars)
plt.show()
# %%: diagrama de dispersión
dsScatter = pd.DataFrame(ds2015, columns=['PuntajeFelicidad','Economia'])
# normalizar los datos (rango de 0 a 1)
dsScatter.PuntajeFelicidad = dsScatter.PuntajeFelicidad / max(dsScatter.PuntajeFelicidad)
dsScatter.Economia = dsScatter.Economia / max(dsScatter.Economia)
# diagrama de dispersión (posibles correlaciones)
plt.title('Economía vs Felicidad')
plt.xlabel('Economia')
plt.ylabel('Felicidad')
plt.scatter(dsScatter.Economia, dsScatter.PuntajeFelicidad, color='black')
plt.show()
# %%: cálculo de correlaciones (funcion propia)
dsCorr = pd.DataFrame(ds2015, columns=['PuntajeFelicidad','Economia','Familia','ExpectVida','Libertad','Instituciones','Generosidad','Justicia'])
corr.correlaciones(dsCorr, "PuntajeFelicidad")
# %%: cálculo de correlaciones
EconomiaFelicidad = np.corrcoef(ds2015.Economia, ds2015.PuntajeFelicidad)[0][1]
FamiliaFelicidad = np.corrcoef(ds2015.Familia, ds2015.PuntajeFelicidad)[0][1]
VidaFelicidad = np.corrcoef(ds2015.ExpectVida, ds2015.PuntajeFelicidad)[0][1]
print("Economia a Felicidad %.2f" % EconomiaFelicidad)
print("Familia a Felicidad %.2f" % FamiliaFelicidad)
print("ExpectVida a Felicidad %.2f" % VidaFelicidad)
# %%: valores atípicos: boxplot
dsBoxPlot = pd.DataFrame(ds2015, columns=['PuntajeFelicidad', 'Economia', 'Familia', 'ExpectVida', 'Libertad', 'Instituciones', 'Generosidad', 'Justicia'])
# normalizar los datos (rango de 0 a 1)
dsBoxPlot.PuntajeFelicidad = dsBoxPlot.PuntajeFelicidad / max(dsBoxPlot.PuntajeFelicidad)
dsBoxPlot.Economia = dsBoxPlot.Economia / max(dsBoxPlot.Economia)
dsBoxPlot.Familia = dsBoxPlot.Familia / max(dsBoxPlot.Familia)
dsBoxPlot.ExpectVida = dsBoxPlot.ExpectVida / max(dsBoxPlot.ExpectVida)
dsBoxPlot.Libertad = dsBoxPlot.Libertad / max(dsBoxPlot.Libertad)
dsBoxPlot.Instituciones = dsBoxPlot.Instituciones / max(dsBoxPlot.Instituciones)
dsBoxPlot.Generosidad = dsBoxPlot.Generosidad / max(dsBoxPlot.Generosidad)
dsBoxPlot.Justicia = dsBoxPlot.Justicia / max(dsBoxPlot.Justicia)
plt.figure(figsize=(10,6))
labels = ['Felicidad', 'Economia', 'Familia', 'ExpectVida', 'Libertad', 'Instituciones', 'Generosidad', 'Justicia']
# diagrama de cajas
dsBoxPlot = [dsBoxPlot.PuntajeFelicidad, dsBoxPlot.Economia, dsBoxPlot.Familia, dsBoxPlot.ExpectVida, dsBoxPlot.Libertad, dsBoxPlot.Instituciones, dsBoxPlot.Generosidad, dsBoxPlot.Justicia]
plt.boxplot(dsBoxPlot, labels=labels)
plt.show()
# %%: valores atípicos: gráfico violín
plt.figure(figsize=(6,5))
plt.title("Instituciones")
sns.violinplot(ds2015.Instituciones, inner="points")
plt.show()
plt.figure(figsize=(6,5))
plt.title("Economia")
sns.violinplot(ds2015.Economia, inner="points")
plt.show()
# %%: dividir los datos previo a regresión
# calculo de cantidades 70/30
totalCount = ds2015.shape[0] # 158 observaciones
trainCount = int(totalCount * 0.7) # 70% para entrenamiento
testCount = totalCount - trainCount # 30% para verificación
# desordenar aleatoriamente
dsAux = ds2015.sample(frac=1).reset_index(drop=True)
# separar en conjunto de Training y conjunto de Test
dsTrain = dsAux.iloc[:trainCount] # desde el inicio del array hasta trainCount
dsTest = dsAux.iloc[-testCount:] # desde el final del array en reversa
# %%: regresión lineal por 'mínimos cuadrados ordinarios'
y = dsTrain.PuntajeFelicidad
x1 = dsTrain.Economia
x2 = dsTrain.Familia
x3 = dsTrain.ExpectVida
# ols: ordinary least squares
model = smf.ols('y ~ x1 + x2 + x3', data=dsTrain)
results = model.fit()
# %%: summary()
print('-> Summary:')
print(results.summary())
print()
# %%: params()
print('-> Modelo.params:')
print(results.params)
print()
print('-> Modelo.mse_resid:')
print(results.mse_resid)
print()
print('-> La ecuación resultante es:')
textY = ('%.2f +' % results.params[0])
textX1 = ('%.2f X1 +' % results.params[1])
textX2 = ('%.2f X2 +' % results.params[2])
textX3 = ('%.2f X3 +' % results.params[3])
textErr = ('%.2f' % results.mse_resid)
print('f(x) = B0 + B1*Economía + B2*Familia + B3*ExpectVida + Err')
print('f(x) =', textY, textX1, textX2, textX3, textErr)
print()
# %%: predict()
# predecir valores para el dataframe de test
dicTestEquiv = dict(x1=dsTest.Economia, x2=dsTest.Familia, x3=dsTest.ExpectVida)
lsPredictedValues = results.predict(exog=dicTestEquiv)
# agregar como nueva columna
dsTest['PredictedFelicidad'] = lsPredictedValues
# %%: valores reales vs predicciones
# Train dataframe + Test dataframe
plt.figure(figsize=(11,5))
plt.title("Dataframes: Train + Test")
plt.scatter(dsTrain.Economia, dsTrain.PuntajeFelicidad, label="Training")
plt.scatter(dsTest.Economia, dsTest.PuntajeFelicidad, label="Testing")
plt.legend(loc="upper left")
plt.show()
# Test dataframe: valores predichos vs valores reales
plt.figure(figsize=(11,5))
plt.title("Valores predichos vs Valores reales")
plt.scatter(dsTest.Economia, dsTest.PuntajeFelicidad, color='green', label="Real")
plt.scatter(dsTest.Economia, dsTest.PredictedFelicidad, color='red', label="Predicho")
plt.legend(loc="upper left")
plt.show()
# %%: residuos
ybTrainX = dsTrain.Economia.values.reshape(trainCount, 1)
ybTrainY = dsTrain.PuntajeFelicidad.values.reshape(trainCount, 1)
ybTestX = dsTest.Economia.values.reshape(testCount, 1)
ybTestY = dsTest.PuntajeFelicidad.values.reshape(testCount, 1)
plt.figure(figsize=(10,7))
fig = yb.ResidualsPlot(yb.LinearRegression())
fig.fit(ybTrainX, ybTrainY) # los puntos en azul
fig.score(ybTestX, ybTestY) # los puntos en verde
fig.show()
# %%: QQ-plot
fig = sm.qqplot(results.resid, fit=True, line='45')
fig.show()