-
Notifications
You must be signed in to change notification settings - Fork 0
/
analises_quantidad_amuestras_significativas.py
163 lines (137 loc) · 5.99 KB
/
analises_quantidad_amuestras_significativas.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
import os
import copy
import time
import pymannkendall as mk
# Raising a ValueError
from datetime import datetime
import seaborn as sns
import sys
sns.set_theme(style="darkgrid")
import pandas as pd
import math
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
from tqdm.auto import tqdm
tqdm.pandas()
lst_distG = [
'menor500M_gas', 'entre_0_5KM_gas', 'entre_05_1KM_gas',
'entre_1_2KM_gas', 'entre_2_3KM_gas', 'entre_3_4KM_gas',
'entre_4_5KM_gas' , 'maior5KM_gas', 'maior5KM_Pla'
]
lst_distP = [
'dist_0_500M_Pla', 'dist_0_5KM_Pla', 'dist_05_1KM_Pla',
'dist_1_2KM_Pla', 'dist_2_3KM_Pla', 'dist_3_4KM_Pla',
'dist_4_5KM_Pla'
]
lst_distG = lst_distG + lst_distP
lst_distGasPla = ['entre_0_5KM_gas', 'dist_0_5KM_Pla', 'maior5KM_gas', 'maior5KM_Pla']
makePlots = False
makePlotOcorrSA = True
dictTendencia = {
'increasing' : 'crescente',
'decreasing' : 'decrescente',
'no trend' : 'não tendencia'
}
dictComun = {}
path = os.getcwd()
pathInput = 'BD/Dados_distancias_CPUE_coordPequeirosValidadoUpgrade_comID_Unicos_05_10_2023.csv'
input_path = os.path.join(path, pathInput)
print('loading file CSV from FOLDER DB \n =====> ', input_path)
df_freq = pd.read_csv(input_path, low_memory=False) #
print("Tabela atualizada foi carregada ")
print(f"Loading {df_freq.shape[0]} registros com {df_freq.shape[1]} columnas ")
allColumns = [kk for kk in df_freq.columns]
# print(df_freq.columns)
# print(df_freq.head())
yyinterv = ['01-01-2005', '01-01-2008', '01-01-2013', '01-01-2021']
yyIndInterv = ['yy05_07_', 'yy08_12_', 'yy13_20',"todo_o_Periodo"]
df_freq['Data Chegada'] = pd.to_datetime(df_freq['Data Chegada'], format='%Y-%m-%d')
df_freq = df_freq.sort_values(by='Data Chegada')
lst_colnDF = ['SubArtes'] + lst_distG
lst_subArtesAct = [
'TAINHEIRA','JERERÉ','TARRAFA','PESQUEIRO', 'GAIOLA','MANZUÁ','FUNDO CAMARÃO',
'CALÃO', 'MERGULHO','ARRAEIRA','SUPERFÍCIE BOIADA','ABALO','REDINHA','GROSEIRA',
'EMALHE','LINHA DE MÃO','CERCO', 'FUNDO PEIXE','MARISCAGEM','ARRASTO DE FUNDO OU BALOEIRO'
]
df_freq = df_freq[df_freq["SubArte"].isin(lst_subArtesAct)]
print("new size table ", df_freq.shape)
dictTI = {
'BTS': 'BTS',
'BAIXO SUL': 'BS'
}
dictTISubArte = {
'BTS': [
'TAINHEIRA','JERERÉ','TARRAFA','PESQUEIRO',
'GAIOLA','MANZUÁ','FUNDO CAMARÃO','MARISCAGEM',
'CALÃO', 'MERGULHO','ARRAEIRA','SUPERFÍCIE BOIADA','ABALO','REDINHA','GROSEIRA',
'EMALHE','LINHA DE MÃO','CERCO', 'FUNDO PEIXE'
],
'BAIXO SUL': [
"GAIOLA", 'CALÃO', 'MANZUÁ','ARRASTO DE FUNDO OU BALOEIRO', 'SUPERFÍCIE BOIADA',
'GROSEIRA','LINHA DE MÃO', 'ARRAEIRA', 'MERGULHO', "MARISCAGEM"
]
}
if makePlotOcorrSA:
df_groupBS = df_freq[df_freq["TI"] == 'BAIXO SUL'][["SubArte","Arte"]].groupby(["SubArte"], as_index=False).agg('count')
df_groupBTS = df_freq[df_freq["TI"] == 'BTS'][["SubArte","Arte"]].groupby(["SubArte"], as_index=False).agg('count')
df_groupBTS.columns =["SubArte","BTS"]
print(df_groupBTS.head(2))
print(df_groupBS.head(2))
def setnewColumns(row):
subArte = row["SubArte"]
try:
quant = df_groupBS[df_groupBS['SubArte'] == subArte]["Arte"].values[0]
except:
quant = 0
# print(f"quantidade {subArte} => {quant}" )
row["BAIXO SUL"] = quant
return row
df_groupBTS = df_groupBTS.apply(setnewColumns, axis= 1)
print(df_groupBTS.head())
print(df_groupBTS.tail())
df_groupBTS.plot.barh(x='SubArte', y=["BAIXO SUL", 'BTS'])
plt.show()
else:
for tiname in [ 'BAIXO SUL', 'BTS']: #
dictComTI = {}
lst_subArtes= dictTISubArte[tiname]
for cc, subArt in enumerate(lst_subArtes):
df_subArte = df_freq[(df_freq['SubArte'] == subArt) & (df_freq['TI'] == tiname)]
nameSub = subArt.replace(' ', '_')
print("== # ", cc, " > ", nameSub, " == > ", df_subArte.shape, " =====" , "in TI => ", tiname)
print("size ", df_subArte.shape)
df_tendecia = pd.DataFrame({}, columns=lst_colnDF)
dict_tend = {}
dict_p = {}
dict_tend['TI'] = tiname
dict_p['TI'] = tiname
dict_tend['SubArtes'] = subArt
dict_p['SubArtes'] = subArt
dict_tend['tipo'] = 'TMA' # tamanho mínimo de amostra
for cc in range(len(yyinterv)):
if cc > 0:
indicador = yyIndInterv[cc - 1]
# date_string = "2023-09-01 14:30:00.123"
date_format = "%d-%m-%Y"
dict_tendQ['intervalo'] = indicador
dict_pQ['intervalo'] = indicador
# Convert string to datetime using strptime
# date_obj = datetime.strptime(date_string, date_format)
date_t0 = datetime.strptime(yyinterv[cc - 1], date_format)
date_t1 = datetime.strptime(yyinterv[cc], date_format)
print(" Time Date ", date_t0, " -> ", date_t1)
dfinterval = df_subArte[(df_subArte['Data Chegada'] > date_t0) & (df_subArte['Data Chegada'] < date_t1)]
sizeTable = dfinterval.shape[0]
print("size table in interval ", sizeTable)
dict_tendQ['Quantidade'] = sizeTable
dict_pQ['Quantidade'] = sizeTable
# print(dfinterval.columns)
# print(dfinterval[['SubArte', 'Data Chegada', 'Data Saída']].head(10))
for mdist in lst_distG:
df_dist = copy.deepcopy(dfinterval[dfinterval[mdist] == True])
if df_dist.shape[0] > 5:
# reagrupando por
df_quantidade = refazedDataFrameQuantidade(df_dist)
print("-*-*-*-*-*-* PROCESSING TRENDING -*-*-*-*-*-*")
print("===> ", df_quantidade.head())