-
Notifications
You must be signed in to change notification settings - Fork 0
/
TDataSet.py
3444 lines (2977 loc) · 144 KB
/
TDataSet.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
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
# -*- coding: cp1252 -*-
import Init # @UnresolvedImport
import numpy as np
import pandas as pd
import os
import shutil
import copy
from datetime import datetime
from datetime import timedelta
import math
import sys
import pdb
import statsmodels.api as sm
import statsmodels.tsa.stattools as ts
#import scipy
from scipy.stats import norm
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import csv
import scipy.fftpack
Init.openLogFile ()
glbNanoSexPerDay = 86400000000000.0
glbFieldSep = '!'
#pour les apprentissages de Juin 13
#glbFieldSep = '.'
#Paramètre de séparateur de champs fixé pour les dérivations
#dans ProOptimConfig.cfg, section [DerivXXX]
glbMetaVarPrefix = '$$'
glbDefaultTime = datetime (1900,1,1,18,30)
def to_idate (adate, dateformat = '%Y-%m-%d'):
if type (adate) == str:
dt = datetime.strptime (adate, dateformat)
else:
dt = adate
try:
res = dt.year * 10000 + dt.month*100 + dt.day
except:
res = 0
return res
def find_delim(csv_path, delimiters=',;'):
'''
Function used to find a delimiters in a csv file
Parameters:
csv_path => Path of the csv file
delimiters => String with different possibles delimiters
ex: ',;' means that the function will test ',' and ';'
nb_bytes => number of bytes reading to find the best delimiter
Return:
dialect.delimiter => The best delimiter of the csv
among the given delimiters
'''
#Test if the file exists
assert os.path.isfile(csv_path), 'No csv file here %s' % csv_path
f = open(csv_path, "rb")
#Creation of a Sniffer object
csv_sniffer = csv.Sniffer()
#It reads nb_bytes bytes of the csv file and ...
#... chooses the best delimiter among the given delimiters
dialect = csv_sniffer.sniff(f.readline(),
delimiters=delimiters)
f.close()
return dialect.delimiter
def read_csv_clean (path, filename, delim = None, addextension = True, index_col = 0, \
header = 0, parse_dates = True, dayfirst = False, \
keep_date_col = True, numeric_only = True, drop_dups = True, format_date = None):
'''Lit un fichier .csv structuré et renvoie un DataFrame. Traite les lignes vides. '''
def to_datetime (index, format_date = format_date):
return datetime.strptime (index, format_date)
#nom de fichier sans extension: on rajoute l'extension .csv par défaut
if filename.find ('.csv') < 0 and addextension:
filename = filename + '.csv'
df = None
try:
#import pdb; pdb.set_trace ()
with open (path + filename) as f:
if np.isnan(header):
header = 0
delim = find_delim (path + filename)
df = pd.read_csv (f, sep = delim, index_col = index_col, header = header, \
parse_dates = parse_dates,
keep_date_col = keep_date_col,
dayfirst = dayfirst,
infer_datetime_format = True)
f.close ()
#pdb.set_trace()
if (df is None):
return None
elif len (df.columns) == 0 :
return None
#détection de doublons dans les fichiers indexés par une date
elif type(df.index[0]) in [datetime.date, pd.tslib.Timestamp]: # @UndefinedVariable
#Eliminer les doublons
#pdb.set_trace()
if drop_dups:
df['__index'] = df.index
df = df.loc [map (lambda x: not pd.isnull (x), df.index)]
error_pandas_v_olderthan_014 = False
try:
df.drop_duplicates (subset = ['__index'], take_last = True, inplace = True)
except:
pass
error_pandas_v_olderthan_014 = True
if error_pandas_v_olderthan_014:
df.drop_duplicates (cols = ['__index'], take_last = True, inplace = True)
del df['__index']
if len (df.index) > 1 + abs ((df.index [-1] - df.index[0]).days):
Init.Log ("Le fichier {0} contient des doublons de dates".format (path + filename))
return None
#col0 = df.columns [0]
#ne retenir que les dates où l'une des colonnes est non vide
#à rendre optionnel ?
#vecteur logique égal à la présence d'au moins une donnée non vide
idfcol = pd.DataFrame (index = df.index , columns = ['OK'])
idfcol ['OK'] = False
for col in df.columns:
if all (pd.isnull (df [col])):
del df [col]
elif len (df [col]) > 0:
idfcol ['OK'] = np.logical_or (idfcol ['OK'], pd.notnull (df[col]))
#pdb.set_trace()
#ne retenir que les données non vides dans au moins une colonne
df = df [ idfcol ['OK']]
if parse_dates and keep_date_col:
df.index = pd.DatetimeIndex (df.index)
df.index.name = 'Date'
#affecte les bons types aux colonnes
#pdb.set_trace()
df = df.convert_objects (convert_numeric = True)
pd.DataFrame.sort_index (df, ascending = True, inplace = True)
#sélectionne les colonnes numériques uniquement si demandé
if numeric_only:
cols = []
for i in range (0, len (df.columns)):
strtyp = str(df.dtypes[i])
if strtyp.find ('int') == 0 or strtyp.find ('float') == 0:
cols.append (df.columns [i])
if len (cols) < len (df.columns):
df = df.ix [ : , cols]
#f.close()
return df
except IOError as e:
#pdb.set_trace()
Init.Log ( "Accès en lecture impossible au fichier {0}: erreur {1}".format (path + filename, e.strerror))
return None
except:
Init.Log ("Fichier {0} pas au format de matrice temporelle".format (path + filename))
return None
def readFromDict (obj, odict, recursedict = False, queue = None):
'''Charge un objet à partir d'un dictionnaire'''
'''Si recursedict est True '''
'''les clés du dictionnaire sont interprétées commes des champs de l'objet '''
#pdb.set_trace()
try:
val = None
key = None
if 'name' in odict.keys():
obj._name = odict['name']
for key in odict:
#pdb.set_trace ()
val = odict [key]
if type (val) in [float, int]:
if np.isnan (val):
val = ''
elif type(val) == str:
#pdb.set_trace ()
#if key == "Apprentissage" and val[0] =='[':
#Transformation d'un string en liste
#list_app = list()
#letter = ''
#for a in val[1: len(val)]:
#if a == "," or a == ']':
#list_app = list_app + list([letter.replace(" ","")])
#letter = ''
#else:
#letter = letter + a
#val = list_app
#setattr (obj, '_' + key.lower(), val)
if val[0] in ('[','{'):
#pdb.set_trace ()
val = zelist = eval (val)
if type (zelist) == dict:
#récursion: attribuer individuellement les clés du dico
#aux champs de l'objet
if '__fields' in zelist and zelist ['__fields'] == True:
for zekey in zelist:
zeval = zelist [zekey]
setattr (obj, '_' + zekey.lower(), zeval)
else:
#non récursion: attribuer le dico en tant que champ
setattr (obj, '_' + key.lower(), val)
setattr (obj, '_' + key.lower(), val)
except:
Init.Log ('Objet {0}: impossible d''interpréter la valeur {1} du champ {2}.'
.format (obj._name, val, key), doexit = True, queue = queue)
return None
def sumgeo (z, x):
if z == 0.0:
return x
else:
return (1 - z**x)/(1 - z)
class TDataSet (pd.DataFrame):
'''DataFrame spécialisé pour la synchronisation de données temporelles. '''
#28/12/12 la dérivation de DataFrame n'apporte pas beaucoup de bénéfices, et quelques problèmes:
# l'appel à des méthodes issues de DataFrame renvoie un objet DataFrame et non TDataSet
# les attributs et méthodes supplémentaires peuvent être rajoutés sans sous-classer
def __init__(self, data = None, index = None, columns = None, \
dtype = None, copy = False, givenname = None, queue = None):
pd.DataFrame.__init__(self, data = data, index = index, columns = columns, dtype = dtype, copy = copy)
if givenname is None:
if not hasattr (self, 'name'):
self.name = 'DS' + str (datetime.now()).replace (':', '_')
else:
self.name = givenname
if not hasattr (self, 'inputpath'):
self._inputpath = ''
if not hasattr (self, 'outputpath'):
self._outputpath = ''
if not hasattr (self, '_properties'):
self._properties = {}
self.queue = queue
def _as_TDataSet (self, df):
if type (df) in [pd.DataFrame, pd.Series, TDataSet]:
self.__init__ (data = df.values, index = df.index, columns = df.columns)
return self
def copy(self):
cp = copy.deepcopy (self)
cp.name = self.name
cp.inputpath = self.inputpath
cp.outputpath = self.outputpath
cp._properties = self._properties
## cp.importstart = self.importstart
## cp.importend = self.importend
return cp
@property
def defaultname (self):
return 'DS' + str (datetime.now()).replace (':', '_')
@property
def name(self):
'''Le nom de la matrice de données'''
return self._name
@name.setter
def name(self, value):
self._name = value
@property
def inputpath(self):
'''Le répertoire des séries d'origine'''
return self._inputpath
@inputpath.setter
def inputpath(self, value):
self._inputpath = value
@property
def outputpath(self):
'''Le nom de la matrice de données'''
return self._outputpath
@outputpath.setter
def outputpath(self, value):
self._outputpath = value
def mustRebuild (self, dstart, dend, col = None):
''' Détermine s'il faut éventuellement reconstruire le DataSet en totalité ou sur une colonne.'''
if len (self.index) == 0:
return True
else:
if col is None:
return False
elif col not in self.columns:
return True
try:
df = self [dstart : dend]
if np.datetime64 (dstart) < np.datetime64 (df.index [0]) or \
np.datetime64 (df.index [-1]) < np.datetime64 (dend):
return True
else:
#return any (pd.isnull (self[col].ix [dstart : dend]))
return False
except:
return True
def set_prop (self, cols, prop, value):
'''Rajoute une propriété à une ou des colonnes.'''
if type (cols) == str:
cols = [cols]
elif type (cols) == int:
cols = self.columns [cols]
elif type (cols) == list:
tabcols = []
for col in cols:
if type (col) == str:
tabcols = tabcols.append (col)
elif type (col) == int:
tabcols = tabcols.append (self.columns [col])
else:
pass
else:
return
for col in cols:
if col in self._properties:
coldict = self._properties [col]
else:
coldict = {}
coldict [prop] = value
self._properties [col] = coldict
return
def get_prop (self, col, prop, default_value = None):
'''Renvoie la valeur d'une propriété d'une colonne.'''
if col in self._properties:
coldict = self.properties [col]
if prop in coldict:
return coldict [prop]
else:
return default_value
else:
return default_value
def get_columns (self, cols = None, forceuppercase = True):
'''Renvoie des identifiants de colonnes pour un (vecteur de) int ou str. '''
if cols is None:
return self.columns
else:
retcolumns = []
if type (cols) == str:
retcolumns = [cols]
return retcolumns
else:
#tester si l'argument passé est un nombre
try:
col = int (cols)
try:
return [self.columns [col]]
except:
return []
except:
pass
#cols doit maintenant être un tableau
try:
len (cols)
except:
return []
ncols = len (self.columns)
for col in cols:
if type(col) == int:
if col in range (0 , ncols):
retcolumns.append (self.columns[col])
elif type(col) == str:
if forceuppercase: col = col.upper()
if col in self.columns:
retcolumns.append (col)
return retcolumns
def take_columns (self, cols = None, forceuppercase = True):
'''Equivalent à l'opérateur []'''
if cols is None: return self
columns = self.get_columns (cols = cols, forceuppercase = forceuppercase)
if len (columns) > 0:
try:
ds = TDataSet (index = self.index, \
data = self [columns], \
columns = columns)
ds.name = self.name
except:
return None
else:
ds = None
return ds
def change_freq (self, freq = None):
'''change la fréquence d'une série'''
dstart = self.index [0]
dend = self.index [1]
if freq is not None:
_ = pd.bdate_range (start = dstart, end = dend, freq = freq)
pass
def take_interval (self, dstart = None, dend = None, inplace = False):
''' Prend une tranche temporelle [dstart, dend] '''
''' cas normal: type(dstart) == type (dend) == str'''
#pdb.set_trace()
if len (self.index) == 0:
return self
if dstart is None or dstart == '':
dstart = self.index [0]
else:
dstart = pd.to_datetime(dstart)
if dend is None or dend == '':
dend = self.index [-1]
else:
dend = pd.to_datetime (dend)
if (dstart <= self.index [0]) and (dend >= self.index [-1]):
return self
try:
if inplace:
#ds = self._as_TDataSet (self [str(dstart) : str(dend)])
ds = self.loc [self.index <= str(dend)]
ds = self.loc [self.index >= str(dstart)]
else:
ds = TDataSet (data = self [str(dstart) : str(dend)], \
givenname = self.name)
except:
ds = self
return ds
def exclude_interval (self, dstart, dend, fmt = '%d/%m/%Y'):
if len (self.index) == 0:
return self
if type(dstart) == str:
dstart = datetime.strptime(dstart, fmt)
if type(dend) == str:
dend = datetime.strptime (dend, fmt)
ds = self
try:
datestokeep = self.index.map (lambda (x): (x < dstart) or (x > dend))
ds = self._as_TDataSet (self [datestokeep])
except:
ds = self
return ds
def set_calendar (self, start, end, freq = 'B', forcereset = False):
#création d'un index de dates
rng = pd.bdate_range(start = start, end = end, freq = freq)
try:
self [start : end]
if forcereset or \
np.datetime64 (start) < np.datetime64 (self.index [0]) or \
np.datetime64 (end) > np.datetime64 (self.index [-1]):
TDataSet.__init__ (self, index = rng)
else:
return self
except:
TDataSet.__init__ (self, index = rng)
def set_daytime (self, hm_time, dates = None):
'''Fixe l'heure pour tout l'index ou pour des dates données '''
#pdb.set_trace ()
if type (hm_time) in [datetime, pd.tslib.Timestamp]: # @UndefinedVariable
if dates is None:
## self.index = self.index.map ( \
## lambda (x): x + pd.DateOffset (hours = hm_time.hour - x.hour, \
## minutes = hm_time.minute - x.minute))
self.index = self.index.map ( \
lambda (x): datetime (year = x.year, month = x.month, day = x.day, \
hour = hm_time.hour, \
minute = hm_time.minute))
else:
#forcer les heures sur les dates selectionnees
if type (dates) != list:
dates = [dates]
for dt in dates:
self [dt : dt].index.values [0] = \
self [dt : dt].index [0] + \
pd.DateOffset (hours = hm_time.hour - self [dt : dt].index [0].hour, \
minutes = hm_time.minute - self [dt : dt].index [0].minute)
def add_series (self, series, seriesname = None, method = 'ffill', \
timecrit = None, compcrit = None, verbose = False):
'''Rajoute un objet TimeSeries au TDataSet courant '''
#pdb.set_trace ()
if isinstance (series, (pd.TimeSeries, pd.Series)):
#pdb.set_trace ()
#Si le DataSet n'a pas encore d'index, c'est la première série qui va le fixer
if self.index.size == 0:
self.__init__(self, index = series.index)
if series.index [0] < self.index [0] or \
series.index [-1] > self.index [-1]:
#series.take_interval (dstart = self.index [0], \
# dend = self.index [-1], inplace = True)
series = series [str(self.index [0]) : str(self.index [-1])]
#réindexation de la série à ajouter selon l'index existant
try:
if method == 'auto':
mindeltas = np.minimum (series.index.asi8.diff(1)) / glbNanoSexPerDay
mindelta = np.minimum (self.index.asi8.diff(1)) / glbNanoSexPerDay
if mindeltas == mindelta:
method = None
else:
method = 'ffill'
nseries = series.reindex (index = self.index, method = method)
except:
#pdb.set_trace()
print 'Could not reindex series ' + series.name + 'into current Dataset.'
return self
#si un nom est fourni, il nomme la colonne contenant la série
if not (seriesname is None) :
sname = seriesname
else :
# pas de nom, série sans nom: dénomination automatique en V<n>
if series.name == None:
ncols = self.columns.size
sname = 'V' + str(ncols)
else:
sname = series.name
# ajout de la série avec le nom
timeOK = True
compOK = True
ds = TDataSet (index = nseries.index, data = nseries.values)
#pdb.set_trace()
if timecrit is not None:
timeOK = ds.meet_time_criteria (timecrit)
if compcrit is not None:
compOK = ds.meet_compression_criteria (compcrit)
if timeOK and compOK:
self [sname] = nseries
if verbose:
Init.Log ('TDataSet {0}: rajouté la série {1}.'.
format(self.name, seriesname), queue = self.queue)
elif not timeOK:
if verbose:
Init.Log ('TDataSet {0}: rejeté la série {1} (critère de temps non vérifié.)'.
format (self.name, seriesname), queue = self.queue)
else:
if verbose:
Init.Log ('TDataSet {0}: rejeté la série {1} (critère de compression non vérifié.)'.
format (seriesname), queue = self.queue)
return self
def add_dataset (self, newds, fillmethod = 'ffill', value = None,\
timecrit = None, compcrit = None,
crits = None, verbose = False,
fieldsep = '', prefixcolumns = True):
'''Combine un nouveau TDataSet à l'objet courant'''
'''
newds: DataSet à combiner
fillmethod: méthode de remplissage à appliquer
value: valeur fixe remplaçant les valeurs manquantes
compcrit: dictionnaire de contraintes de compression valable pour toutes les colonnes
tcrit: dictionnaire de contraines de temps valables pour toutes les contraintes
crits: dictionnaire d'autres contraintes
prefixcolumns: transforme les noms de colonnes du nouveau dataset en les préfixant par le nom du dataset
fieldsep: caractère pour séparer le nom de colonne de son préfixe
'''
def reduce_column_name (col, sep):
colparts = col.split (sep)
if len (colparts) <= 2:
return col
else:
return colparts [0] + sep + colparts [-1]
if isinstance (newds, (pd.TimeSeries, pd.Series, pd.DataFrame)):
#pdb.set_trace()
if fieldsep == '':
fieldsep = glbFieldSep
#renommer les colonnes
ncols = len(newds.columns)
#pdb.set_trace()
#Une colonne seulement: on lui attribue le nom du dataset
if ncols == 1:
newds.columns = [newds.name.upper()]
else:
tabcols = []
#pdb.set_trace()
#tabcols = self.columns
prefix = (newds.name + fieldsep).upper()
for col in newds.columns:
#les colonnes sont préfixées par le nom du dataset suivi du séparateur
#si la colonne contient déjà le nom du dataset suivi du séparateur,
#ou si la colonne est une métavariable,
#on ne préfixe pas: le nom de colonne n'est pas modifié
col = col.upper ()
if prefixcolumns:
if col.find (prefix) >= 0 or \
col.find (glbMetaVarPrefix) >= 0:
newcol = col
else:
newcol = prefix + col
else:
newcol = col
#on retient le dernier segment comme suffixe
newcol = reduce_column_name (newcol, fieldsep)
#si le nom de colonne ainsi formé est déjà présent:
if (newcol in tabcols) or (newcol in self.columns):
#pdb.set_trace ()
newcol = prefix + col
tabcols.append (newcol)
newds.columns = tabcols
#pdb.set_trace ()
# Vérification des critères
if len (self.index) == 0:
self = newds.copy ()
for col in self.columns:
#self [col].delete ()
del self [col]
else:
# df = self.join (newds, how = 'outer')
# pdb.set_trace ()
if newds.index [0] < self.index [0] or \
newds.index [-1] > self.index [-1]:
newdend = newds.index [-1]
selfend = self.index [-1]
if newdend.day == selfend.day and \
newdend.month == selfend.month and \
newdend.year == selfend.year:
newdend = newdend + pd.Timedelta (hours = selfend.hour - newdend.hour,
minutes = selfend.minute - newdend.minute,
seconds = selfend.second - newdend.second)
newds.take_interval (dstart = self.index [0], \
dend = newdend, inplace=True)
try:
if fillmethod == 'auto':
mindeltas = newds.min_day_interval ()
mindelta = self.min_day_interval()
# Réindexation dans une série existante: on compare les fréquences
if mindeltas == mindelta:
# Si la nouvelle série a la même fréquence que la série hôte
if pd.isnull(value):
# pas de valeur de remplissage: ajuster les index en ne remontant pas au delà de la fréquence native
# Commencer par être sévère pour empêcher le remplissage de vraies valeurs manquantes
#CG 26 Oct 15
#mindelta au lieu de mindelta - 1
newds2 = newds.reindex (index=self.index, method='ffill', limit=mindelta)
newds2[newds2.index.date > newds.index [-1].date()] = np.nan
#newds2[newds2.index > newds.index [-1]] = np.nan
#CG 8 Dec 15
#empêcher le prolongement de la série au-delà de la série d'origine
# si on perd trop de données, cas d'une série japonaise 9h30: aller chercher les données du matin
if len(newds2.dropna()) < len (newds.index) / 2.0:
newds2 = newds.reindex (index=self.index, method='ffill')
else:
newds2 = newds.reindex (index=self.index, fill_value=value)
else:
if pd.isnull(value):
newds2 = newds.reindex (index=self.index, method='ffill')
else:
newds2 = newds.reindex (index=self.index, fill_value=value)
elif pd.isnull (value):
newds2 = newds.reindex (index=self.index, method=fillmethod)
else:
newds2 = newds.reindex (index=self.index, fill_value=value)
if len (newds2.dropna()) == 0:
pass
except:
nl = len(newds.index)
nul = len(np.unique (newds.index.values))
Init.Log ('L\'index de {0} est de longueur {1} et a {2} doublons'\
.format (newds.name, nl, nl - nul),
doexit=True)
return self
for col in newds.columns:
timeOK = True
compOK = True
critsOK = True
doadd = True
#si un critère de filtre est demandé:
#evaluer les critères par colonne
if (timecrit is not None) or (compcrit is not None):
#ds = TDataSet (index = nseries.index, data = nseries.values)
if timecrit is not None:
timecrit ['col'] = col
timeOK = newds.meet_time_criteria (timecrit)
if compcrit is not None:
compcrit ['col'] = col
compOK = newds.meet_compression_criteria (compcrit)
if not timeOK:
if verbose:
Init.Log ('Rejected {0}[{1}] (Time)'.format (newds.name, col))
doadd = False
if not compOK:
if verbose:
Init.Log ('Rejected {0}[{1}] (compression)'.format (newds.name, col))
doadd = False
if crits is not None:
for crit in crits.keys ():
if crit == 'adf':
pvalue = crits [crit]
res_pvalue = newds.do_adftest (col=col)
if res_pvalue > pvalue:
critsOK = False
if not critsOK:
if verbose:
Init.Log ('Rejected {0}[{1}] (Adf)'.format (newds.name, col))
doadd = False
if doadd:
self [col] = newds2 [col]
if verbose:
Init.Log ('Added {0} [{1}]'.format(newds.name, col))
return self
def add_series_from_file (self, filename, path = None, delim = ',',
header = 0, dayfirst = False,
method = 'ffill', verbose = False,
addextension = True, value = None,
givenname = None, cols = None,
timecrit = None, compcrit = None,
crits = None,
fieldsep = '', prefixcolumns = True,
numeric_only = True, format_date = None):
'''Crée un TDataSet à partir d'un fichier et le rajoute aux données courantes. '''
#pas de chemin fourni: on prend le chemin input par défaut
if path is None:
path = self.inputpath
#pdb.set_trace ()
if fieldsep == '':
fieldsep = glbFieldSep
lastdate = pd.datetime.date (pd.datetime (1900,1,1))
df = read_csv_clean (path = path, filename = filename,
delim = delim, addextension = addextension,
header = header, parse_dates = True, keep_date_col = True,
dayfirst = dayfirst, numeric_only = numeric_only, format_date = format_date)
if (df is None): return self, lastdate
elif len (df.index) == 0:
return self, lastdate
else:
lastdate = pd.datetime.date (max (df.index))
newds = TDataSet (data = df)
#nom de la série: soit le nom passé en argument, soit le nom du fichier
if givenname is None:
newds.name = filename
else:
newds.name = givenname
#Enlever le chemin et l'extension
newds.name = newds.name.split ('/') [-1].split('.')[0]
#pdb.set_trace()
self = self.add_dataset (newds, fillmethod = method, value = value,
verbose = verbose, crits = crits,
timecrit = timecrit, compcrit = compcrit,
fieldsep = fieldsep, prefixcolumns = prefixcolumns)
return self, lastdate
def add_series_from_fileslist (self, filelist, path = None,
exclusionlist = ['confli'],
method = 'ffill',
value = None, delim = ',',
namestart = None, nameend = None,
verbose = True, addextension = True,
timecrit = None, compcrit = None,
crits = None, fieldsep = '',
prefixcolumns = True, numeric_only = True):
'''Rajoute des séries lues à partir d'un ensemble de noms de fichiers du même répertoire.'''
'''Filtre les noms de fichiers dans un intervalle alphabétique. '''
def isexcluded (fname, exclusionlist):
#Détermine si un fichier contient une chaîne interdite
if exclusionlist is None:
return False
if type(exclusionlist) == str:
exclusionlist = [exclusionlist]
if len(exclusionlist) > 0:
for item in exclusionlist:
if fname.lower().find(str(item).lower()) > 0:
return True
return False
if path is None: path = self.inputpath
if fieldsep == '':
fieldsep = glbFieldSep
lastdate = pd.datetime.date (pd.datetime (1900,1,1))
for f in filelist:
if (namestart is None or str(f).upper() >= str(namestart).upper()) and \
(nameend is None or str(f).upper() <= str(nameend).upper()):
#pdb.set_trace()
if not os.path.isdir(path + f) and not isexcluded (f, exclusionlist):
try:
self, flastdate = self.add_series_from_file (path = path, filename = f,
timecrit = timecrit, compcrit = compcrit,
crits = crits,
method = method, verbose = verbose,
addextension = addextension, \
value = value, delim = delim,
fieldsep = fieldsep, prefixcolumns = prefixcolumns,
numeric_only = numeric_only)
except:
#pdb.set_trace ()
self, flastdate = self.add_series_from_file (path = path, filename = f,
timecrit = timecrit, compcrit = compcrit,
crits = crits,
method = method, verbose = verbose,
addextension = addextension, \
value = value, delim = delim,
fieldsep = fieldsep, prefixcolumns = prefixcolumns,
numeric_only = numeric_only)
Init.Log ('Erreur au moment de l''ajout du fichier {0}'.format (f), queue = self.queue)
pass
if flastdate > lastdate:
lastdate = flastdate
#pdb.set_trace()
return self, lastdate
def add_series_from_dir (self, path, exclusionlist = ['confli'],
timecrit = None, compcrit = None,
crits = None, addextension = True,
namestart = None, nameend = None, verbose = True,
method = 'ffill', value = None,
fieldsep = '', prefixcolumns = True,
numeric_only = True):
'''Charge tous les fichiers texte d'un répertoire donné '''
#pdb.set_trace()
Init.Log ("Ajout à la matrice {0} des séries du répertoire {1}.".format (self.name, path), queue = self.queue)
if fieldsep == '':
fieldsep = glbFieldSep
self, lastdate = self.add_series_from_fileslist (filelist = os.listdir(path), path = path,
exclusionlist = ['confli'],
addextension = addextension,
namestart = namestart, nameend = nameend,
verbose = verbose, timecrit = timecrit,
compcrit = compcrit, crits = crits,
method = method, value = value,
fieldsep = fieldsep, prefixcolumns = prefixcolumns,
numeric_only = numeric_only)
return self, lastdate
def to_csv (self, outpath = None, filename = None, float_format = None, sep = ',',
qfstyle = False, append = False, archive = False, queue = None):
'''Ecrit les données dans un fichier texte. Surcharge la méthode DataFrame.to_csv. '''
if not os.path.isdir(outpath):
os.makedirs(outpath, mode = 0777)
if filename is None:
name = self.name + '.csv'
else:
if filename.find ('.csv') < 0:
name = filename + '.csv'
else:
name = filename
if outpath is None: outpath = self.outputpath
exists = os.path.exists (outpath + name)
#compter le nombre de variables (hors index)
ncol = len (self.columns)
try:
if append:
mode = 'ab'
else:
mode = 'wb'
with open (outpath + name, mode) as f:
#Ecriture de trois lignes d'en tete
if qfstyle:
#CG 4/11/15 pour une production QF, délimiteur forcé
sep = ';'
header1 = [''] + ['C'] * ncol
header2 = [''] * (ncol + 1)
# for _ in range (0, ncol + 1):
# header1.append ('C')
# header2.append ('')
#pdb.set_trace()
#str1 = (str (header1) [1:-1]).replace (',', sep).replace("'",'') + '\n'
str1 = sep.join (header1) + '\n'
#str2 = (str (header2) [1:-1]).replace (',', sep).replace("'",'') + '\n'
str2 = sep.join (header2) + '\n'
f.write (str1)
f.write (str2)
f.write (str2)
pd.DataFrame.to_csv(self, path_or_buf = f, \
float_format = float_format, sep = sep)
f.close()
except IOError as e:
Init.Log ( "Accès en écriture impossible au fichier {0}: erreur {1}". \
format (outpath + name, e.strerror), queue = self.queue)
return None
except:
Init.Log ( "Erreur {1} imprévue lors de l'écriture dans le fichier au fichier {0}.". \
format (outpath + name, sys.exc_info()[0]), queue = self.queue)
return None
if exists and archive:
# pdb.set_trace ()
dtnow = datetime.now ()
dstr = datetime.strftime(dtnow, '%Y-%m-%d %H-%M')
datedname = name.split('.csv')[0] + '(' + dstr + ')' + '.csv'
try:
shutil.copy (outpath + name, outpath + datedname)
except IOError as e:
Init.Log ( "Accès en écriture impossible au fichier {0}: erreur {1}". \
format (outpath + datedname, e.strerror), queue = self.queue)
return None
Init.Log ("Ecriture réussie du fichier {0}".format (outpath + name), queue = queue)
return self
def from_csv (self, inpath = None, filename = None, index_col = 0, delim = ',', header = 0):
'''Lit les données d'un DataSet depuis un fichier texte. '''
#pdb.set_trace()
if filename is None:
name = self.name + '.csv'
else:
name = filename.split('.csv')[0] + '.csv'
if inpath is None: inpath = self.inputpath
df = read_csv_clean (path = inpath, filename = filename, \
index_col = index_col, delim = delim, header = header)
if df is None:
return None
else:
self._as_TDataSet (df)
self.name = name
return self
def get_freq (self):
'''retourne la frequence d'une série'''
ds = self.copy()
ds ['freq'] = ds.index
ds ['freq'] = ds['freq'].diff().astype('timedelta64[D]')
#On prend la fréquence majoritaire
if self.name.upper () in self.columns:
col = self.name.upper ()
else:
col = self.columns [0]
ds_freq = ds.groupby ('freq').count() [col]
max_ = max (ds.groupby ('freq').count() [col])
freq = int (ds_freq [ds_freq == max_].index [0])
#freq = int (freq / np.timedelta64 (1, 'D'))
return freq
def patch_append (self, newdata, override_old = False, override_depth = 0, inplace = True, check_overlap = True):
'''Recolle un nouveau morceau de données sur un historique antérieur.'''
'''newdata: ensemble de données ayant des colonnes isomorphes à self.columns
overrideold: booléen indiquant si les données anciennes sont à effacer dans la plage de chevauchement des dates.
overridedepth: décalage par rapport à la date la plus récente des nouvelles données pour le remplacement forcé.
inplace: concaténation sur place ou dans un nouvel objet.
checkoverlap: si Vrai, déclenche une erreur en cas de non-chevauchement des données (éviter les trous).'''
#pdb.set_trace()
#il faut trier les données par dates croissantes
self.sort_index (inplace = True)
if len(newdata.index) == 0:
Init.Log ("Attention, les nouvelles données de: " + self.name + " sont vides.")
return self
if len(newdata.columns) == 0: