-
Notifications
You must be signed in to change notification settings - Fork 4
/
dataPreparation.py
321 lines (249 loc) · 13 KB
/
dataPreparation.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
# native imports
import datetime
# common imports
import pandas as pd
# special imports
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from statsmodels.tsa.seasonal import seasonal_decompose
# front-end imports
import streamlit as st
# ===========================================
# Functions Data Retrieval
# ===========================================
@st.cache(allow_output_mutation=True)
def getDataFromCSV(file) -> pd.DataFrame:
dataFrame = pd.read_csv(file, sep=",", decimal=".",
encoding="UTF-8",
index_col=0,
low_memory=False)
dataFrame.index = pd.to_datetime(
dataFrame.index, format='%Y-%m-%d %H:%M:%S')
dataFrame = dataFrame.sort_index(ascending=True)
dataFrame = dataFrame.apply(pd.to_numeric, errors='coerce')
return dataFrame
##########################
### App page beginning ###
##########################
def write(state):
# Início da página Data Preparation
st.title('Carregando e preparando os dados!')
st.markdown(
"O primeiro passo é fazermos a importação do arquivo **.csv** que contém os dados que deseja analisar.")
st.info(
"""
Atenção para a **formatação padrão** do arquivo **.csv**:
\n* Delimitador = ","
\n* Decimal = "."
\n* Encoding = "UTF-8"
\n* Datetime = "%Y-%m-%d %H:%M:%S"
\n* Variável "Tempo" como sendo a coluna 0 do dataframe
"""
)
uploaded_file = st.file_uploader(
"Carregue aqui o seu arquivo csv",
type="csv",
key='uploaded_file')
if uploaded_file:
data_load_state = st.text('Carregando os dados...')
df = getDataFromCSV(uploaded_file).copy()
data_load_state.text("Pronto! Dados carregados com sucesso!")
st.markdown(
"Para continuar, navegue pela aba **lateral esquerda** e selecione as opções.")
if not df.empty:
st.sidebar.title("Data Preparation")
expanderFltTags = st.sidebar.beta_expander(
label='Passo 1: Selecione as variáveis',
expanded=False)
state.dfTags = df.columns.values.tolist()
state.fltTags = expanderFltTags.multiselect(
label='Variáveis de Processo:',
options=state.dfTags,
default=state.fltTags,
key='fltTagsPreparation')
if len(state.fltTags) > 10:
expanderFltTags.warning(
'Foram selecionadas mais de **10 TAGs**')
dfRaw = df[state.fltTags]
expanderFltDate = st.sidebar.beta_expander(
label='Passo 2: Selecione as datas',
expanded=False)
startTimeDf = df.index[0]
endTimeDf = df.index[-1]
state.fltDateStart = expanderFltDate.date_input(
label='Data de início:',
value=state.fltDateStart or startTimeDf)
state.fltTimeStart = expanderFltDate.time_input(
label='Hora de início',
value=state.fltTimeStart or datetime.time(0, 0, 0))
state.fltDateEnd = expanderFltDate.date_input(
label='Data de fim:',
max_value=state.fltDateStart + datetime.timedelta(weeks=1),
value=state.fltDateEnd or (state.fltDateStart + datetime.timedelta(weeks=1)))
state.fltTimeEnd = expanderFltDate.time_input(
label='Hora de fim',
value=state.fltTimeEnd or datetime.time(endTimeDf.hour, endTimeDf.minute, endTimeDf.second))
selStart = datetime.datetime.combine(
state.fltDateStart, state.fltTimeStart)
selEnd = datetime.datetime.combine(
state.fltDateEnd, state.fltTimeEnd)
expanderFltDate.warning(
'O intervalo máximo é de 1 semana para um melhor desempenho')
dfRawRange = dfRaw.loc[selStart:selEnd]
state.dfRawRange = dfRawRange
if state.fltTags != []:
st.markdown("------------------------------------------")
st.markdown(
"Perfeito, agora é só selecionar as opções abaixo para iniciar a exploração dos dados.")
#################
### Dataframe ###
#################
showRawData = st.checkbox(
label='Visualizar os dados',
value=False,
key='showRawData')
if (showRawData):
st.dataframe(data=dfRawRange)
############
### Info ###
############
showInfo = st.checkbox(
label='Mostrar informaçoes do Dataframe (formato e missing values)', value=False, key='showInfo')
if (showInfo):
dfInfo = pd.DataFrame()
dfInfo["Types"] = dfRawRange.dtypes
dfInfo["Missing Values"] = dfRawRange.isnull().sum()
dfInfo["Missing Values % "] = (
dfRawRange.isnull().sum()/len(dfRawRange)*100)
st.table(dfInfo)
################
### Cleaning ###
################
state.execCleaning = st.checkbox(label='Fazer limpeza Automática dos dados', value=(
state.execCleaning or False), key='execCleaning')
if (state.execCleaning):
methodCleaning = ["Interpolation", "Drop NaN"]
selectCleaning = st.selectbox(label='Selecione o método de limpeza',
options=methodCleaning,
key='selectCleaning')
if selectCleaning == "Drop NaN":
dfCleaned = dfRawRange.dropna(how="any")
elif selectCleaning == "Interpolation":
methodInterpolation = [
"linear", "nearest", "zero", "slinear", "quadratic", "cubic"]
selectInterpolation = st.selectbox(label='Selecione o método para a interpolação',
options=methodInterpolation,
key='selectInterpolation')
dfCleaned = dfRawRange.interpolate(
method=selectInterpolation, inplace=False)
st.text("Informações do Dataframe após a limpeza.")
state.dfRawRange = dfCleaned
dfInfo = pd.DataFrame()
dfInfo["Types"] = state.dfRawRange.dtypes
dfInfo["Missing Values"] = state.dfRawRange.isnull().sum()
dfInfo["Missing Values % "] = (
state.dfRawRange.isnull().sum()/len(state.dfRawRange)*100)
st.table(dfInfo)
st.markdown(" ")
st.markdown("**Atenção**: Enquanto esta opção *'Fazer limpeza Automática dos dados'*\
estiver selecionada, os dados considerados serão *'Dataframe após a limpeza.'*")
st.markdown(" ")
################
### Describe ###
################
showDescribe = st.checkbox(
label='Mostrar estatística descritiva', value=False, key='showDescribe')
if (showDescribe):
st.table(dfRawRange.describe().transpose())
##########################
### Análise Individual ###
##########################
showInfoVar = st.checkbox(
label="Análisar graficamente cada variável (tendência, sazonalidade, histogram e boxplot",
value=False,
key='showInfoVar')
# Lógica IF para fazer aparecer a tendencia e sazonalidade quando a variável não possuir
# valores nulos. Caso tenha valores nulos é plotado apenas a variavel
if (showInfoVar):
st.write("Selecione a váriavel a ser analisada")
fltPlot = st.selectbox(
label='', options=state.fltTags, key='fltPlot')
if state.dfRawRange[fltPlot].isnull().sum() > 0:
figDecompose = go.Figure()
figDecompose.add_trace(go.Scatter(x=state.dfRawRange.index,
y=state.dfRawRange[fltPlot],
name=fltPlot))
else:
st.write(
"Análise de decomposição da série temporal (tendência, sazonalidade e ruído)")
periodDecompose = st.number_input(
"Informe o período de amostragem da série temporal",
min_value=2,
max_value=360,
value=2,
step=1,
format="%i",
key="periodDecompose")
serieDecompose = seasonal_decompose(
state.dfRawRange[fltPlot], model='additive', period=periodDecompose)
figDecompose = make_subplots(
rows=4, cols=1, shared_xaxes=True)
figDecompose.add_trace(go.Scatter(x=state.dfRawRange.index,
y=state.dfRawRange[fltPlot],
name=fltPlot),
row=1, col=1)
figDecompose.add_trace(go.Scatter(x=state.dfRawRange.index,
y=serieDecompose.trend,
name="Tendência"),
row=2, col=1)
figDecompose.add_trace(go.Scatter(x=state.dfRawRange.index,
y=serieDecompose.seasonal,
name="Sazonalidade"),
row=3, col=1)
figDecompose.add_trace(go.Scatter(x=state.dfRawRange.index,
y=serieDecompose.resid,
name="Resíduos"),
row=4, col=1)
figDecompose.update_layout(
xaxis2_rangeslider_visible=False,
xaxis2_rangeslider_thickness=0.1)
figDecompose.update_layout(
xaxis=dict(
rangeselector=dict(
buttons=list([
dict(count=30,
label="30min",
step="minute",
stepmode="backward"),
dict(count=1,
label="1h",
step="hour",
stepmode="backward"),
dict(count=1,
label="1d",
step="day",
stepmode="backward"),
dict(count=7,
label="1w",
step="day",
stepmode="backward"),
dict(count=1,
label="1m",
step="month",
stepmode="backward"),
dict(step="all")
])
)
)
)
st.plotly_chart(figDecompose)
st.info(
"Para cada gráfico de tendência, sazonalidade e ruído, se ocorrerem valores maiores que zero,\
significa que a série pode ter algum desses fatores e, nesse caso,\
deve-se avaliar mais a fundo técnicas para compensar tais fatores.",
)
st.write("Histograma e Boxplot")
figHist = px.histogram(
state.dfRawRange, x=fltPlot, marginal="box")
st.plotly_chart(figHist)