Au lieu d'un épilogue
Cette histoire s'est produite il y a assez longtemps, mais certains détails ne sont devenus clairs que maintenant, c'est pourquoi le moment est venu de la raconter.
Nous ne nous attarderons pas sur la description des types de réalités parallèles, cela a été fait depuis longtemps et avec succès par de nombreux écrivains, fans d'histoire alternative, futuristes et simplement fans de telles choses. Allons droit au but.
, . ., «» . , . . : « :
1) 1000 ;
2) .1 , .
« » , . , .
. : « » . . , .. notebook c Anaconda. , ython , .
, 1000 . , , , 1 . : « » « ».
:
#
# Pivot :
Cnt_arr = pd.DataFrame()
Cnt_arr = F_Lst_FULL_df.pivot_table('DT_evnt', index='Date_event',dropna = False,fill_value=0, columns='Type',aggfunc='count')
#
sns.set() # seaborn styles
Cnt_arr.plot()
plt.xlabel(' ')
plt.ylabel(' ')
. , . . , — =1, , =2 .
« . » — , « , , – ?».
5 :
#
sns.set_style("white")
gridobj = sns.lmplot(x='Date_event', y='DT_evnt', hue='Type', data=Cnt_arr, height=7, aspect=1.6,
robust=True, palette='tab10', scatter_kws=dict(s=60, linewidths=.7, edgecolors='black'))
# !
# : 0-100!
# X (min, max)
Xmin=Cnt_arr['Date_event'].min()-1
Xmax=Cnt_arr['Date_event'].max()+1
# Y (min, max)
Ymin=Cnt_arr['DT_evnt'].min()-1
Ymax=Cnt_arr['DT_evnt'].max()+1
#
gridobj.set(xlim=(Xmin, Xmax), ylim=(Ymin, Ymax))
plt.title(" ",
fontsize=20)
plt.show()
« . !» — , . : « ? , ?».
(, , ), : « , : 1) , ; 2) , .. .»
, , : « . »:
#
# ( )
F_Lst_FULL_df['Date_event'] = F_Lst_FULL_df['DT_evnt']-F_Lst_FULL_df['DT_evnt']%1
# 0 1-
F_Lst_FULL_df['Date_event'] = F_Lst_FULL_df['Date_event'].replace(0.0, 1.0)
# 0 1
F_Lst_FULL_df['PartOfDay'] = F_Lst_FULL_df['DT_evnt']%1
#
F_Lst_FULL_df['NWeek'] = F_Lst_FULL_df['Date_event']//7%7+1
# 1-
F_Lst_FULL_df['D_Week'] = 1 + (F_Lst_FULL_df['Date_event']+6)%7
«» . «» « », :
#
# :
# () - , ,
# - pivot
vis_date = F_Lst_FULL_df.pivot_table('DT_evnt', index=['D_Week','PartOfDay'],
dropna = False,fill_value=0, aggfunc='count').reset_index()
Angle_dim = vis_date['D_Week'] #
Radius_dim = vis_date['PartOfDay'] # (0-1) 24
#
#
theta = 2 * np.pi * Angle_dim/7 # Pi (3.14159265...)
#
area = vis_date['DT_evnt'] #
colors = theta # (1-,2-,3-...7-)
fig = plt.figure()
# , :
# : , 111 - , ( ) Figure.
ax = fig.add_subplot(111, projection='polar')
# , ( )
# , !
xtks = pd.DataFrame()
xtks['val']=(2 * np.pi * Angle_dim/7).unique() #
xtks['mrk']=['','','','','','',''] #
plt.xticks(xtks['val'].tolist(),xtks['mrk'].tolist())
c = ax.scatter(theta, Radius_dim, c=colors, s=area, cmap='hsv', alpha=0.75)
« – , » — , . « . ?» — , . « » — .
, :
# ( 0-1)
d = preprocessing.normalize(F_Lst_FULL_df,axis=0)
scaled_df = pd.DataFrame(d,columns = ['DT_evnt', 'Type', 'Date_event', 'PartOfDay','NWeek','D_Week'])
del d
(k-Menas)
: «N_Clstr .
N_Clstr=2 (/);
N_Clstr=7 ;
N_Clstr=31 ;
N_Clstr=14 .»
#
N_Clstr=14
model = KMeans(n_clusters=N_Clstr)
#
model.fit(scaled_df)
#
all_predictions = model.predict(scaled_df)
( )
«», . . « TSNE 2D.
#
model = TSNE()
#
transformed = model.fit_transform(scaled_df)
#
x_axis = transformed[:, 0]
y_axis = transformed[:, 1]
, ,
plt.title('K-Means - : '+str(N_Clstr)+'. ')
plt.scatter(x_axis, y_axis, c=scaled_df['Type'])
plt.show()
# :
# D_Week
# PartOfDay
# Date_event
# NWeek
, , : «, , , , ( ), - ( ( ).
:
1) ,
2) .
, «» . , !».
Vibegallo était très content, souriant largement, il a demandé: "Le rapport a-t-il déjà été publié?" "Bien sûr, toutes ces données sont ici." Alexander sortit un dossier du tiroir du haut.
"Vous êtes bien fait! Je vous marquerai certainement en résumant les résultats de l'année! " - a dit Vibegallo et s'est résolument rendu au secrétariat de la Troïka.