initial

MDA/project/main.py

@@ -0,0 +1,63 @@
+import matplotlib.pyplot as plt
+import pandas as pd
+import numpy as np
+from sklearn.preprocessing import StandardScaler, MinMaxScaler
+from statsmodels.tsa.holtwinters import ExponentialSmoothing
+from IPython.display import display
+
+# Определим функцию сглаживания временного ряда, она понадобится позже
+def smooth_time_series(ts):
+    ## 1. Метод скользящего окна
+    ## Параметр window задает ширину окна усреднения значений
+    #return ts.rolling(window=5).mean()
+
+    ## 2. Метод экспоненциального сглаживания (метод Хольта-Уинтерса)
+    ## варианты для параметра trend: "add", "mul", "additive", "multiplicative", None
+    ## варианты для параметра seasonal: "add", "mul", "additive", "multiplicative", None
+    ## seasonal_periods задает для модели предполагаемый интервал сезонности,
+    ## когда ВР будет иметь похожие уровни и тенденции
+
+    model = ExponentialSmoothing(ts, trend="additive", seasonal="additive", seasonal_periods=5)
+    return model.fit().fittedvalues
+
+## Для чтения из файла необходимо взять временные ряды из предложенных наборов
+## и сохранить в csv файл как показано в примере, сформировав датасет
+dataset = pd.read_csv("ts2.csv", delimiter=";")
+
+## после того как файл был прочтен, можно вывести содержимое временных рядов в консоль
+print(dataset)
+
+## для выполнения первой части задания необходимо подобрать метод
+## и параметры сглаживания временного ряда
+## для этого выше реализован пример функции
+sds = dataset.apply(smooth_time_series)
+
+plt.plot(sds, label='Сглаженный временной ряд')
+plt.plot(dataset, label='Исходный временной ряд')
+plt.show()
+
+df = pd.DataFrame(MinMaxScaler().fit_transform(sds), columns=sds.columns)
+print(df)
+
+# расчет степени корреляции между сглаженными временными рядами
+matrix = df.corr()
+print(matrix)
+
+# для примера сравним корреляцию для несглаженных временных рядов
+matrix2 = dataset.corr()
+print(matrix2)
+
+# визуализация матрицы корреляции
+plt.imshow(matrix, cmap='Blues')
+# добавление цветовой шкалы
+plt.colorbar()
+
+# для диаграммы понадобятся имена временных рядов
+variables = []
+for i in matrix.columns:
+    variables.append(i)
+
+# Метки добавляются на диаграммы
+plt.xticks(range(len(matrix)), variables, rotation=45, ha='right')
+plt.yticks(range(len(matrix)), variables)
+plt.show()

MDA/project/ts.csv

@@ -0,0 +1,17 @@
+Features count by week;Testing time by week
+3;2.5
+5;2.833333333
+6;2.966666667
+9;3.066666667
+16;4.383333333
+16;6.466666667
+16;5.416666667
+25;5.433333333
+29;5.583333333
+42;5.683333333
+42;5.15
+50;5.633333333
+54;6.033333333
+58;12.86666667
+59;6.783333333
+60;4.1

MDA/project/ts2.csv

@@ -0,0 +1,17 @@
+first;second;third
+3;2.5;1
+2;2.833333333;2
+3;2.966666667;3
+3;3.066666667;4
+4;4.383333333;5
+6;6.466666667;6
+5;5.416666667;7
+5;5.433333333;8
+5;5.583333333;9
+5;5.683333333;10
+5;5.15;11
+5;5.633333333;12
+6;6.033333333;13
+12;12.86666667;14
+6;6.78333333;15
+6;6.5;16