def EntrenarDemanda(BD, cantidad_particion, frecuencia, cp, cco, fecha):
f = "where cod_centro_operativo=" + str(cco) + " and cod_producto=" + str(
cp) + " group by cod_centro_operativo,cod_producto"
sql_pedidos = "SELECT cod_centro_operativo,cod_producto FROM pedidos " + f + ""
conn = my_conexion.getConnection(BD)
Pedidos = pd.read_sql(sql_pedidos, conn)
Resultado = pd.DataFrame()
Resultado["cod_producto"] = range(0, len(Pedidos))
Resultado["cod_centro_operativo"] = range(0, len(Pedidos))
Resultado["cantidad_de_datos"] = range(0, len(Pedidos))
df = pd.DataFrame(columns=('centro_operativo', 'producto',
'cantidad_datos', 'mae_auto', 'mae_holt',
'mae_promedio'))
for i in range(len(Pedidos)):
cco = Pedidos['cod_centro_operativo'][i]
cp = Pedidos['cod_producto'][i]
VerficarDemanda(int(cco), int(cp), int(cantidad_particion), df,
frecuencia, conn, fecha, BD)
if (df['mae_auto'].values == 9999999999):
if (df['mae_holt'].values == 9999999999):
if (df['mae_promedio'].values == 9999999999):
return "error"
return df
def PredecirDemoraProveedor(BD,Cod_Producto,Cod_Centro_Operativo,fecha):
try:
dir_path = os.path.dirname(os.path.realpath("__file__"))
nuevaruta = dir_path +'/ModelosEntrenados/' + BD + "/"
filename = nuevaruta +'DemoraProveedor.pkl'
loaded_model = pickle.load(open(filename,'rb'))
conn = my_conexion.getConnection(BD)
sql = "SELECT compra_precio_unitario,lead_time_teorico_compra FROM compras where cod_producto="+str(Cod_Producto)+" and cod_centro_operativo="+str(Cod_Centro_Operativo)+" order by fecha_orden_compra DESC Limit 1"
datos=pd.read_sql(sql,conn)
if len(datos) == 0:
return 'Error Sin datos'
compra_precio_unitario=str(datos['compra_precio_unitario'][0])
lead_time_teorico_compra=str(datos['lead_time_teorico_compra'][0])
fecha = datetime.strptime(fecha, "%Y-%m-%d")
mes=fecha.month
dia=fecha.day
ano=fecha.year
columnsTitles=[
'cod_producto',
'cod_centro_operativo',
'compra_precio_unitario',
'lead_time_teorico_compra',
'dia_orden_compra',
'mes_orden_compra',
'ano_orden_compra',
]
imput = pd.DataFrame(columns=columnsTitles)
imput.loc[len(imput)]=[Cod_Producto,Cod_Centro_Operativo,compra_precio_unitario,lead_time_teorico_compra,dia,mes,ano]
result = loaded_model.predict(imput.values)
metricas=pd.read_csv(nuevaruta+'metricas_LeadTime.csv')
if(metricas['MapePrediccion'][0]<metricas['MapeTeorico'][0]):
lista = [
["Prediccion",result[0]],
["Teorico",lead_time_teorico_compra],
["MapePrediccion",metricas['MapePrediccion'][0]],
["MapeLeadTime",metricas['MapeTeorico'][0]]
]
else:
lista = [
["Teorico",lead_time_teorico_compra],
["Prediccion",result[0]],
["MapePrediccion",metricas['MapePrediccion'][0]],
["MapeLeadTime",metricas['MapeTeorico'][0]]
]
return lista
except Exception as e:
print(str(e))
def forecastProm(cp, ccp, c, BD, fecha):
conn = my_conexion.getConnection(BD)
f = "where cod_centro_operativo=" + str(ccp) + " and cod_producto=" + str(
cp
) + " AND fecha_pedido BETWEEN date_add('" + fecha + "', INTERVAL -15 DAY) AND '" + fecha + "'"
sql = "select round(avg(pedido_cantidad)) as pedido_cantidad from pedidos " + f + ""
promedio = pd.read_sql(sql, conn)
forecast = pd.DataFrame()
forecast["c"] = range(0, c)
forecast["forecast"] = range(0, c)
if (promedio['pedido_cantidad'].values[0] == None):
forecast["forecast"] = 0
else:
forecast["forecast"] = promedio['pedido_cantidad'].values[0]
return (forecast["forecast"].values)
def PredecirDemanda(BD, Cod_Producto, Cod_Centro_Operativo,
cantidad_a_predecir, fecha):
dir_path = os.path.dirname(os.path.abspath("__file__"))
nuevaruta = dir_path + '/ModelosEntrenados/' + BD + "/demanda/"
try:
metricas = pd.read_csv(nuevaruta + 'metricas_Demanda_' +
str(Cod_Producto) + '_' +
str(Cod_Centro_Operativo) + '.csv')
except Exception as e:
return "Error: " + str(e)
op = np.argmin(metricas.iloc[:, 3:6].values)
if (metricas.iloc[:, 3:6].values[0][2] == 9999999999):
conn = my_conexion.getConnection(BD)
f = "where cod_centro_operativo=" + str(
Cod_Centro_Operativo) + " and cod_producto=" + str(
Cod_Producto) + ""
sql = "select round(avg(pedido_cantidad)) as pedido_cantidad from pedidos " + f + ""
promedio = pd.read_sql(sql, conn)
datos = pd.DataFrame()
datos["valor"] = range(0, cantidad_a_predecir)
datos["valor"] = round(promedio['pedido_cantidad'].values[0])
prediccion = datos["valor"].values
else:
if (op == 0):
prediccion = forecastAuto(Cod_Producto, Cod_Centro_Operativo,
cantidad_a_predecir, BD)
if (op == 1):
prediccion = forecastHol(Cod_Producto, Cod_Centro_Operativo,
cantidad_a_predecir, BD)
if (op == 2):
prediccion = forecastProm(Cod_Producto, Cod_Centro_Operativo,
cantidad_a_predecir, BD, fecha)
return prediccion
def EntrenarDemoraProveedor(BD):
dir_path = os.path.dirname(os.path.abspath("__file__"))
nuevaruta = dir_path +'/ModelosEntrenados/' + BD + "/"
if not os.path.exists(nuevaruta):
os.makedirs(nuevaruta)
conn = my_conexion.getConnection(BD)
f="where lead_time_real_max_compra<>0 and lead_time_real_max_compra<100 and recepcion_max_fecha_real <>'1/01/1900'"
sql_compras = "SELECT * FROM compras "+f+""
Compras=pd.read_sql(sql_compras,conn)
if len(Compras) == 0:
return 'Error Sin datos'
Compras['fecha_orden_compra'] = pd.to_datetime(Compras['fecha_orden_compra'])
Compras['dia_orden_compra']=Compras['fecha_orden_compra'].map(lambda x: x.strftime('%d'))
Compras['mes_orden_compra']=Compras['fecha_orden_compra'].map(lambda x: x.strftime('%m'))
Compras['ano_orden_compra']=Compras['fecha_orden_compra'].map(lambda x: x.strftime('%Y'))
columnsTitles=[
'cod_producto',
'cod_centro_operativo',
'compra_precio_unitario',
'lead_time_teorico_compra',
'dia_orden_compra',
'mes_orden_compra',
'ano_orden_compra',
'lead_time_real_max_compra']
Compras=Compras.reindex(columns=columnsTitles)
train, test = train_test_split(Compras, test_size = 0.2)
colsnames = Compras.columns.values.tolist()
predictors = colsnames[0:len(colsnames)-1]
target = colsnames[len(colsnames)-1]
X = Compras[predictors]
y = Compras[target]
X_train = train[predictors]
y_train = train[target]
X_test = test[predictors]
y_test = test[target]
msg=''
try:
forest_metricas = RandomForestRegressor(criterion='mse',n_estimators=200,oob_score=True)
forest_metricas.fit(X_train,y_train).score(X_test,y_test)
forest_produccion = RandomForestRegressor(criterion='mse',n_estimators=200,oob_score=True)
forest_produccion.fit(X,y)
ltc=X_test['lead_time_teorico_compra'].values
y_pred = forest_metricas.predict(X_test)
p,t=testeo(y_test,y_pred,ltc)
p=round(p,3)*100
t=round(t,3)*100
filename = nuevaruta +'DemoraProveedor.pkl'
metricas = {
'MapePrediccion': [p],
'MapeTeorico': [t]
}
df = pd.DataFrame(metricas, columns= ['MapePrediccion','MapeTeorico'])
df.to_csv(nuevaruta+'metricas_LeadTime.csv', index = False, header=True)
pickle.dump(forest_produccion,open(filename,'wb'))
msg=filename
except:
msg='Error'
return msg