def similarity(p1, p2):
'''
:param p1: dictionary with the data for a house
:param p2: dictionary with the data for a house
:returns: a float with the distance between the houses in the input.
NOTE: the bigger the number the less the similarity among p1 and p2
Example:
In [8]: similarity({"lat" : 123123.2, "lng" : 12321.2, "gross_size" : 123312},
{"lat" : 234323.2, "lng" : 2321.2, "gross_size" : 23423})
Out[8]: 149810.7216490195
'''
return terceroB_ML_banks.pos2dist(p1["lat"], p1["lng"], p2["lat"], p2["lng"])
def train(input_data, house_type="flat", house_subtype=""):
'''
:param input_data: Pandas data frame with the input data
:param house_type: string with the type of the houses corresponding to
this model, houses in input_data with other type will be discarded
:param house_subtype: currently not used, in the future will be used
like house_type
:returns a pair of dictionaries:
* the first one is a dictionary for the output model
* the second one is a dictionary for the error metrics
'''
original_size = len(input_data)
# Data load
# Drop houses which are not flats
# NOTE: originally the encoding flat = 1, house = 2, office = 3 was used
# that encoding was probably originated by an enumeration performed by numpy
input_data = input_data[input_data["type"] == house_type]
type_size = len(input_data)
if (len(house_subtype) > 0):
input_data = input_data[input_data["subType"] == house_subtype]
subtype_size = len(input_data)
T = len(input_data)
# latitud y longitud tienen que ser números decimales (ojo con el formato idealista)
lat = np.array(input_data["lat"], np.float)
lgt = np.array(input_data["lng"], np.float)
m2 = np.array(input_data["gross_size"], np.float)
price = np.array(input_data["price"], np.float)
rooms = np.array(input_data["rooms"], np.float)
planta= np.array(input_data["planta"],np.float)
dist=np.zeros((T,T))
for i in range(T):
dist[i][i]=float('Inf')
for j in range(i+1, T):
dist[i][j]=dist[j][i]=terceroB_ML_banks.pos2dist(lat[i],lgt[i],lat[j],lgt[j])
##ahora ordenamos la matriz por vecindades
n_vecinos=min(T-1, 6)
index_vecinos=dist.argsort(axis=1)[:,0:n_vecinos]
############################# SAMPLE ###########################
Tr=round(0.75*T) #Muestra de entrenamiento
priceTr=price[0:Tr]
priceTs=price[Tr+1:T]
# [JB] Only take into account the training samples for "planta"
Splanta=np.sum(planta[0:Tr])
############################ MEDIANAS ###########################
#obtengo la mediana de los seis vecinos
medianvec=np.median(price[index_vecinos], axis=1)
#genero las variables en desviaciones con sus medianas
desvm2=m2-np.median(m2[index_vecinos], axis=1)
desvroom=rooms-np.median(rooms[index_vecinos], axis=1)
if Splanta > 0:
desvplanta=planta-np.median(planta[index_vecinos], axis=1)
else:
desvplanta=0
###########################################################################
# Base models
###########################################################################
#genero la primera matriz de regresores donde utilizamos la mediana de los
#seis vecinos las variables hedonicas y sus interacciones
REG_1=np.column_stack((
medianvec,m2,rooms,
medianvec*m2,
medianvec*rooms,
m2*rooms))
# estimo los parámetros
param_1=np.transpose(sm.OLS(priceTr,REG_1[:Tr,:]).fit().params)
priceEstAll_1=np.dot(REG_1,param_1)
# compruebo la bondad de los modelos
errorpc_1=np.median(abs(priceTs-priceEstAll_1[Tr+1:T])/priceTs)
# initialize with Inf
errorpc_1p=float('Inf')
if Splanta > 0:
REG_1p=np.column_stack((
medianvec,m2,rooms,planta,
medianvec*m2,
medianvec*rooms,
medianvec*planta,
m2*rooms,
m2*planta,
rooms*planta))
# estimo los parámetros
param_1p=np.transpose(sm.OLS(priceTr,REG_1p[:Tr,:]).fit().params)
priceEstAll_1p=np.dot(REG_1p,param_1p)
# compruebo la bondad de los modelos
errorpc_1p=np.median(abs(priceTs-priceEstAll_1p[Tr+1:T])/priceTs)
###########################################################################
# Adjusted models
###########################################################################
# para los siguientes modelos, tengo que trabajar con los datos
desvm2plus=np.zeros((T))
desvm2min=np.zeros((T))
desvroomplus=np.zeros((T))
desvroommin=np.zeros((T))
if Splanta > 0:
desvplantaplus=np.zeros((T))
desvplantamin=np.zeros((T))
# genero las variables que miden asimetrias positivas frente a negativas
for i in range(T):
if desvm2[i]>0:
desvm2plus[i]=desvm2[i]
if desvm2[i]<0:
desvm2min[i]=desvm2[i]
if desvroom[i]>0:
desvroomplus[i]=desvroom[i]
if desvroom[i]<0:
desvroommin[i]=desvroom[i]
if (Splanta > 0 and desvplanta[i]>0):
desvplantaplus[i]=desvplanta[i]
if (Splanta > 0 and desvplanta[i]<0):
desvplantamin[i]=desvplanta[i]
####utilizo como regresores la previsión del modelo 1 y las desviaciones
REG_2=np.column_stack((
priceEstAll_1,
desvm2plus,desvm2min,
desvroomplus,desvroommin))
param_2=np.transpose(sm.OLS(priceTr,REG_2[:Tr,:]).fit().params)
priceEstTs_2=np.dot(REG_2[Tr+1:T,:],param_2)
# compruebo la bondad de los modelos
errorpc_2=np.median(abs(priceTs-priceEstTs_2)/priceTs)
# initialize with Inf
errorpc_2p=float('Inf')
if Splanta > 0:
REG_2p=np.column_stack((
priceEstAll_1p,
desvm2plus,desvm2min,
desvroomplus,desvroommin,
desvplantaplus,desvplantamin))
param_2p=np.transpose(sm.OLS(priceTr,REG_2p[:Tr,:]).fit().params)
priceTsEstTs_2p=np.dot(REG_2p[Tr+1:T,:],param_2p)
# compruebo la bondad de los modelos
errorpc_2p=np.median(abs(priceTs-priceTsEstTs_2p)/priceTs)
###########################################################################
# Build the return value, which is a pair of dictionaries:
###########################################################################
#ordeno los errores de menor a mayor
index_err=np.array([errorpc_1,errorpc_1p,errorpc_2,errorpc_2p]).argsort()
# the first one is a dictionary for the output model
if Splanta > 0:
model_dict = {"param_1" : param_1.tolist(), "param_1p": param_1p.tolist(),
"param_2" : param_2.tolist(), "param_2p": param_2p.tolist(),
"index_err": index_err.tolist()}
else:
model_dict = {"param_1" : param_1.tolist(), "param_1p": [],
"param_2" : param_2.tolist(), "param_2p": [],
"index_err": index_err.tolist()}
# the second one is a dictionary for the error metrics
metrics_dict = {"errorpc_1" : errorpc_1, "errorpc_1p" : errorpc_1p,
"errorpc_2" : errorpc_2, "errorpc_2p" : errorpc_2p,
"size" : original_size,
"type" : type_size, "subt" : subtype_size,
"train" : Tr, "test" : (T-Tr)}
return (model_dict, metrics_dict)
