def tratamentoDados(data, escolha):
# Trata o nome das colunas para trabalhar melhor com os dados
data.columns = [c.lower().replace(' ', '_') for c in data.columns]
data.columns = [
tratar_texto.removerCaracteresEspeciais(c) for c in data.columns
]
data.columns = [tratar_texto.tratarnomecolunas(c) for c in data.columns]
data = filtro(data.copy())
# Deleta colunas que atraves de analise foram identificadas como nao uteis
data = data.drop([
'exercicio_do_orcamento_ano', 'classificacao_orcamentaria_descricao',
'natureza_despesa_nome', 'valor_estorno_anulacao_empenho',
'valor_anulacao_cancelamento_empenho', 'fonte_recurso_cod',
'elemento_despesa', 'grupo_despesa', 'empenho_sequencial_empenho'
],
axis='columns')
# Funcao que separa o rotulo do dataset e retorna as linhas com as naturezas de despesa que so aparecem em 1 empenho
label, linhas_label_unica = tratar_label.tratarLabel(data)
label = pd.DataFrame(label)
# Excluindo as naturezas de despesas que so tem 1 empenho do dataset
data = data.drop(linhas_label_unica, axis=0)
data.reset_index(drop=True, inplace=True)
del linhas_label_unica
if (escolha == "dropar"):
return data["analise"]
if (escolha == "tfidf"):
# Funcao que limpa o texto retira stopwords acentos pontuacao etc.
textoTratado = tratar_texto.cleanTextData(data["empenho_historico"])
# Função que gera o TF-IDF do texto tratado
tfidf = tratar_texto.calculaTFIDF(textoTratado)
del textoTratado
pickles.criarPickle(tfidf, 'tfidf')
return 0
# Tratamento dos dados
data = tratamento_especifico(data.copy())
# Normalizando colunas numéricas
min_max_scaler = preprocessing.MinMaxScaler()
colunas = data.columns
for col in colunas:
if (data[col].dtype != "O"):
min_max_scaler.fit(data[col].values.reshape(-1, 1))
with open(
'pickles/modelos_tratamentos/' + "normalization_" + col +
'.pk', 'wb') as fin:
pickle.dump(min_max_scaler, fin)
data[col] = pd.DataFrame(
min_max_scaler.transform(data[col].values.reshape(-1, 1)))
# Excluindo as colunas que ja foram tratadas
data = data.drop(['empenho_historico', 'natureza_despesa_cod'],
axis='columns')
if (escolha == "OHE"):
# Aplicando a estrategia One Hot Encoding
data = one_hot_encoding.oneHotEncoding(data)
#data = pd.concat([data,tfidf_beneficiario],axis = 1)
pickles.criarPickle(data, 'data')
pickles.criarPickle(label, 'label')
else:
return None
def tratarDados(data, opcao):
# Trata o nome das colunas para trabalhar melhor com os dados
data.columns = [c.lower().replace(' ', '_') for c in data.columns]
data.columns = [tratar_texto.removerCaracteresEspeciais(c)for c in data.columns]
data.columns = [tratar_texto.tratarnomecolunas(c)for c in data.columns]
identificador_empenho = pd.DataFrame(data['empenho_sequencial_empenho'])
pickles.criarPickle(identificador_empenho,"modelos_tratamentos/identificador_empenho")
# Deleta colunas que atraves de analise foram identificadas como nao uteis
data = data.drop(['exercicio_do_orcamento_ano','classificacao_orcamentaria_descricao',
'natureza_despesa_nome',
'valor_estorno_anulacao_empenho','valor_anulacao_cancelamento_empenho',
'fonte_recurso_cod','elemento_despesa','grupo_despesa',
'empenho_sequencial_empenho'], axis='columns')
# rotulo
label = data['natureza_despesa_cod']
label = pd.DataFrame(label)
data = data.drop('natureza_despesa_cod',axis = 1)
# tfidf
textoTratado = tratar_texto.cleanTextData(data["empenho_historico"])
# Função que gera o TF-IDF do texto tratado
with open('pickles/modelos_tratamentos/tfidf_modelo'+'.pk', 'rb') as pickle_file:
tfidf_modelo = pickle.load(pickle_file)
tfidf = pd.DataFrame.sparse.from_spmatrix(tfidf_modelo.transform(textoTratado))
del textoTratado
data = data.drop('empenho_historico',axis = 1)
# Tratamento dos dados
data = tratamento_especifico(data.copy())
# Normalizando colunas numéricas
colunas = data.columns
for col in colunas:
if(data[col].dtype != "O"):
with open('pickles/modelos_tratamentos/'+"normalization_"+col+'.pk', 'rb') as pickle_file:
min_max_scaler = pickle.load(pickle_file)
data[col] = pd.DataFrame(min_max_scaler.transform(data[col].values.reshape(-1,1)))
# OHE
data = one_hot_encoding.aplyOHE(data)
if(opcao == "OHE"):
return data, label
elif(opcao == "tfidf"):
return tfidf, label
else:
aux = sparse.hstack((csr_matrix(data),csr_matrix(tfidf) ))
data = pd.DataFrame.sparse.from_spmatrix(aux)
return data, label
def tratarDados(data, opcao = "visao dupla"):
# Trata o nome das colunas para trabalhar melhor com os dados
data.columns = [c.lower().replace(' ', '_') for c in data.columns]
data.columns = [tratar_texto.removerCaracteresEspeciais(c)for c in data.columns]
data.columns = [tratar_texto.tratarnomecolunas(c)for c in data.columns]
identificador_empenho = pd.DataFrame(data['empenho_sequencial_empenho'])
pickles.criarPickle(identificador_empenho,"modelos_tratamentos/identificador_empenho")
# Deleta colunas que atraves de analise foram identificadas como nao uteis
data = data.drop(['exercicio_do_orcamento_ano','classificacao_orcamentaria_descricao',
'natureza_despesa_nome',
'valor_estorno_anulacao_empenho','valor_anulacao_cancelamento_empenho',
'fonte_recurso_cod','elemento_despesa','grupo_despesa',
'empenho_sequencial_empenho'], axis='columns')
# rotulo
label = data['natureza_despesa_cod']
label = pd.DataFrame(label)
if(opcao == "Modelo 2"):
opcao = "OHE"
else:
data = data.drop('natureza_despesa_cod',axis = 1)
# tfidf
textoTratado = tratar_texto.cleanTextData(data["empenho_historico"])
# Função que gera o TF-IDF do texto tratado
with open('pickles/modelos_tratamentos/tfidf_modelo'+'.pk', 'rb') as pickle_file:
tfidf_modelo = pickle.load(pickle_file)
tfidf = pd.DataFrame.sparse.from_spmatrix(tfidf_modelo.transform(textoTratado))
del textoTratado
data = data.drop('empenho_historico',axis = 1)
# Tratamento dos dados
data = tratamento_especifico(data.copy())
# Tratando o beneficiario nome
nome = [""]*data.shape[0]
for i in range(data.shape[0]):
if(data['pessoa_juridica'].iloc[i]):
nome[i] = data["beneficiario_nome"].iloc[i]
else:
nome[i] = "pessoafisica"
data["beneficiario_nome"] = nome
# Tratando o campo beneficiario nome como texto livre e fazendo TFIDF
texto_beneficiario = tratar_texto.cleanTextData(data["beneficiario_nome"])
with open('pickles/modelos_tratamentos/tfidf_beneficiario'+'.pk', 'rb') as pickle_file:
tfidf_beneficiario = pickle.load(pickle_file)
data_cv = tfidf_beneficiario.transform(texto_beneficiario)
tfidf_beneficiario = pd.DataFrame.sparse.from_spmatrix(data_cv, columns = tfidf_beneficiario.get_feature_names())
data = data.drop("beneficiario_nome", axis='columns')
pickles.criarPickle(tfidf_beneficiario,"dados_tfidf_beneficiario")
# Normalizando colunas numéricas
colunas = data.columns
for col in colunas:
if(data[col].dtype != "O"):
with open('pickles/modelos_tratamentos/'+"normalization_"+col+'.pk', 'rb') as pickle_file:
min_max_scaler = pickle.load(pickle_file)
data[col] = pd.DataFrame(min_max_scaler.transform(data[col].values.reshape(-1,1)))
# OHE
if(opcao == "OHE"):
data = one_hot_encoding.aplyOHE(data)
tfidf_beneficiario = pickles.carregarPickle("dados_tfidf_beneficiario")
data = pd.concat([data, tfidf_beneficiario], axis = 1)
return data, label
elif(opcao == "tfidf"):
return tfidf, label
else:
data = one_hot_encoding.aplyOHE(data)
tfidf_beneficiario = pickles.carregarPickle("dados_tfidf_beneficiario")
data = pd.concat([data, tfidf_beneficiario], axis = 1)
data = sparse.hstack((csr_matrix(data),csr_matrix(tfidf) ))
data = pd.DataFrame.sparse.from_spmatrix(data)
return data, label
from sklearn.metrics import f1_score
from modelos import supportVectorMachine
from preparacaoDados import tratamentoDados
from sklearn.neighbors import KNeighborsClassifier
from tratarDados import refinamento_hiperparametros
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import train_test_split
#sys.argv = ["stacking.py","treino"]
data = pd.read_csv("dadosTCE.csv",low_memory = False)[:500]
data.drop("Empenho (Sequencial Empenho)(EOF).1", axis = 1, inplace = True)
colunas = data.columns
data.columns = [c.lower().replace(' ', '_') for c in data.columns]
data.columns = [tratar_texto.removerCaracteresEspeciais(c)for c in data.columns]
data.columns = [tratar_texto.tratarnomecolunas(c)for c in data.columns]
data = filtro(data.copy())
data.columns = colunas
label = data["Natureza Despesa (Cod)(EOF)"]
# Retirando naturezas com numero de empenhos menor ou igual a x
label, index_label_x_empenhos = tratar_label.label_elemento(label, 6)
data.drop(index_label_x_empenhos,inplace = True, axis = 0)
data.reset_index(drop = True, inplace = True)
del index_label_x_empenhos
if(sys.argv[1]=="treino"):
# Separando 40% dos dados para selecao de hiperparametros
data, data_teste, label, label_teste = train_test_split(data, label, test_size = 0.6,stratify = label, random_state = 10)
del data_teste, label_teste
# Resetando os indexes dos dados
data.reset_index(drop = True, inplace = True)
label.reset_index(drop = True, inplace = True)