def principal():
# I. carregamos a matriz de dados
# Filósofos:
#dados = n.loadtxt('notas_filosofos.txt')
# Compositores:
#dados = n.loadtxt('notas_filosofos.txt')
#covar, autovetores, autovalores, autovalores_prop, dados_finais = pca(dados)
# print '\n\nautovetores', autovetores.T
# print '\nMatriz de covariância:\n', n.around(covar, decimals=2)
# print '\nMatriz de correlação de Pearson:\n', n.around(pearson(dados), decimals=2)
# print '\nAutovalores:\n', n.around(autovalores_prop, decimals=2)
# print '\nVariância dos Autovalores:\n', n.around(n.var(autovalores_prop), decimals=2)
# print '\nSoma dos dois primeiros:\n', round(autovalores_prop[0] + autovalores_prop[1], ndigits=2)
# print '\nDados finais:\n', n.around(dados_finais, decimals=2)
#c1 = dados_finais[:,0]
#c2 = dados_finais[:,1]
#p.clf()
#p.plot(c1, c2)
#p.xlim((-4,4))
#p.ylim((-4,4))
#p.savefig('pca.eps')
# for i in xrange(dados.shape[1]):
# dados[:,i]=(dados[:,i]-dados[:,i].mean())/dados[:,i].std()
# T, P, E = pp.PCA_nipals(dados)
# princ = T[:,:2]
# p.plot(princ[:,0], princ[:,1], color="black")
# p.savefig('pca_outro.eps')
# # Aleatórios:
# #num_agentes = [10,15,20,25,30,35,40,45,50,100, 150, 200, 250, 300, 350, 400, 450, 500, 1000]
num_agentes = [100]
num_vars = 8
a = []
autovalores_todos = {}
for i in num_agentes:
autovalores_todos[i] = []
for j in xrange(1):
# aqui eu jogo os valores sampleados
#print '\n\ndados toscos\n\n', dados
#print '\n\ndados monte carlo\n\n', montecarlo(10)
#d = n.loadtxt('notas_filosofos.txt')
#dados = n.array([[r.uniform(1,9) for x in range(num_vars)] for y in range(i)])
# ########3
# dados = n.array(montecarlo2(i))
# print 'quantidade de aleatorios: ', len(dados)
# covar, autovetores, autovalores, autovalores_prop, dados_finais = pca(dados)
# print '\n*** Teste %s para %s agentes ***\n' % (j, i)
# print '\nMatriz de covariância:\n', n.around(covar, decimals=2)
# print '\nMatriz de correlação de Pearson:\n', n.around(pearson(dados), decimals=2)
# print '\nAutovalores:\n', n.around(autovalores_prop, decimals=2)
# print '\nVariância dos Autovalores:\n', n.around(n.var(autovalores_prop), decimals=2)
# print '\nSoma dos dois primeiros:\n', round(autovalores_prop[0] + autovalores_prop[1], ndigits=2)
# c1 = dados_finais[:,0]
# c2 = dados_finais[:,1]
# PCA ALEATORIOS
dados = n.array(montecarlo2(i))
for i in xrange(dados.shape[1]):
dados[:,
i] = (dados[:, i] - dados[:, i].mean()) / dados[:,
i].std()
T, P, E = pp.PCA_nipals(dados)
princ = T[:, :2]
p.plot(princ[:, 0], princ[:, 1], 'rx', label='Random values')
# PCA FILOSOFOS
dados_fi = n.loadtxt('notas_compositores.txt')
for i in xrange(dados_fi.shape[1]):
dados_fi[:,
i] = (dados_fi[:, i] -
dados_fi[:, i].mean()) / dados_fi[:, i].std()
T, P, E = pp.PCA_nipals(dados_fi)
princ = T[:, :2]
p.plot(princ[:, 0], princ[:, 1], 'bo', label='Original scores')
p.xlim((-4, 4))
p.ylim((-4, 4))
p.legend(loc='lower right')
p.savefig('pca_final.eps')
colunas = [[x[i] for x in nn] for i in range(8)]
correlacao = [
stats.pearsonr(n.array(col), n.array(coluna))[0] for col in colunas
for coluna in colunas
]
for i in range(8):
m.append(correlacao[i * 8:i * 8 + 8])
# pearson == m
print 'PEARSON'
for linha in m:
print[str(round(x, ndigits=2)) for x in linha]
# cálculo PCA
T, P, E = pca.PCA_nipals(nn)
princ = T[:, :2]
# cálculo dos autovalores %
print 'AUTOVALORES', E * 100
# contribuições
c1 = P[0]
c2 = P[1]
cc1 = c1 / sum(abs(c1)) * 100
cc2 = c2 / sum(abs(c2)) * 100
print 'CONTRIBUICOES'
print 'C1', [abs(x) for x in cc1]
print 'C2', [abs(x) for x in cc2]
# oposições/inovação
autovals = n.zeros((nperturb, 8)) # agora para 8d
princ_orig = princ_orig[:, :8]
princ = princ[:, :8]
for foobar in xrange(nperturb):
dist = n.random.randint(-2, 3, copia_dados.shape)
copia_dados += dist
for i in xrange(copia_dados.shape[1]):
copia_dados[:,
i] = (copia_dados[:, i] -
copia_dados[:, i].mean()) / copia_dados[:, i].std()
# fazemos pca para dados considerando esses pontos aleatórios entre -2 e 2
# FIXME: substituir depois pca_nipals
T, P, E = pca.PCA_nipals(copia_dados)
autovals[foobar] = E[:8]
princ = T[:, :8]
for i in xrange(ncomp):
for j in xrange(ncomp):
distancias[i, j, foobar] = n.sum((princ_orig[i] - princ[j])**2)**.5
stds = n.zeros((ncomp, ncomp))
means = n.zeros((ncomp, ncomp))
main_stds = []
main_means = []
print 'dados', copia_dados
for i in xrange(ncomp):
for j in xrange(ncomp):
stds[i, j] = distancias[i, j, :].std()
means[i, j] = distancias[i, j, :].mean()