def predict_frio_2_cop():
cop_model = cop.COP()
diccionario = []
for i in range(0, 10):
df = dataFrio2_cop.iloc[i]
# get data to be predicted
X = [[
float(df['POTENCIA GRUPO FRÍO 2']),
float(df['POTENCIA TERMICA GRUPO FRIO 2']),
float(df['TEMPERATURA EXTERIOR'])
]]
prediction_ = cop_model.predict_grupo_frio_2(X)
prediction = float(prediction_[0])
valorReal = float(df['C_O_P MÁQUINA GRUPO FRÍO 2'])
# COP malo --> diagnostico (clustering)
kmeans_prediction = ' '
if (((valorReal <= 3.5) or (valorReal >= 4.5)) and
((prediction <= 3.5) or (prediction >= 4.5))
or (valorReal <= prediction - 0.5)
or (valorReal >= prediction + 0.5)):
kmeans_ = clustering.KMeans_()
kmeans_prediction = kmeans_.predict_frio_2_cop(X)
# Diccionario con todas las variables de un registro que se va retornar
df.loc['C_O_P MÁQUINA GRUPO FRÍO 2 PREDICHO'] = prediction
df.loc['Diagnostico'] = kmeans_prediction
df2 = df.drop(labels=['Diagnostico', 'Fecha- hora de lectura'])
df2 = df2.apply(lambda x: round(float(x), 3))
dfAux = df[['Diagnostico', 'Fecha- hora de lectura']]
dfR = pd.concat([df2, dfAux], axis=0, sort=False)
registro_dict = dfR.to_dict()
diccionario.append(registro_dict)
dataFrio2_cop.drop(range(0, 10), inplace=True)
dataFrio2_cop.reset_index(drop=True, inplace=True)
return jsonify(diccionario)
def train_felipe_cop():
cop_model = cop.COP()
cop_model.fit_felipe()
return jsonify('Entrenado exitosamente')
def train_frio_2_cop():
cop_model = cop.COP()
cop_model.fit_grupo_frio_2()
return jsonify('Entrenado exitosamente')
def train_carlos_cop():
cop_model = cop.COP()
cop_model.fit_carlos()
return jsonify('Entrenado exitosamente')