#Desviación estándar de la fila
recep_t.iloc[position_1, 7] = desvest_const
recep_t.iloc[position_1, 8] = comparacion['T2'].std() # desvaición estándar del modelo
#recep_t.iloc[position_1, 9]= comparacion['tmp_2m'].std() # Desviación estándard del empalme sin discriminar el valor mínimo
#recep_t.to_csv('/media/edwin/6F71AD994355D30E/Edwin/Maestría Meteorologia/Tesis/Extraccion_dominios/tiempo_salida.csv')
#recep_t = pd.read_csv('/media/edwin/6F71AD994355D30E/Edwin/Maestría Meteorologia/Tesis/Extraccion_dominios/tiempo_salida.csv')
base_a = pd.DataFrame({'r2_esc':[np.NaN]})
base_a1 = pd.DataFrame({'rmse_esc':[np.NaN]})
base_a2 = pd.DataFrame({'std_1_esc':[np.NaN]})
for pp in recep_t.cod_1.unique():
base_b = pd.DataFrame({'r2_esc':regresion(mejor=recep_t[recep_t.cod_1 == pp].r2.max(),
peor=recep_t[recep_t.cod_1 == pp].r2.min(),
base=recep_t[recep_t.cod_1 == pp].r2)})
base_a = pd.concat([base_a, base_b])
base_b1 = pd.DataFrame({'rmse_esc':regresion(mejor=recep_t[recep_t.cod_1 == pp].rmse.min(),
peor=recep_t[recep_t.cod_1 == pp].rmse.max(),
base=recep_t[recep_t.cod_1 == pp].rmse)})
base_a1 = pd.concat([base_a1, base_b1])
base_b2 = pd.DataFrame({'std_1_esc':regresion(mejor=abs(recep_t[recep_t.cod_1 == pp].std_estandar -
recep_t[recep_t.cod_1 == pp].std_pura).min(),
peor=abs(recep_t[recep_t.cod_1 == pp].std_estandar -
recep_t[recep_t.cod_1 == pp].std_pura).max(),
base=abs(recep_t[recep_t.cod_1 == pp].std_estandar -
recep_t[recep_t.cod_1 == pp].std_pura))})
base_a2 = pd.concat([base_a2, base_b2])
recep_t.to_csv(
'/media/edwin/6F71AD994355D30E/Edwin/Maestría Meteorologia/Tesis/Extraccion_dominios/tiempo_salida.csv'
)
recep_t = pd.read_csv(
'/media/edwin/6F71AD994355D30E/Edwin/Maestría Meteorologia/Tesis/Extraccion_dominios/tiempo_salida.csv'
)
base_a = pd.DataFrame({'r2_esc': [np.NaN]})
base_a1 = pd.DataFrame({'rmse_esc': [np.NaN]})
base_a2 = pd.DataFrame({'std_1_esc': [np.NaN]})
for pp in recep_t.cod_1.unique():
base_b = pd.DataFrame({
'r2_esc':
regresion(mejor=recep_t[recep_t.cod_1 == pp].r2.max(),
peor=recep_t[recep_t.cod_1 == pp].r2.min(),
base=recep_t[recep_t.cod_1 == pp].r2)
})
base_a = pd.concat([base_a, base_b])
base_b1 = pd.DataFrame({
'rmse_esc':
regresion(mejor=recep_t[recep_t.cod_1 == pp].rmse.min(),
peor=recep_t[recep_t.cod_1 == pp].rmse.max(),
base=recep_t[recep_t.cod_1 == pp].rmse)
})
base_a1 = pd.concat([base_a1, base_b1])
base_b2 = pd.DataFrame({
'std_1_esc':
regresion(mejor=abs(recep_t[recep_t.cod_1 == pp].std_estandar -
'std_pura': std_pura,
'std_estandar': std_1,
'std_pura_2': std_pura
})
base_salida = pd.concat([base_salida, base_salida_1])
base_a = pd.DataFrame({'r2_esc': [np.NaN]})
base_a1 = pd.DataFrame({'rmse_esc': [np.NaN]})
base_a2 = pd.DataFrame({'std_1_esc': [np.NaN]})
############ADición de las otras columnas
for pp in base_salida.cod_1.unique():
base_b = pd.DataFrame({
'r2_esc':
regresion(mejor=base_salida[base_salida.cod_1 == pp].r2.max(),
peor=base_salida[base_salida.cod_1 == pp].r2.min(),
base=base_salida[base_salida.cod_1 == pp].r2)
})
base_a = pd.concat([base_a, base_b])
base_b1 = pd.DataFrame({
'rmse_esc':
regresion(mejor=base_salida[base_salida.cod_1 == pp].rmse.min(),
peor=base_salida[base_salida.cod_1 == pp].rmse.max(),
base=base_salida[base_salida.cod_1 == pp].rmse)
})
base_a1 = pd.concat([base_a1, base_b1])
base_b2 = pd.DataFrame({
'std_1_esc':
regresion(