-
Notifications
You must be signed in to change notification settings - Fork 0
/
Script.py
462 lines (341 loc) · 20.8 KB
/
Script.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
#!/usr/bin/env python
# coding: utf-8
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import uncertainties.unumpy as unp
import rpy2.robjects as robjects
import rpy2.robjects.packages as rpackages
from uncertainties import ufloat
from uncertainties.unumpy import (nominal_values as noms,
std_devs as stds)
from pandas_summary import DataFrameSummary
from sklearn_pandas import DataFrameMapper
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from rpy2.robjects import pandas2ri
from rpy2.robjects.packages import importr
pandas2ri.activate()
zBackgroundPath = 'Daten/background.csv'
zSignalPath = 'Daten/signal.csv'
zPreparedDataPath = 'Daten/data.csv'
zSelDataPath = 'Daten/selData.csv'
zTargetFeature = 'IsSignal'
#Schmeisst Features mit zu hohen unvollstaendigkeiten raus
def cleaningFeatures(pData, pRelMaxMissing=0.75):
vDataSummary = DataFrameSummary(pData) # Bestimme Feature Infos
vCleanedData = pData.copy()
vColumns = vDataSummary.columns_stats # Bestimme die Lister der Columns
for fea in vColumns:
vTemp = vDataSummary.columns_stats[fea] # Bekomme die Infos eines Features
#print(fea[0:5])
if fea == 'NewID' : # Prueft, ob ID
del vCleanedData[fea]
elif fea[0] == 'M' and fea[1] == 'C': # Schmeißt die MC Wahrheiten mit MC raus
del vCleanedData[fea]
elif fea[0] == 'I' and fea[1] == '3': # Schmeißt die MC Wahrheiten mit I3 raus
del vCleanedData[fea]
elif fea[0:6] == 'Weight': # Schmeißt die MC Wahrheiten mit Weight raus
del vCleanedData[fea]
elif fea[0:7] == 'Corsika': # Schmeißt die MC Wahrheiten mit Corsika raus
del vCleanedData[fea]
elif (vTemp[2]/(vTemp[0]+vTemp[2])) >= pRelMaxMissing: # Prueft ob ausreichend vollstaendig
del vCleanedData[fea]
elif vTemp[1] <= 1: # Prueft ob Konstante
del vCleanedData[fea]
return vCleanedData
# Ersaetzt unbrauchbare Werte (NaN, etc,) und transformiert nicht numerische Spalten in numerische um
# Woerterbuch wird nich angelegt, koennte ggf. noch.
def replaceValues(pData, pTransform=False):
vScaler = StandardScaler()
vDataSummary = DataFrameSummary(pData)
for col in pData.columns.values:
if vDataSummary.columns_stats[col][4] != 'numeric': # Ersetzt alle nicht numerischen Werte durcdh numerisch
vEleList = pData[col].value_counts().index.values # und fuellt falsche Eintraege (NaN, etc) mit 0
vReplacements = np.linspace(1, len(vEleList), len(vEleList))
pData[col] = pData[col].replace(to_replace=vEleList, value=vReplacements)
pData[col] = pData[col].fillna(0)
elif pData[col].dtype == 'int64': # Fuellt fuer Integer Spalten falsche Eintraege mit 0
pData[col] = pData[col].fillna(0)
#pData[col] = vScaler.fit_transform(pData[col])
else: # Fuellt kontinuierliche Eintraege mit dem durchschnitt.
pData[col] = pData[col].fillna(pData[col].mean())
#pData[col] = vScaler.fit_transform(pData[col])
return pData
# Bereitet die Features beider Datensaetze soweit vor und vereint sie beide.
# zu unvollständige Features werden raus geschmiessen, 'IsSignal' Feature wird hinzugefuegt, ungeteilte Features werden rausgeschmiessen.
def joinDataFrames(pData1, pData2):
vData1 = cleaningFeatures(pData1) # Schmeisst diejenigen Features raus, welche zu unvollstaendig sind
vData2 = cleaningFeatures(pData2)
vData1.insert(0, 'IsSignal', np.zeros(len(vData1.index))) # Fuegt 'IsSignal' Feature hin zu, um zu kennzeichnen,
vData2.insert(0, 'IsSignal', np.ones(len(vData2.index))) # ob die Daten Signal '1', oder Untergrund '0' sind-
vColumns1 = vData1.columns # Holt sich die Features aus den Daten
vColumns2 = vData2.axes[1]
vSelFeature = vColumns1.intersection(vColumns2) # Sucht alle Features die in beiden Datensaetzen drin sind
vData1 = vData1.filter(items=vSelFeature) # Selektiert die "einzigartigen" Features raus
vData2 = vData2.filter(items=vSelFeature)
vReturn = vData1.append(vData2) # Vereint beide Datensätze, Rows sind doppelt!!!
vReturn = replaceValues(vReturn) # Ersetze nicht numerische durch numerische Daten, und falsche Daten durch 0 oder Durchschnitt.
return vReturn
vBackgroundData = pd.read_csv(zBackgroundPath) # Laed Background und Signal Daten
vSignalData = pd.read_csv(zSignalPath)
vData = joinDataFrames(vBackgroundData, vSignalData) # Vereint diese nach Vorbereiten
print(vData)
vData.to_csv(zPreparedDataPath) # Speichert die Vorbereiteten Daten
def plotPhis(pPhis):
vX = range(1, len(pPhis)+1)
plt.plot(vX, noms(np.array(pPhis)), 'r-')
plt.errorbar(vX, noms(np.array(pPhis)), yerr=stds(np.array(pPhis)), color='k', fmt='x')
#plt.ylim(-0.05, 1.05)
plt.xlabel('Anzahl an Bestfeatures', {'size':'16'})
plt.ylabel('$\Phi$', {'size':'16'})
plt.title('$\Phi$-Scores')
plt.legend(loc='best', prop={'size':16})
plt.tight_layout()
plt.savefig('Bilder/PhiScores.pdf')
plt.show()
plt.clf()
def plotJaccard(pJaccard):
vX = range(1, len(pJaccard)+1)
plt.plot(vX, np.array(pJaccard), 'r-')
#plt.ylim(-0.05, 1.05)
plt.xlabel('Anzahl an Bestfeatures', {'size':'16'})
plt.ylabel('Jaccard-Index', {'size':'16'})
plt.title('Jaccard-Scores')
plt.legend(loc='best', prop={'size':16})
plt.tight_layout()
plt.savefig('Bilder/JScores.pdf')
plt.show()
plt.clf()
# Berechnet den Jaccard-Index zweier Mengen
def calJ(pQuantity1, pQuantity2):
vEq = 0
for i in range(0, len(pQuantity1)):
for u in range(0, len(pQuantity2)):
if pQuantity1[i] == pQuantity2[u]:
vEq += 1
return (vEq)/(len(pQuantity1)+len(pQuantity2)-vEq)
# Berechnet den Jaccard-Index der Selektierten Features
def calJaccardIndex(pSelectedFeatures):
vRet = 0
vL = len(pSelectedFeatures)
for i in range(0, vL):
for u in range(i+1, vL):
vRet += calJ(pSelectedFeatures[i], pSelectedFeatures[u])
return vRet*(2/(vL*(vL-1)))
# Berechnet das Phi fuer den MRMR, wobei pMutInfoArray, eine gepatterte mutualInformationMatrix zwischen den jeweiligen Featuren ist.
def calPhi(pMutInfoArray, pTarFeatID, pSelFeatID, pFeatLen):
vD, vR = 0, 0
for i in range(0, len(pSelFeatID)): # geht die Anzahl an BestFeature durch
vD += pMutInfoArray[((pTarFeatID-1)*pFeatLen)+(pSelFeatID[i]-1)] # Gibt die zwischen Information zum Target an
for u in range(0, len(pSelFeatID)): # Geht die zwischen Informationen mit den anderen BestFeatures durch
if i != u:
vR += pMutInfoArray[((pSelFeatID[i]-1)*pFeatLen)+(pSelFeatID[u]-1)]
if vR != 0: # Berechnet den Phi Score
vRet = (vD/len(pSelFeatID)) / (vR/(len(pSelFeatID)**2))
else:
vRet = (vD/len(pSelFeatID))
return vRet
# Berechnet mit dem MRMR algorythmus fuer R die Besten n Features, wobei aus n aus aus der bis zu pK maximalen Anzahl bestFeature gesucht wird.
def calMRMRe(pData, pTargetFeature, pK=50, pL=5):
vRet, vPhis, vJaccards = [], [], []
mRMRe=importr('mRMRe') # Import die mRMRe Biblieothek fuer R
mRMRe.set_thread_count(3) # Setzt die Anzahl an parallel Arbeitenden Kernen
vTarID = pData.columns.tolist().index(pTargetFeature)+1 # Bestimmt die TargetFeature ID fuer R-Zaehlung
vDataSets = splitData(pData, pL, 0.3, 0.0)
for i in range(1, pK+1):
vBestFeatSets = []
vTempPhis = []
for u in range(0, pL):
rData = pandas2ri.py2ri(vDataSets[u][0]) # Wandel die Daten von Panda in R um
rMRMReData = mRMRe.mRMR_data(rData) # Wandel die Daten in ein Format fuer mRMRe um
rMRMR_classic = mRMRe.mRMR_classic(data=rMRMReData, target_indices=vTarID, feature_count=i, continuous_estimator='spearman')
vBestFeatSets += [mRMRe.solutions(rMRMR_classic)[0]]
vTempPhis += [calPhi(mRMRe.mim(rMRMR_classic), vTarID, mRMRe.solutions(rMRMR_classic)[0], len(pData.columns))] # Phi Scores.
vTempPhis = np.array(vTempPhis)
vJaccards += [calJaccardIndex(vBestFeatSets)]
vPhis += [ufloat(np.mean(vTempPhis), np.std(vTempPhis))]
print(i)
vMaxJID = np.array(vJaccards)[2:].argmax()
vMaxPhiID = np.array(vPhis).argmax() # Bestimmt die Anzahl an BestFeatures mit den besten Score
rMRMR_classic = mRMRe.mRMR_classic(data=rMRMReData, target_indices=vTarID, feature_count=vMaxJID+3) # Bestimmt die BestFeatures fuer diese Anzahl neu
for i in range(0, len(mRMRe.solutions(rMRMR_classic)[0])): # Bestimmt aus den ID der BestFeatures
vRet += [pData.columns.tolist()[mRMRe.solutions(rMRMR_classic)[0][i]-1]] # die Features
return vRet, vPhis, vJaccards
vData = pd.read_csv(zPreparedDataPath) # Laed die vorbearbeiteten Daten ein
del vData[vData.columns[0]] # Entfernt die erste Zeile, da leider unfugszeile
vSelFeatures, vPhis, vJaccards = calMRMRe(vData, 'IsSignal', 40, 20)# Bestimmt mit MRMR die BestFeatures
vSelFeatures.insert(0, zTargetFeature) # Fuegt zu den BestFeature das TargetFeature hinzu
plotPhis(vPhis)
plotJaccard(vJaccards)
print(vSelFeatures)
vSelData = vData[vSelFeatures] # Holt sich die Daten fuer die Selektierten Features
vSelData.to_csv(zSelDataPath) # Speichert die nun selektierten Features ab.
# Splitte die Daten fuer eine Kreuzvalidierung in pK zufaellige gezogene Sets auf, mit je pTrain anteilen an Trainingsdaten und
# pTest Anteilen an Testdaten.
def splitData(pData, pK, pTrain=0.6, pTest=0.4):
vRet = []
for i in range(0, pK):
vRet += [train_test_split(pData, train_size=pTrain, test_size=pTest, random_state=(2407+(i*100)))]
return vRet
# Berechnet die Reinheit und Effizienz fuer eine Anwendung des NaivesBayes aus das Datenset
def calNavBay(pTrainData, pTestData, pTarTrainData, pTarTestData, pStepLength):
vNavBay = MultinomialNB() # Initialisiert den NaiveBayes
# Verschiebt die Werte dieses Features in den positiven Bereich, da der Lernen
vTrainMin = pTrainData[pTrainData.columns[0]].min() # nur mit positiven Werten funktioniert.
vTestMin = pTestData[pTestData.columns[0]].min() # Hierfuer wird der niedrigste Wert des Datenset dieses Features bestimmt
if vTrainMin > vTestMin: # Und dann um den Wert verschoben
pTrainData[pTrainData.columns[0]] = pTrainData[pTrainData.columns[0]] - vTestMin
pTestData[pTestData.columns[0]] = pTestData[pTestData.columns[0]] - vTestMin
else:
pTrainData[pTrainData.columns[0]] = pTrainData[pTrainData.columns[0]] - vTrainMin
pTestData[pTestData.columns[0]] = pTestData[pTestData.columns[0]] - vTrainMin
for i in range(0, len(pTrainData.columns)):
vTrainMin = pTrainData[pTrainData.columns[i]].min() # nur mit positiven Werten funktioniert.
vTestMin = pTestData[pTestData.columns[i]].min() # Hierfuer wird der niedrigste Wert des Datenset dieses Features bestimmt
if vTrainMin < 0 or vTestMin < 0:
if vTrainMin > vTestMin: # Und dann um den Wert verschoben
pTrainData[pTrainData.columns[i]] = pTrainData[pTrainData.columns[i]] - vTestMin
pTestData[pTestData.columns[i]] = pTestData[pTestData.columns[i]] - vTestMin
else:
pTrainData[pTrainData.columns[i]] = pTrainData[pTrainData.columns[i]] - vTrainMin
pTestData[pTestData.columns[i]] = pTestData[pTestData.columns[i]] - vTrainMin
vNavBay.fit(pTrainData, pTarTrainData) # Trainiert den NaiveBayes
vTarEstData = vNavBay.predict_proba(pTestData) # Macht vorrausage für Test Daten
vScores = calPurAndEff(pTarTestData, vTarEstData, pStepLength) # Vergelicht Vorrausgesagte Daten mit Test Daten und berechnet
# die Reinheit und die Effizienz
return vScores
def calrand(pTrainData, pTestData, vTarTrainData, vTarTestData, pStepLength):
clf = RandomForestClassifier(n_estimators=300, max_depth=30) # Initialisiert den Random Forest
#300 Baueme, Tiefe 30,
clf.fit(pTrainData, vTarTrainData) # Trainiert den Random Forest
vTarEstData = clf.predict_proba(pTestData) # Macht vorrausage für Test Daten
vScores = calPurAndEff(vTarTestData, vTarEstData, pStepLength) # Vergelicht Vorrausgesagte Daten mit Test Daten und berechnet
# die Reinheit und die Effizienz
return vScores
def calKNN(pTrainData, pTestData, vTarTrainData, vTarTestData, pStepLength):
kn = KNeighborsClassifier(n_neighbors=6) # Initialisiert den Random Forest
#6 Nachbern
kn.fit(pTrainData, vTarTrainData) # Trainiert den Random Forest
vTarEstData = kn.predict_proba(pTestData) # Macht vorrausage für Test Daten
vScores = calPurAndEff(vTarTestData, vTarEstData, pStepLength) # Vergelicht Vorrausgesagte Daten mit Test Daten und berechnet
# die Reinheit und die Effizienz
return vScores
# Berechnet die Reinheit und die Effizienz fuer das Zeildaten durch Vergleich der vorhergesagten
# und der test Daten al eine Matrix, für verschiede Konfidenzgrenzen der Form [[Reinheit_1, Effizienz_1], [_2, _2]]
def calPurAndEff(pTestData, pEstData, pStepLength=100):
vRet = []
for i in range(0, pStepLength): # Berechnet pro Konvidenzintervall
vEstData = np.ones(len(pTestData)) # Erstellt alle als Untergrund erkannt
vEstData[pEstData.T[1] >= (i)/(pStepLength-1)] = 2 # Bestimmt das ab der Konfidenzintervallgrenze der Wert als
# Signal interpretiert wird.
vTP = pTestData[vEstData == pTestData] # Bestimmt die Anzahl an richtig als Signal erkannten Daten
vTP = len(vTP[vTP == 2])
if len(vEstData[vEstData == 2]) != 0:
vPurity = vTP/(len(vEstData[vEstData == 2])) # Bestimmt die Reinheit aus TP und der Anzahl an Daten die als Signal vorrausgesagten wurden
else:
vPurity = -1
if len(pTestData[pTestData == 2]) != 0:
vEfficiency = vTP/(len(pTestData[pTestData == 2]))
else:
vEfficiency = -1
vRet += [[vPurity, vEfficiency]] # Fuegt die Berechnet Reinheit und Effizienz fuer Konfidenzgrenze
# der Ausgabe hinzu.
return vRet
# Berechnet aus den ausgegeben Scores die durchschnitts Reinheit und Effiziens, sowie deren Abweichung.
def evaScores(pScores, pRound=3):
vPurs = pScores[:, :, 0] # Waehlt alle Reinheiten aus
vEffs = pScores[:, :, 1] # Waehlt alle Effizienzen aus
vMeanPurity, vMeanEfficiens = np.array(vPurs[0]), np.array(vEffs[0]) # Berechnet den Mittelwert aus den Reinheits
for i in range(1, len(vPurs)): # der einzelnen Samples, getrennt
vMeanPurity = vMeanPurity + np.array(vPurs[i]) # fuer jeden einzelnen Konfidenzlevel
vMeanEfficiens = vMeanEfficiens + np.array(vEffs[i])
vMeanPurity = vMeanPurity/len(vPurs)
vMeanEfficiens = vMeanEfficiens/len(vEffs)
vStdPurity = (vMeanPurity - np.array(vPurs[0]))**2 # Gleiches wie beim Mittelwert fuer die Standartabweichung
vStdEfficiens = (vMeanEfficiens - np.array(vEffs[0]))**2
for i in range(1, len(vPurs)):
vStdPurity = vStdPurity + (vMeanPurity - np.array(vPurs[i]))**2
vStdEfficiens = vStdEfficiens + (vMeanEfficiens - np.array(vEffs[i]))**2
vStdPurity = np.sqrt(vStdPurity/(len(vPurs)-1))
vStdEfficiens = np.sqrt(vStdEfficiens/(len(vPurs)-1))
vPurity = unp.uarray(vMeanPurity, vStdPurity) # Fuegt Mittelwert und Standarabweichung zusammen
vEfficiens = unp.uarray(vMeanEfficiens, vStdEfficiens)
return vPurity, vEfficiens
def printScores(pScores, pID):
vX = np.linspace(0, 100, len(pScores[0]))
if pID == 0:
vTitle = 'NaiveBayes'
elif pID == 1:
vTitle = 'RandomForest'
elif pID == 2:
vTitle = 'KNN'
else:
vTitle = 'Default'
plt.errorbar(vX, noms(pScores[0]), yerr=stds(pScores[0]), color='g', fmt=',', label='Reinheit')
plt.errorbar(vX, noms(pScores[1]), yerr=stds(pScores[1]), color='b', fmt=',', label='Effizienz')
plt.plot(vX, noms(pScores[0]), 'g-')
plt.plot(vX, noms(pScores[1]), 'b-')
plt.ylim(-0.05, 1.05)
plt.xlabel('Konfidenzniveau in %', {'size':'16'})
plt.ylabel('Wert', {'size':'16'})
plt.title(vTitle)
plt.legend(loc='best', prop={'size':16})
plt.tight_layout()
plt.savefig('Bilder/'+vTitle+'.pdf')
plt.show()
plt.clf()
printScores(vNavScores, 0)
printScores(vRanScores, 1)
printScores(vKnnScores, 2)
vStepLength = 100
vSelData = pd.read_csv(zSelDataPath) # Laed die selektierten Daten
del vSelData[vSelData.columns[0]] # Loescht die erste Unfugszeile
vDataSets = splitData(vSelData, 10, 0.3, 0.2) # Splittet die Daten in 10 Datensets
vNavScores = [] # Initialisiert die ScoreArray der verschidenen Lerner
vRanScores = [] # Aufbau [[Reinheit_1, Effiziens_1], [_2, _2], ...]
vKnnScores = [] #
for i in range(0, len(vDataSets)): # Laesst alle Datensets von den Lernen bearbeiten und speichert die entsprechenden Scres
pTrainData = vDataSets[i][0]
pTestData = vDataSets[i][1]
vTarTrainData = pTrainData[zTargetFeature] # Separiert die TargetFeature Daten
vTarTestData = pTestData[zTargetFeature]
del pTrainData[zTargetFeature]
del pTestData[zTargetFeature]
vNavScores += [calNavBay(pTrainData, pTestData, vTarTrainData, vTarTestData, vStepLength)]
vRanScores += [calrand(pTrainData, pTestData, vTarTrainData, vTarTestData, vStepLength)]
vKnnScores += [calKNN(pTrainData, pTestData, vTarTrainData, vTarTestData, vStepLength)]
vNavScores = evaScores(np.array(vNavScores)) # Berechnet aus den ScoreArrays den Mittelwert der Reinheit und
vRanScores = evaScores(np.array(vRanScores)) # der Effiziens, sowie Standardabweichung
vKnnScores = evaScores(np.array(vKnnScores)) # der Effiziens, sowie Standardabweichung
printScores(vNavScores, 0)
printScores(vRanScores, 1)
printScores(vKnnScores, 2)
vX = np.linspace(0, 100, len(vNavScores[0]))
plt.plot(vX, noms(vNavScores[0]), 'r-', label='NaiveBayes')
plt.plot(vX, noms(vRanScores[0]), 'g-', label='RandomForest')
plt.plot(vX, noms(vKnnScores[0]), 'b-', label='k-NearestNeighbors')
plt.ylim(-0.05, 1.05)
plt.xlabel('Konfidenzniveau in %', {'size':'16'})
plt.ylabel('Reinheit', {'size':'16'})
plt.title('Reinheit')
plt.legend(loc='best', prop={'size':16})
plt.tight_layout()
plt.savefig('Bilder/Purity.pdf')
plt.show()
plt.clf()
plt.plot(vX, noms(vNavScores[1]), 'r-', label='NaiveBayes')
plt.plot(vX, noms(vRanScores[1]), 'g-', label='RandomForest')
plt.plot(vX, noms(vKnnScores[1]), 'b-', label='k-NearestNeighbors')
plt.ylim(-0.05, 1.05)
plt.xlabel('Konfidenzniveau in %', {'size':'16'})
plt.ylabel('Effizienz', {'size':'16'})
plt.title('Effizienz')
plt.legend(loc='best', prop={'size':16})
plt.tight_layout()
plt.savefig('Bilder/Efficiency.pdf')
plt.show()
plt.clf()