Жукова Алина ПИбд-41

import pandas
import numpy as np
from flask import Flask
from sklearn.feature_selection import RFE
from sklearn.linear_model import Lasso, LinearRegression
from sklearn.preprocessing import MinMaxScaler

app = Flask(__name__)


@app.route("/")
def home():
    return "<html>" \
           "<h1>Жукова Алина ПИбд-41</h1>" \
           "<h1>Лабораторная работа №2</h1>" \
           "<table>" \
           "<td>" \
           "<form Action='http://127.0.0.1:5000/k4_1_task_2' Method=get>" \
           "<input type=submit value='Ранжирование признаков'>" \
           "</form>" \
           "</td>" \
           "</table>" \
           "</html>"

# Ранжирование признаков
# Линейная регрессия, Лассо, Рекурсивное сокращение признаков
# Отобразить оценки/значения каждого признака каждым методом, и среднюю оценку
# 4 самых важных признака  (индексы/названия)
@app.route("/k4_1_task_2", methods=['GET'])
def k4_1_task_2():
    # Генерация даных
    np.random.seed(0)
    size = 750
    X = np.random.uniform(0, 1, (size, 14))
    # Функция выход: регрессионная проблема Фридмана
    Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5)**2 +
         10*X[:, 3] + 5*X[:, 4]**5 + np.random.normal(0, 1))
    # Зависимость признаков
    X[:, 10:] = X[:, : 4] + np.random.normal(0, .025, (size, 4))

    linear_Regr = LinearRegression()
    linear_Regr.fit(X, Y)

    lasso = Lasso(alpha=.05)
    lasso.fit(X, Y)

    recurs_sokr_RFE = RFE(linear_Regr, n_features_to_select=1)
    recurs_sokr_RFE.fit(X, Y)

    new_RFE = []
    elem_ind = 0
    for value in recurs_sokr_RFE.ranking_:
        new_RFE.append(recurs_sokr_RFE.ranking_.max() - value + 1)
        elem_ind += 1


    names = ["x%s" % i for i in range(1, 15)]

    ranks = {}
    ranks["Linear"] = rank_to_dict(linear_Regr.coef_, names)
    ranks["Lasso"] = rank_to_dict(lasso.coef_, names)
    ranks["RFE"] = rank_to_dict(np.array(new_RFE), names)

    mean = {}
    # Пройти по словарю
    for key, value in ranks.items():
        # Пройти по списку значений которые являются парой имя:оценка
        for item in value.items():
            # Имя = ключ для mean
            if(item[0] not in mean):
                mean[item[0]] = 0
            mean[item[0]] += item[1]

    for key, value in mean.items():
        res = value/len(ranks)
        mean[key] = round(res, 2)

    mean_1 = [None, None]
    mean_2 = [None, None]
    mean_3 = [None, None]
    mean_4 = [None, None]

    for key, value in mean.items():
        if(mean_1[0] == None or value >= mean_1[0]):
            mean_4 = mean_3
            mean_3 = mean_2
            mean_2 = mean_1
            mean_1 = [value, key]
        else :
            if (mean_2[0] == None or value >= mean_2[0]):
                mean_4 = mean_3
                mean_3 = mean_2
                mean_2 = [value, key]
            else:
                if (mean_3[0] == None or value >= mean_3[0]):
                    mean_4 = mean_3
                    mean_3 = [value, key]
                else:
                    if (mean_4[0] == None or value >= mean_4[0]):
                        mean_4 = [value, key]

    mean_mass = []
    mass_linear = []
    mass_lasso = []
    mass_RFE = []
    for key, value in mean.items():
        mean_mass.append(value)
    for key, value in ranks['Linear'].items():
        mass_linear.append(value)
    for key, value in ranks['Lasso'].items():
        mass_lasso.append(value)
    for key, value in ranks['RFE'].items():
        mass_RFE.append(value)

    data = {"Linear": mass_linear,
            "Lasso": mass_lasso,
            "RFE": mass_RFE,
            "Mean": mean_mass}
    df = pandas.DataFrame(data, index=names)

    return "<html>" \
           "<h1>Ранжирование признаков</h1>" \
           "<h2>Вариант 10. Линейная регрессия, Лассо, Рекурсивное сокращение признаков</h2>" \
           "<h2>Отобразить оценки/значения каждого признака каждым методом, и среднюю оценку</h2>" \
           "<h2>4 самых важных признака: 1) " + mean_1[1] + "; 2) " + mean_2[1] + "; 3) " + mean_3[1] + "; 4) " + mean_4[1] + "</h2>" \
           "<div>" + df.to_html() + "</div>" \
           "</html>"

def rank_to_dict(ranks, names):
    ranks = np.abs(ranks)

    minmax = MinMaxScaler()

    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
    ranks = map(lambda x: round(x, 2), ranks)
    return dict(zip(names, ranks))

if __name__ == "__main__":
    app.run(debug=True)