MAI/LabWork01/LabWork5/create_plot.py

import os

import numpy as np
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import sns
from sklearn import metrics
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# INCH = 25.4

def create_plot_jpg(df: pd.DataFrame, nameFile):
    # для сохранения диаграммы в конкретной папке
    script_dir = os.path.dirname(__file__)
    results_dir = os.path.join(script_dir, '../static/')

    if not os.path.isdir(results_dir):
        os.makedirs(results_dir)

    # набор атрибутов - независимых переменных - площадь
    _X = df["Store_Area"].array

    # набор меток - зависимых переменных, значение которых требуется предсказать - выручка
    _Y = df["Store_Sales"].array

    # делим датафрейм на набор тренировочных данных и данных для тестов, test_size содержит определние соотношения этих наборов
    X_train, X_test, y_train, y_test = train_test_split(_X, _Y, test_size=0.01, random_state=0)

    regressor = LinearRegression()

    X_train = X_train.reshape(-1, 1)
    X_test = X_test.reshape(-1, 1)

    regressor.fit(X_train, y_train)

    # массив numpy, который содержит все предсказанные значения для входных значений в серии X_test
    y_pred = regressor.predict(X_test)

    df.plot(x='Store_Sales', y='Store_Area', style='o')

    plt.title('Зависимость продаж от площади магазина')
    plt.xlabel('Продажи')
    plt.ylabel('Площадь')

    plt.savefig(results_dir + nameFile + '.jpg')
    plt.close()

    # MAE – это среднее абсолютное значение ошибок
    # MSE – это среднее значение квадратов ошибок
    # RMSE – это квадратный корень из среднего квадрата ошибок

    listMessages = ['Средняя абсолютная ошибка (MAE): ' + str(metrics.mean_absolute_error(y_test, y_pred)),
                    'Среднеквадратичная ошибка (MSE): ' + str(metrics.mean_squared_error(y_test, y_pred)),
                    'Среднеквадратичная ошибка (RMSE): ' + str(np.sqrt(metrics.mean_squared_error(y_test, y_pred)))]

    return listMessages

# def graph_regression_plot_sns(
#         X, Y,
#         regression_model,
#         Xmin=None, Xmax=None,
#         Ymin=None, Ymax=None,
#         display_residuals=False,
#         title_figure=None, title_figure_fontsize=None,
#         title_axes=None, title_axes_fontsize=None,
#         x_label=None,
#         y_label=None,
#         label_fontsize=None, tick_fontsize=12,
#         label_legend_regr_model='', label_legend_fontsize=12,
#         s=50, linewidth_regr_model=2,
#         graph_size=None,
#         file_name=None):
#     X = np.array(X)
#     Y = np.array(Y)
#     Ycalc = Y - regression_model(X)
#
#     if not (Xmin) and not (Xmax):
#         Xmin = min(X) * 0.99
#         Xmax = max(X) * 1.01
#     if not (Ymin) and not (Ymax):
#         Ymin = min(Y) * 0.99
#         Ymax = max(Y) * 1.01
#
#         # график с остатками
#     # ------------------
#     if display_residuals:
#         if not (graph_size):
#             graph_size = (297 / INCH, 420 / INCH / 1.5)
#         if not (title_figure_fontsize):
#             title_figure_fontsize = 18
#         if not (title_axes_fontsize):
#             title_axes_fontsize = 16
#         if not (label_fontsize):
#             label_fontsize = 13
#         if not (label_legend_fontsize):
#             label_legend_fontsize = 12
#         fig = plt.figure(figsize=graph_size)
#         fig.suptitle(title_figure, fontsize=title_figure_fontsize)
#         ax1 = plt.subplot(2, 1, 1)
#         ax2 = plt.subplot(2, 1, 2)
#
#         # фактические данные
#         ax1.set_title(title_axes, fontsize=title_axes_fontsize)
#         sns.scatterplot(
#             x=X, y=Y,
#             label='data',
#             s=s,
#             color='red',
#             ax=ax1)
#         ax1.set_xlim(Xmin, Xmax)
#         ax1.set_ylim(Ymin, Ymax)
#         ax1.axvline(x=0, color='k', linewidth=1)
#         ax1.axhline(y=0, color='k', linewidth=1)
#         # ax1.set_xlabel(x_label, fontsize = label_fontsize)
#         ax1.set_ylabel(y_label, fontsize=label_fontsize)
#         ax1.tick_params(labelsize=tick_fontsize)
#
#         # график регрессионной модели
#         nx = 100
#         hx = (Xmax - Xmin) / (nx - 1)
#         x1 = np.linspace(Xmin, Xmax, nx)
#         y1 = regression_model(x1)
#         sns.lineplot(
#             x=x1, y=y1,
#             color='blue',
#             linewidth=linewidth_regr_model,
#             legend=True,
#             label=label_legend_regr_model,
#             ax=ax1)
#         ax1.legend(prop={'size': label_legend_fontsize})
#
#         # график остатков
#         ax2.set_title('Residuals', fontsize=title_axes_fontsize)
#         ax2.set_xlim(Xmin, Xmax)
#         # ax2.set_ylim(Ymin, Ymax)
#         sns.scatterplot(
#             x=X, y=Ycalc,
#             # label='фактические данные',
#             s=s,
#             color='orange',
#             ax=ax2)
#
#         ax2.axvline(x=0, color='k', linewidth=1)
#         ax2.axhline(y=0, color='k', linewidth=1)
#         ax2.set_xlabel(x_label, fontsize=label_fontsize)
#         ax2.set_ylabel(r'$ΔY = Y - Y_{calc}$', fontsize=label_fontsize)
#         ax2.tick_params(labelsize=tick_fontsize)
#
#     # график без остатков
#     # -------------------
#     else:
#         if not (graph_size):
#             graph_size = (297 / INCH, 210 / INCH)
#         if not (title_figure_fontsize):
#             title_figure_fontsize = 18
#         if not (title_axes_fontsize):
#             title_axes_fontsize = 16
#         if not (label_fontsize):
#             label_fontsize = 14
#         if not (label_legend_fontsize):
#             label_legend_fontsize = 12
#         fig, axes = plt.subplots(figsize=graph_size)
#         fig.suptitle(title_figure, fontsize=title_figure_fontsize)
#         axes.set_title(title_axes, fontsize=title_axes_fontsize)
#
#         # фактические данные
#         sns.scatterplot(
#             x=X, y=Y,
#             label='фактические данные',
#             s=s,
#             color='red',
#             ax=axes)
#
#         # график регрессионной модели
#         nx = 100
#         hx = (Xmax - Xmin) / (nx - 1)
#         x1 = np.linspace(Xmin, Xmax, nx)
#         y1 = regression_model(x1)
#         sns.lineplot(
#             x=x1, y=y1,
#             color='blue',
#             linewidth=linewidth_regr_model,
#             legend=True,
#             label=label_legend_regr_model,
#             ax=axes)
#
#         axes.set_xlim(Xmin, Xmax)
#         axes.set_ylim(Ymin, Ymax)
#         axes.axvline(x=0, color='k', linewidth=1)
#         axes.axhline(y=0, color='k', linewidth=1)
#         axes.set_xlabel(x_label, fontsize=label_fontsize)
#         axes.set_ylabel(y_label, fontsize=label_fontsize)
#         axes.tick_params(labelsize=tick_fontsize)
#         axes.legend(prop={'size': label_legend_fontsize})
#
#     plt.show()
#     if file_name:
#         fig.savefig(file_name, orientation="portrait", dpi=300)
#
#     return