-
Notifications
You must be signed in to change notification settings - Fork 3
/
Copy pathplot_functions.py
1177 lines (902 loc) · 45.4 KB
/
plot_functions.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
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#! /usr/bin/env python3
# SCANPLOT - Um sistema de plotagem simples para o SCANTEC
# CC-BY-NC-SA-4.0 2022 INPE
import global_variables as gvars
import os
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from matplotlib import rcParams
import cartopy.crs as ccrs
from cartopy.feature import NaturalEarthFeature, LAND, COASTLINE
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
from IPython import get_ipython
import seaborn as sns
import skill_metrics as sm
from scipy.stats import t
from scipy.stats import ttest_ind
from aux_functions import isnotebook
import hvplot.xarray
import holoviews as hv
from holoviews import opts
import panel as pn
import param
# Esta instrução é utilizada em conjunto com a opção showFig
# para determinar se o script está sendo chamado a partir de uma seção
# iterativa ou pelo shell padrão do Python
ipython = get_ipython()
def plot_lines(dTable,Vars,Stats,outDir,**kwargs):
"""
plot_lines
==========
Esta função plota gráficos de linha a partir de um dicionário de dataframes com as tabelas do SCANTEC.
Parâmetros de entrada
---------------------
dTable : objeto dicionário com uma ou mais tabelas do SCANTEC;
Vars : lista com os nomes e níveis das variáveis;
Stats : lista com os nomes das estatísticas a serem processadas;
outDir : string com o diretório com as tabelas do SCANTEC.
Parâmetros de entrada opcionais
-------------------------------
showFig : valor Booleano para mostrar ou não as figuras durante a plotagem
showFig=False (valor padrão), não mostra as figuras (mais rápido)
showFig=True, mostra as figuras (mais lento);
saveFig : valor Booleano para salvar ou não as figuras durante a plotagem:
* saveFig=False (valor padrão), não salva as figuras;
* saveFig=True, salva as figuras;
lineStyles : lista com as cores e os estilos das linhas (o número de elementos
da lista deve ser igual ao número de experimentos);
figDir : string com o diretório onde as figuras serão salvas;
combine : valor Booleano para combinar as curvas dos experimentos em um só gráfico:
* combine=False (valor padrão), plota as curvas em gráficos separados;
* combine=True, plota as curvas das mesmas estatísticas no mesmo gráfico;
tExt : string com o extensão dos nomes das tabelas do SCANTEC:
* tExt='scan' (valor padrão), considera as tabelas do SCANTEC;
* tExt='scam', considera os nomes das tabelas das versões antigas do SCANTEC.
Resultado
---------
Figuras salvas no diretório definido na variável outDir ou figDir. Se figDir não
for passado, então as figuras são salvas no diretório outDir (SCANTEC/dataout).
Uso
---
import scanplot
data_vars, data_conf = scanplot.read_namelists("~/SCANTEC")
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
Vars = list(map(data_vars.get,[*data_vars.keys()]))
Stats = ["ACOR", "RMSE", "VIES"]
Exps = list(data_conf["Experiments"].keys())
outDir = data_conf["Output directory"]
figDir = data_conf["Output directory"]
lineStyles = ['k-', 'b-', 'b--', 'r-', 'r--']
dTable = scanplot.get_dataframe(dataInicial,dataFinal,Stats,Exps,outDir)
scanplot.plot_lines(dTable,Vars,Stats,outDir,showFig=True,saveFig=True,lineStyles=lineStyles,figDir=figDir)
"""
# tExt é uma variável global e o seu valor é sempre atualizado
global tExt
# Verifica se foram passados os argumentos opcionais e atribui os valores
if 'combine' in kwargs:
combine = kwargs['combine']
else:
combine = gvars.combine
if 'tExt' in kwargs:
tExt = kwargs['tExt']
# Atualiza o valor global de tExt
gvars.tExt = tExt
else:
tExt = gvars.tExt
if 'figDir' in kwargs:
figDir = kwargs['figDir']
# Verifica se o diretório figDir existe e cria se necessário
if not os.path.exists(figDir):
os.makedirs(figDir)
else:
figDir = outDir
if 'showFig' in kwargs:
showFig = kwargs['showFig']
else:
showFig = gvars.showFig
if 'saveFig' in kwargs:
saveFig = kwargs['saveFig']
else:
saveFig = gvars.saveFig
if 'lineStyles' in kwargs:
lineStyles = kwargs['lineStyles']
else:
lineStyles = gvars.lineStyles
# Define o backend de plotagem do matplotlib
# Agg: não mostra os gráficos
# inline: mostra os gráficos
# Refs:
# * https://stackoverflow.com/questions/43545050/using-matplotlib-notebook-after-matplotlib-inline-in-jupyter-notebook-doesnt
# * https://www.codegrepper.com/code-examples/python/use+ipython+magic+in+script
ipython.magic("matplotlib Agg")
ipython.magic("matplotlib Agg")
import matplotlib.pyplot as plt
# Reseta os parâmetros de aspecto do Seaborn
sns.reset_orig()
# Opção combine=True
if combine:
if isnotebook(get_ipython().__class__.__name__): # seções iterativas
if showFig:
ipython.magic('matplotlib inline')
#mpl.rc('figure', max_open_warning = 0)
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else: # seções não iterativas
if not showFig:
mpl.use('agg')
mpl.rcParams.update({'figure.max_open_warning': 0})
for var in range(len(Vars)):
for Stat in Stats:
# Nomes das tabelas
Tables = list(filter(lambda x:Stat in x, [*dTable.keys()]))
# Lista de tabelas a serem plotadas
dfTables = []
for table in Tables:
if tExt == 'scan':
df_exp = dTable[table].loc[:,[Vars[var][0].lower()]]
else:
df_exp = dTable[table].loc[:,[Vars[var][0]]]
dfTables.append(df_exp)
fcts = dTable[table].loc[:,"%Previsao"].values
# Cria o objeto com o gráfico principal
# Se lineStyles=True
if lineStyles:
ax = pd.concat(dfTables,axis=1).plot(title=Vars[var][1],
figsize=(8,5),
fontsize=12,
linewidth=1.5,
style=lineStyles)
# Se lineStyles=False (padrão)
else:
ax = pd.concat(dfTables,axis=1).plot(title=Vars[var][1],
figsize=(8,5),
fontsize=12,
linewidth=1.5,
marker='o')
ax.set_xticks(dTable[table].index)
ax.set_xticklabels(fcts)
# Legendas
enames=[]
for table in Tables:
enames.append(table.split('_')[0][4:])
ax.legend(enames)
plt.ylabel(Stat)
plt.xlabel('Horas de Integração')
plt.xticks(rotation=90)
# Plota y=0.5 para ACOR e y=0.0 para demais tabelas
if Stat == 'ACOR':
plt.axhline(y=0.5, color='black', linestyle='-', linewidth=1)
else:
plt.axhline(y=0.0, color='black', linestyle='-', linewidth=1)
# Grade do gráfico
plt.grid(color='grey', linestyle='--', linewidth=0.5)
# Se saveFig=True
if saveFig:
#fig_name = table.replace(str(tExt),'') + Vars[var][0] + '-combined.png'
if tExt == 'scan':
fig_name = table.replace(table[4:table.find('_')],'EXPS').replace('T.'+str(tExt),'') + Vars[var][0].replace(':','') + '-combined.png'
else:
fig_name = table.replace(table[4:table.find('_')],'EXPS').replace('T.'+str(tExt),'') + Vars[var][0].replace('-','') + '-combined.png'
plt.savefig(os.path.join(figDir, fig_name), bbox_inches='tight', dpi=120)
if showFig:
plt.show()
plt.close()
# Opção combine=False (padrão)
else:
if isnotebook(get_ipython().__class__.__name__):
if showFig:
ipython.magic('matplotlib inline')
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else:
if not showFig:
mpl.use('agg')
mpl.rcParams.update({'figure.max_open_warning': 0})
for table in list(dTable.keys()):
Stat = table[0:4]
fcts = dTable[table].loc[:,"%Previsao"].values
fig, ax = plt.subplots()
plt.rcParams.update({'figure.max_open_warning': 0})
for var in range(len(Vars)):
vname = Vars[var]
if tExt == 'scan':
ax = dTable[table].loc[:,[Vars[var][0].lower()]].plot(title=Vars[var][1],
figsize=(8,5),
fontsize=12,
linewidth=1.5,
marker='o')
else:
ax = dTable[table].loc[:,[Vars[var][0]]].plot(title=Vars[var][1],
figsize=(8,5),
fontsize=12,
linewidth=1.5,
marker='o')
ax.set_xticks(dTable[table].index)
ax.set_xticklabels(fcts)
ename = table.split('_')[0][4:]
ax.legend([ename])
plt.ylabel(Stat)
plt.xlabel('Horas de Integração')
plt.xticks(rotation=90)
if Stat == 'ACOR':
plt.axhline(y=0.5, color='black', linestyle='-', linewidth=1)
else:
plt.axhline(y=0.0, color='black', linestyle='-', linewidth=1)
plt.grid(color='grey', linestyle='--', linewidth=0.5)
if saveFig:
#fig_name = table.replace(str(tExt),'') + Vars[var][0] + '.png'
if tExt == 'scan':
fig_name = table.replace('T.'+str(tExt),'') + '_' + Vars[var][0].replace(':','') + '.png'
else:
fig_name = table.replace('T.'+str(tExt),'') + '_' + Vars[var][0].replace('-','') + '.png'
plt.savefig(os.path.join(figDir, fig_name), bbox_inches='tight', dpi=120)
if showFig:
plt.show()
plt.close()
return
def plot_lines_tStudent(dataInicial,dataFinal,dTable_series,Exps,Var,VarName,ldrom_exp,ldrosup_exp,ldroinf_exp,varlev_exps,outDir,**kwargs):
"""
plot_lines_tStudent
===================
Esta função plota gráficos de linha acompanhados dos resultados do teste de significância t-Student.
Os gráficos são plotados apenas com base nas tabelas de correlação de anomalia do SCANTEC.
Parâmetros de entrada
---------------------
Exps : lista com os nomes dos experimentos;
ldrom_exp : curva do teste referente ao experimento;
ldrosup_exp : limite superior do teste;
ldroinf_exp : limite inferior do teste;
varlev_exps : dataframes com as variáveis dos experimentos.
Parâmetros de entrada opcionais
-------------------------------
showFig : valor Booleano para mostrar ou não as figuras durante a plotagem:
* showFig=False (valor padrão), não mostra as figuras (mais rápido);
* showFig=True, mostra as figuras (mais lento);
saveFig : valor Booleano para salvar ou não as figuras durante a plotagem:
* saveFig=False (valor padrão), não salva as figuras;
* saveFig=True, salva as figuras;
figDir : string com o diretório onde as figuras serão salvas.
Resultado
---------
Resultado do teste de significância e valores críticos para serem utilizados pela função
plot_lines_tStudent. Figuras salvas no diretório definido na variável outDir ou figDir.
Se figDir não for passado, então as figuras são salvas no diretório outDir (SCANTEC/dataout).
Uso
---
import scanplot
data_vars, data_conf = scanplot.read_namelists("~/SCANTEC")
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
Vars = list(map(data_vars.get,[*data_vars.keys()]))
Stats = ["ACOR", "RMSE", "VIES"]
Exps = list(data_conf["Experiments"].keys())
outDir = data_conf["Output directory"]
Var = Vars[0][0].lower()
VarName = Vars[0][1]
dTable = scanplot.get_dataframe(dataInicial,dataFinal,Stats,Exps,outDir,series=False)
dTable_series = scanplot.get_dataframe(dataInicial,dataFinal,Stats,Exps,outDir,series=True)
varlev_exps = scanplot.concat_tables_and_loc(dTable,dataInicial,dataFinal,Exps,series=False)
varlev_dia_exps = scanplot.concat_tables_and_loc(dTable_series,dataInicial,dataFinal,Exps,Var,series=True)
lst_varlev_dia_exps_rsp = scanplot.df_fill_nan(varlev_exps,varlev_dia_exps)
ldrom_exp, ldrosup_exp, ldroinf_exp = scanplot.calc_tStudent(lst_varlev_dia_exps_rsp)
scanplot.plot_lines_tStudent(dataInicial,dataFinal,dTable_series,Exps,Var,VarName,ldrom_exp,
ldrosup_exp,ldroinf_exp,varlev_exps,outDir,
figDir=figDir,saveFig=True,showFig=True)
Observações
-----------
* Experimental, esta função necessita ser validada;
* Na presente versão, apenas uma variável e nível pode ser plotada.
"""
# tExt é uma variável global e o seu valor é sempre atualizado
global tExt
# # Verifica se foram passados os argumentos opcionais e atribui os valores
# if 'combine' in kwargs:
# combine = kwargs['combine']
# else:
# combine = gvars.combine
if 'tExt' in kwargs:
tExt = kwargs['tExt']
# Atualiza o valor global de tExt
gvars.tExt = tExt
else:
tExt = gvars.tExt
if 'figDir' in kwargs:
figDir = kwargs['figDir']
# Verifica se o diretório figDir existe e cria se necessário
if not os.path.exists(figDir):
os.makedirs(figDir)
else:
figDir = outDir
if 'showFig' in kwargs:
showFig = kwargs['showFig']
else:
showFig = gvars.showFig
if 'saveFig' in kwargs:
saveFig = kwargs['saveFig']
else:
saveFig = gvars.saveFig
if 'lineStyles' in kwargs:
lineStyles = kwargs['lineStyles']
colors = lineStyles
else:
lineStyles = gvars.lineStyles
colors = ['black', 'red', 'green', 'blue', 'orange', 'brown', 'cyan', 'magenta']
if isnotebook(get_ipython().__class__.__name__):
if showFig:
ipython.magic('matplotlib inline')
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else:
if not showFig:
mpl.use('agg')
mpl.rcParams.update({'figure.max_open_warning': 0})
# Ignore Seaborn and respect rcParams
sns.reset_orig()
datai = dataInicial.strftime('%Y%m%d%H')
dataf = dataFinal.strftime('%Y%m%d%H')
fig, axs = plt.subplots(2, sharex=True, sharey=False, gridspec_kw={'hspace': 0}, figsize = (8,6))
j = 0
# Curvas da correlação de anomalias
for i, varlev_exp in enumerate(varlev_exps):
if i == 0:
axs[0].plot(varlev_exp, color=colors[j], linestyle='--', label=str(Exps[j]), linewidth=1.5)
else:
axs[0].plot(varlev_exp, color=colors[j], label=str(Exps[j]), linewidth=1.5)
axs[0].grid(color='grey', linestyle='--', linewidth=0.5)
axs[0].legend()
j += 1
j = 1
# Curvas do teste t-Student
for drosup_exp, droinf_exp, drom_exp in zip(ldrosup_exp,ldroinf_exp,ldrom_exp):
axs[1].bar(range(0, len(drosup_exp)), drosup_exp, color=(0, 0, 0, 0), edgecolor=colors[j], align='center', linestyle='-', linewidth=1.5)
axs[1].bar(range(0, len(droinf_exp)), droinf_exp, color=(0, 0, 0, 0), edgecolor=colors[j], align='center', linestyle='-', linewidth=1.5)
axs[1].plot(drom_exp, color=colors[j])
j += 1
axs[1].axhline(color='black', linewidth=0.5)
axs[1].grid(color='grey', linestyle='--', linewidth=0.5)
for ax in axs:
ax.label_outer()
axs[0].axhline(y=0.5, color='black', linestyle='-', linewidth=1)
axs[0].set_title(str(VarName))
axs[1].set_xlabel('Horas de Integração')
axs[0].set_ylabel('ACOR')
axs[1].set_ylabel('Valor Crítico')
plt.xticks(rotation=90)
axs[1].text(0.01, 0.93, "Diferença em relação a " + Exps[0], transform=ax.transAxes);
axs[1].text(0.01, 0.18, "Diferenças na ACOR possuem significância", transform=ax.transAxes);
axs[1].text(0.01, 0.10, "de 95% quando as curvas estão fora das", transform=ax.transAxes);
axs[1].text(0.01, 0.02, "suas respectivas barras", transform=ax.transAxes);
fcts = dTable_series[list(dTable_series.keys())[0]].loc[:,"%Previsao"].values
axs[1].set_xticks(dTable_series[list(dTable_series.keys())[0]].index)
axs[1].set_xticklabels(fcts)
if saveFig:
#fig_name = 'ACOREXPS' + str(datai) + str(dataf) + '_' + Var.replace(':','').upper() + '-' + 'tStudent.png'
if tExt == 'scan':
fig_name = 'ACOREXPS_' + str(datai) + str(dataf) + '_' + Var.replace(':','').upper() + '-' + 'tStudent.png'
else:
fig_name = 'ACOREXPS_' + str(datai) + str(dataf) + '_' + Var.replace('-','').upper() + '-' + 'tStudent.png'
plt.savefig(os.path.join(figDir, fig_name), bbox_inches='tight', dpi=120)
if showFig:
plt.show()
else:
plt.close()
return
def plot_scorecard(dTable,Vars,Stats,Tstat,Exps,outDir,**kwargs):
"""
plot_scorecard
==============
Esta função calcula o "Ganho Percentual*" e a "Mudança Fracional*" a partir
das estatísticas do SCANTEC e plota os resultados na forma de um scorecard.
São necessários dois experimentos.
*Banos et al., 2018: Impacto da Assimilação de Perfis de Refratividade do
Satélite Metop-B nas Previsões de Tempo do CPTEC/INPE
Durante os Meses de Janeiro e Agosto de 2014.
Parâmetros de entrada
---------------------
dTable : objeto dicionário com uma ou mais tabelas do SCANTEC;
Vars : lista com os nomes e níveis das variáveis;
Stats : lista com os nomes das estatísticas a serem processadas;
Tstat : tipo de score a ser calculado;
outDir : string com o diretório com as tabelas do SCANTEC.
Parâmetros de entrada opcionais
-------------------------------
showFig : valor Booleano para mostrar ou não as figuras durante a plotagem:
* showFig=False (valor padrão), não mostra as figuras (mais rápido);
* showFig=True, mostra as figuras (mais lento);
saveFig : valor Booleano para salvar ou não as figuras durante a plotagem:
* saveFig=False (valor padrão), não salva as figuras;
* saveFig=True, salva as figuras;
figDir : string com o diretório onde as figuras serão salvas;
tExt : string com o extensão dos nomes das tabelas do SCANTEC:
* tExt='scan' (valor padrão), considera as tabelas do SCANTEC;
* tExt='scam', considera os nomes das tabelas das versões antigas do SCANTEC.
Resultado
---------
Figuras salvas no diretório definido na variável outDir ou figDir. Se figDir não
for passado, então as figuras são salvas no diretório outDir (SCANTEC/dataout).
Uso
---
import scanplot
data_vars, data_conf = scanplot.read_namelists("~/SCANTEC")
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
Vars = list(map(data_vars.get,[*data_vars.keys()]))
Stats = ["ACOR", "RMSE", "VIES"]
Exps = ["EXP1", "EXP2"]
outDir = data_conf["Output directory"]
figDir = data_conf["Output directory"]
dTable = scanplot.get_dataframe(dataInicial,dataFinal,Stats,Exps,outDir)
scanplot.plot_scorecard(dTable,Vars,Stats,'ganho',Exps,outDir,figDir=figDir,showFig=True,saveFig=True)
Observações
-----------
Nos scorecards, as cores sempre indicam os ganhos do segundo experimento com relação ao primeiro.
Portanto, os tons mais intensos de verde, indicam que o 'EXP2' apresentam maior ganho em relação
ao 'EXP1' ou que a mudança fracional é maior.
"""
if not len(Exps) == 2:
raise Exception('Para utilizar a função plot_scorecard, são necessários 2 experimentos.')
# Verifica se foram passados os argumentos opcionais e atribui os valores
global tExt
if 'tExt' in kwargs:
tExt = kwargs['tExt']
# Atualiza o valor global de tExt
gvars.tExt = tExt
else:
tExt = gvars.tExt
if 'figDir' in kwargs:
figDir = kwargs['figDir']
else:
figDir = outDir
if 'showFig' in kwargs:
showFig = kwargs['showFig']
else:
showFig = gvars.showFig
if 'saveFig' in kwargs:
saveFig = kwargs['saveFig']
else:
saveFig = gvars.saveFig
if isnotebook(get_ipython().__class__.__name__):
if showFig:
ipython.magic('matplotlib inline')
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else:
if not showFig:
mpl.use('agg')
mpl.rcParams.update({'figure.max_open_warning': 0})
if tExt == 'scan':
list_var = [ltuple[0].lower() for ltuple in Vars]
else:
list_var = [ltuple[0] for ltuple in Vars]
for Stat in Stats:
Tables = list(filter(lambda x:Stat in x, [*dTable.keys()]))
exp1 = [s for s in Tables if Exps[0] in s][0]
exp2 = [s for s in Tables if Exps[1] in s][0]
p_table1 = pd.pivot_table(dTable[exp1], index="%Previsao", values=list_var)
p_table2 = pd.pivot_table(dTable[exp2], index="%Previsao", values=list_var)
if Tstat == "ganho":
# Porcentagem de ganho
if Stat == "ACOR":
score_table = ((p_table2[1:].T - p_table1[1:].T) / (1.0 - p_table1[1:].T)) * 100
elif Stat == "RMSE" or Stat == "VIES":
score_table = ((p_table2[1:].T - p_table1[1:].T) / (0.0 - p_table1[1:].T)) * 100
elif Tstat == "fc":
# Mudança fracional
score_table = (1.0 - (p_table2[1:].T / p_table1[1:].T))
# Tentativa de substituir os NaN - que aparecem quando vies e rmse são iguais a zero
score_table = score_table.fillna(0.0000001)
# Figura
plt.figure(figsize = (15,10))
sns.set(style="whitegrid", font_scale=0.90)
sns.set_context(rc={"xtick.major.size": 1.5, "ytick.major.size": 1.5,
"xtick.major.pad": 0.05, "ytick.major.pad": 0.05,
"xtick.major.width": 0.5, "ytick.major.width": 0.5,
"xtick.minor.size": 1.5, "ytick.minor.size": 1.5,
"xtick.minor.pad": 0.05, "ytick.minor.pad": 0.05,
"xtick.minor.width": 0.5, "ytick.minor.width": 0.5})
if Tstat == "ganho":
ax = sns.heatmap(score_table, annot=True, fmt="1.0f", cmap="RdYlGn",
vmin=-100, vmax=100, center=0, linewidths=0.25, square=False,
cbar_kws={"shrink": 1.0,
"ticks": np.arange(-100,110,10),
"pad": 0.01,
"orientation": "vertical"})
cbar = ax.collections[0].colorbar
cbar.set_ticks([-100, -50, 0, 50, 100])
cbar.set_ticklabels(["pior", "-50%", "0", "50%", "melhor"])
cbar.ax.tick_params(labelsize=12)
plt.title("Ganho " + str(Stat) + " (%) - " + str(Tables[0][9:19]) + "-" + str(Tables[0][19:29]) + "\n" + Exps[0] + " Vs. " + Exps[1], fontsize=14)
fig = ax.get_figure()
elif Tstat == "fc":
ax = sns.heatmap(score_table, annot=True, fmt="1.0f", cmap="RdYlGn",
vmin=-1, vmax=1, center=0, linewidths=0.25, square=False,
cbar_kws={"shrink": 1.0,
"ticks": np.arange(-1,2,1),
"pad": 0.01,
"orientation": "vertical"})
cbar = ax.collections[0].colorbar
cbar.set_ticks([-1, -0.5, 0, 0.5, 1])
cbar.set_ticklabels(["pior", "-0.5", "0", "0.5", "melhor"])
cbar.ax.tick_params(labelsize=12)
plt.title("Mudança Fracional " + str(Stat) + " - " + str(Tables[0][9:19]) + "-" + str(Tables[0][19:29]) + "\n" + Exps[0] + " Vs. " + Exps[1], fontsize=14)
fig = ax.get_figure()
plt.xlabel("Horas de Integração")
plt.yticks(fontsize=12)
plt.xticks(rotation=90, fontsize=12)
plt.figure()
plt.tight_layout()
if saveFig:
fig_name = "SCORECARD_" + str(Tstat).upper() + "_" + str(Stat) + "_" + str(Exps[0]) + "_" + str(Exps[1]) + "_" + str(Tables[0][9:19]) + str(Tables[0][19:29]) + ".png"
fig.savefig(os.path.join(figDir, fig_name), bbox_inches="tight", dpi=120)
plt.close()
if showFig:
plt.show()
return
def plot_dTaylor(dTable,data_conf,Vars,Stats,outDir,**kwargs):
"""
plot_dTaylor
============
Esta função plota o diagrama de Taylor a partir das tabelas de estatísticas
do SCANTEC, para um ou mais experimentos.
Esta função utiliza o módulo SkillMetrics (https://pypi.org/project/SkillMetrics/).
Parâmetros de entrada
---------------------
dTable : objeto dicionário com uma ou mais tabelas do SCANTEC;
Vars : lista com os nomes e níveis das variáveis;
data_conf : objeto dicionário com as configurações do SCANTEC;
Stats : lista com os nomes das estatísticas a serem processadas
(são necessárias as tabelas ACOR, RMSE e VIES);
outDir : string com o diretório com as tabelas do SCANTEC.
Parâmetros de entrada opcionais
-------------------------------
showFig : valor Booleano para mostrar ou não as figuras durante a plotagem:
* showFig=False (valor padrão), não mostra as figuras (mais rápido);
* showFig=True, mostra as figuras (mais lento);
saveFig : valor Booleano para salvar ou não as figuras durante a plotagem:
* saveFig=False (valor padrão), não salva as figuras;
* saveFig=True, salva as figuras;
figDir : string com o diretório onde as figuras serão salvas.
Resultado
---------
Figuras salvas no diretório definido na variável outDir ou figDir. Se figDir não
for passado, então as figuras são salvas no diretório outDir (SCANTEC/dataout).
Uso
---
import scanplot
data_vars, data_conf = scanplot.read_namelists("~/SCANTEC")
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
Vars = list(map(data_vars.get,[*data_vars.keys()]))
Stats = ["ACOR", "RMSE", "VIES"]
Exps = list(data_conf["Experiments"].keys())
outDir = data_conf["Output directory"]
figDir = data_conf["Output directory"]
dTable = scanplot.get_dataframe(dataInicial,dataFinal,Stats,Exps,outDir)
scanplot.plot_dTaylor(dTable,data_conf,Vars,Stats,outDir,figDir=figDir,showFig=True,saveFig=True)
Observações
-----------
Experimental, esta função considera o devio-padrão como a raiz quadrada do RMSE.
"""
# Verifica se foram passados os argumentos opcionais e atribui os valores
if 'tExt' in kwargs:
tExt = kwargs['tExt']
# Atualiza o valor global de tExt
gvars.tExt = tExt
else:
tExt = gvars.tExt
if 'figDir' in kwargs:
figDir = kwargs['figDir']
else:
figDir = outDir
if 'showFig' in kwargs:
showFig = kwargs['showFig']
else:
showFig = gvars.showFig
if 'saveFig' in kwargs:
saveFig = kwargs['saveFig']
else:
saveFig = gvars.saveFig
if isnotebook(get_ipython().__class__.__name__):
if showFig:
ipython.magic('matplotlib inline')
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else:
if not showFig:
mpl.use('agg')
mpl.rcParams.update({'figure.max_open_warning': 0})
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
datai = dataInicial.strftime('%Y%m%d%H')
dataf = dataFinal.strftime('%Y%m%d%H')
# Ignore Seaborn and respect rcParams
sns.reset_orig()
# Set the figure properties (optional)
rcParams["figure.figsize"] = [8.0, 6.5]
rcParams['lines.linewidth'] = 1 # line width for plots
rcParams.update({'font.size': 12}) # font size of axes text
rcParams['axes.titlepad'] = 40 # title vertical distance from plot
Exps = [*data_conf['Experiments'].keys()]
fig = plt.figure()
for exp in range(len(Exps)):
for var in range(len(Vars)):
tAcor = list(filter(lambda x:'ACOR' in x, [*dTable.keys()]))[exp]
tRmse = list(filter(lambda x:'RMSE' in x, [*dTable.keys()]))[exp]
tVies = list(filter(lambda x:'VIES' in x, [*dTable.keys()]))[exp]
bias = dTable[tVies].loc[:,[Vars[var][0].lower()]].to_numpy()
ccoef = dTable[tAcor].loc[:,[Vars[var][0].lower()]].to_numpy()
crmsd = dTable[tRmse].loc[:,[Vars[var][0].lower()]].to_numpy()
sdev = (dTable[tRmse].loc[:,[Vars[var][0].lower()]]**(1/2)).to_numpy() # rever
biasT = bias.T
ccoefT = ccoef.T
crmsdT = crmsd.T
sdevT = sdev.T
bias = np.squeeze(biasT)
ccoef = np.squeeze(ccoefT)
crmsd = np.squeeze(crmsdT)
sdev = np.squeeze(sdevT)
label = [*dTable[tVies].loc[:,"%Previsao"].values]
if not showFig:
plt.figure()
plt.tight_layout()
sm.taylor_diagram(sdev, crmsd, ccoef, markerLabel = label,
locationColorBar = 'EastOutside',
markerDisplayed = 'colorBar', titleColorBar = 'Bias',
markerLabelColor='black', markerSize=10,
markerLegend='off', cmapzdata=bias,
colRMS='g', styleRMS=':', widthRMS=2.0, titleRMS='on',
colSTD='b', styleSTD='-.', widthSTD=1.0, titleSTD ='on',
colCOR='k', styleCOR='--', widthCOR=1.0, titleCOR='on')
plt.title("Diagrama de Taylor " + str(Exps[exp]) + '\n' + str(Vars[var][1]), fontsize=14)
if saveFig:
#fig_name = 'dtaylor-' + str(Exps[exp]) + '-' + Vars[var][0] + '.png'
if tExt == 'scan':
fig_name = 'DTAYLOR_' + str(Exps[exp]) + '_' + str(datai) + str(dataf) + '_' + Vars[var][0].replace(':', '') + '.png'
else:
fig_name = 'DTAYLOR_' + str(Exps[exp]) + '_' + str(datai) + str(dataf) + '_' + Vars[var][0].replace('-','') + '.png'
plt.savefig(os.path.join(figDir, fig_name), bbox_inches="tight", dpi=120)
if showFig:
plt.show()
else:
plt.close(fig)
plt.close(fig)
return
def plot_fields(dSet,Vars,Stats,outDir,**kwargs):
"""
plot_fields
===========
Esta função plota gráficos espaciais a partir de um dicionário de dataarrays com os arquivos binários do SCANTEC.
Parâmetros de entrada
---------------------
dSet : objeto dicionário com uma ou mais arquivos binários do SCANTEC;
Vars : lista com os nomes e níveis das variáveis;
Stats : lista com os nomes das estatísticas a serem processadas;
outDir : string com o diretório com os arquivos binários do SCANTEC.
Parâmetros de entrada opcionais
-------------------------------
showFig : valor Booleano para mostrar ou não as figuras durante a plotagem
showFig=False (valor padrão), não mostra as figuras (mais rápido)
showFig=True, mostra as figuras (mais lento);
saveFig : valor Booleano para salvar ou não as figuras durante a plotagem:
* saveFig=False (valor padrão), não salva as figuras;
* saveFig=True, salva as figuras;
lineStyles : lista com as cores e os estilos das linhas (o número de elementos
da lista deve ser igual ao número de experimentos);
figDir : string com o diretório onde as figuras serão salvas;
combine : valor Booleano para combinar os campos das estatísticas dos experimentos em um só gráfico:
* combine=False (valor padrão), plota os campos em gráficos separados;
* combine=True, plota os campos das mesmas estatísticas no mesmo gráfico (painel);
tExt : string com o extensão dos nomes das tabelas do SCANTEC:
* tExt='scan' (valor padrão), considera os arquivos binários do SCANTEC;
* tExt='scam', considera os nomes dos arquivos binários das versões antigas do SCANTEC.
hvplot : valor Booleano para apresentar utilizar o hvplot (holoviews) e controlar o loop temporal das figuras por meio de widgets
* hvplot=False (valor padrão), apresenta os campos como um painel
* hvplot=True, apresenta os campos como um loop controlado por widgets
Resultado
---------
Figuras salvas no diretório definido na variável outDir ou figDir. Se figDir não
for passado, então as figuras são salvas no diretório outDir (SCANTEC/dataout).
Uso
---
import scanplot
data_vars, data_conf = scanplot.read_namelists("~/SCANTEC")
dataInicial = data_conf["Starting Time"]
dataFinal = data_conf["Ending Time"]
Vars = list(map(data_vars.get,[*data_vars.keys()]))
Stats = ["ACOR", "RMSE", "VIES"]
Exps = list(data_conf["Experiments"].keys())
outDir = data_conf["Output directory"]
figDir = data_conf["Output directory"]
lineStyles = ['k-', 'b-', 'b--', 'r-', 'r--']
dSet = scanplot.get_dataset(data_conf,data_vars,Stats,Exps,outDir)
scanplot.plot_fields(dSet,Vars,Stats,outDir,showFig=True,saveFig=True,lineStyles=lineStyles,figDir=figDir)
"""
# tExt é uma variável global e o seu valor é sempre atualizado
global tExt
# Verifica se foram passados os argumentos opcionais e atribui os valores
if 'combine' in kwargs:
combine = kwargs['combine']
else:
combine = gvars.combine
if 'tExt' in kwargs:
tExt = kwargs['tExt']
# Atualiza o valor global de tExt
gvars.tExt = tExt
else:
tExt = gvars.tExt
if 'figDir' in kwargs:
figDir = kwargs['figDir']
# Verifica se o diretório figDir existe e cria se necessário
if not os.path.exists(figDir):
os.makedirs(figDir)
else:
figDir = outDir
if 'showFig' in kwargs:
showFig = kwargs['showFig']
else:
showFig = gvars.showFig
if 'saveFig' in kwargs:
saveFig = kwargs['saveFig']
else:
saveFig = gvars.saveFig
if 'lineStyles' in kwargs:
lineStyles = kwargs['lineStyles']
else:
lineStyles = gvars.lineStyles
if 'hvplot' in kwargs:
hvplot = kwargs['hvplot']
else:
hvplot = gvars.hvplot
if 'avaltype' in kwargs:
avaltype = kwargs['avaltype']
else:
avaltype = gvars.avaltype
# Opção combine=True
if combine and hvplot:
if isnotebook(get_ipython().__class__.__name__): # seções iterativas
if showFig:
ipython.magic('matplotlib inline')
#mpl.rc('figure', max_open_warning = 0)
mpl.rcParams.update({'figure.max_open_warning': 0})
else:
ipython.magic('matplotlib agg')
else: # seções não iterativas
if not showFig:
mpl.use('agg')