In [1]:

    

import ext_datos as ext
import pandas as pd
import matplotlib.pyplot as plt
import procesar as pr
import rellenar as re


    

In [2]:

    

data = ext.extraer_data('dia2')


    

    




1
2
4
5
1
5
2
2
1
4
4
5
3
4
3
1
3
1
5
2

In [3]:

    

motores = pr.procesar(data)


    

In [5]:

    

motoresTest=motores.dropna()


    

In [21]:

    

len(motores)


    

    
Out[21]:





208236

In [22]:

    

motoresTest=motoresTest[['busVoltage_m1','busVoltage_m2']]
motoresTest=motoresTest.reindex(np.random.permutation(motoresTest.index))


    

In [23]:

    

motor1=motoresTest['busVoltage_m1']
motor2=motoresTest['busVoltage_m2']


    

In [24]:

    

from sklearn import linear_model


    

In [25]:

    

motor1test=motor1[:len(motor1)/2]
motor2test=motor2[:len(motor2)/2]
motor1val=motor1[len(motor1)/2:]
motor2val=motor2[len(motor2)/2:]


    

In [26]:

    

xx = motor1test.reshape((motor1test.shape[0],-1))
yy = motor2test.reshape((motor2test.shape[0],-1))
xt = motor1val.reshape((motor1val.shape[0],-1))
yt = motor2val.reshape((motor2val.shape[0],-1))


    

In [27]:

    

regr = linear_model.LinearRegression()


    

In [28]:

    

regr.fit(xx,yy)


    

    
Out[28]:





LinearRegression(copy_X=True, fit_intercept=True, normalize=False)

In [29]:

    

print(regr.coef_,regr.intercept_)


    

    




(array([[ 1.00212909]]), array([-0.3345311]))

In [30]:

    

np.mean((regr.predict(xt)-yt)**2)


    

    
Out[30]:





0.56373398610309999

In [31]:

    

regr.score(xt, yt)


    

    
Out[31]:





0.9972757018507804

In [32]:

    

plt.scatter(xt,yt,  color='black')
plt.plot(xt, regr.predict(xt), color='blue',linewidth=3)

plt.show()


    

In [ ]:

    

np.array([regr.intercept_[0], regr.coef_[0]])


    

In [33]:

    

ecuacion_lineal_voltaje_m2=re.regresion_lineal(motores,'busVoltage_m1','busVoltage_m2')


    

    




la ecuacion de regresion lineal es: -0.325004 + 1.002095x
el error cuadratico medio es: 0.618875, (menor valor es mejor ajuste)
la varianza es: 0.997111, (1 significa prediccion perfecta)






    

In [34]:

    

ecuacion_lineal_voltaje_m1=re.regresion_lineal(motores,'busVoltage_m2','busVoltage_m1')


    

    




la ecuacion de regresion lineal es: 0.873353 + 0.994329x
el error cuadratico medio es: 0.580611, (menor valor es mejor ajuste)
la varianza es: 0.997305, (1 significa prediccion perfecta)






    

In [35]:

    

ecuacion_lineal_corriente_m2=re.regresion_lineal(motores,'busCurrent_m1','busCurrent_m2')


    

    




la ecuacion de regresion lineal es: -0.187912 + 0.814952x
el error cuadratico medio es: 2.498282, (menor valor es mejor ajuste)
la varianza es: 0.927576, (1 significa prediccion perfecta)






    

In [36]:

    

ecuacion_lineal_corriente_m1=re.regresion_lineal(motores,'busCurrent_m2','busCurrent_m1')


    

    




la ecuacion de regresion lineal es: 0.407470 + 1.129005x
el error cuadratico medio es: 3.493346, (menor valor es mejor ajuste)
la varianza es: 0.927422, (1 significa prediccion perfecta)






    

In [ ]:

    

motortest=motores[motores['busVoltage_m2'].isnull()]['busVoltage_m2']
motortest=ecuacion_lineal_voltaje_m2[0]+ecuacion_lineal_voltaje_m2[1]*motores[motores['busVoltage_m2'].isnull()]['busVoltage_m1']


    

In [ ]:

    

series=motores
series['busVoltage_m2'][series['busVoltage_m2'].isnull()].replace(motortest,inplace=True)


    

In [ ]:

    

motores['busVoltage_m2']


    

In [ ]: