In [3]:
import pandas as pd
import numpy as np
In [15]:
def doHist(data):
h = np.zeros(600)
print np.ceil(data.values).astype(int)
for j in np.ceil(data.values).astype(int):
h[j:] += 1
print h
h /= len(data)
return h
In [16]:
train = pd.read_csv('/storage/hpc_dmytro/Kaggle/SDSB/labels/train.csv')
#print np.ceil(train.Systole.values).astype(int)
hSystole = doHist(train.Systole)
hDiastole = doHist(train.Diastole)
[109 55 33 58 84 226 65 159 62 106 46 28 57 51 125 118 76 108
116 73 96 45 83 25 36 76 120 47 16 101 20 24 105 101 59 157
44 71 18 113 74 84 76 83 68 66 47 40 66 131 74 51 58 49
91 44 58 134 77 34 59 58 80 46 54 10 122 66 73 43 77 184
83 92 78 57 93 163 30 38 125 167 49 44 57 92 32 89 40 25
52 45 37 99 82 59 86 94 79 122 41 75 97 29 15 62 68 29
138 50 51 47 54 49 68 160 83 65 227 21 95 50 25 62 88 58
89 33 30 121 61 82 57 109 175 78 56 26 40 76 93 90 65 16
65 67 52 72 62 78 44 87 43 87 86 41 57 59 46 123 117 66
95 75 147 83 129 34 63 75 52 50 25 45 163 57 44 61 94 56
38 58 75 72 108 76 109 92 152 89 48 52 47 48 159 14 70 55
87 51 67 29 68 32 93 46 137 33 37 90 74 5 71 97 16 31
47 57 83 203 33 78 10 45 33 73 45 94 97 53 77 40 60 110
69 77 40 76 86 62 65 210 30 51 123 77 65 54 74 83 49 39
62 95 57 77 47 157 90 44 66 119 36 44 56 54 51 82 489 57
49 23 70 256 64 215 92 43 34 154 13 49 31 57 18 38 54 67
42 71 138 52 55 50 114 42 52 75 72 140 55 59 86 73 36 55
17 63 172 134 130 90 50 78 56 112 36 52 32 29 106 53 36 40
36 72 44 45 63 57 52 91 56 40 173 47 65 50 151 45 88 49
57 39 35 100 105 78 93 44 28 115 59 88 60 132 75 78 98 103
45 50 80 72 75 62 85 83 114 39 70 64 49 73 81 46 67 73
74 52 72 51 53 50 49 72 75 50 46 11 59 121 68 38 60 41
75 61 82 46 57 64 49 97 85 32 71 84 31 65 81 82 46 21
5 89 55 42 46 72 106 44 65 52 62 56 52 49 91 71 295 103
74 98 39 92 182 63 76 89 121 47 130 113 37 82 81 44 91 100
78 80 51 42 48 26 49 74 95 49 37 55 39 66 22 86 71 48
180 38 55 34 34 77 37 9 54 216 57 48 72 53 87 201 66 47
96 83 191 50 63 95 137 83 45 45 53 63 61 34]
[ 0. 0. 0. 0. 0. 2. 2. 2. 2. 3. 5. 6.
6. 7. 8. 9. 12. 13. 15. 15. 16. 18. 19. 20.
21. 25. 27. 27. 29. 33. 36. 39. 43. 48. 54. 55.
61. 66. 71. 76. 83. 86. 90. 93. 104. 114. 123. 132.
137. 150. 160. 168. 179. 184. 190. 198. 204. 218. 224. 231.
234. 238. 246. 252. 255. 264. 271. 275. 280. 281. 284. 290.
299. 305. 312. 321. 328. 335. 343. 344. 347. 350. 356. 366.
369. 371. 376. 380. 383. 388. 392. 396. 401. 405. 408. 413.
415. 419. 421. 422. 424. 426. 426. 428. 428. 430. 433. 433.
435. 438. 439. 439. 440. 442. 444. 445. 446. 447. 448. 449.
450. 453. 455. 457. 457. 459. 459. 459. 459. 460. 462. 463.
464. 464. 466. 466. 466. 468. 470. 470. 471. 471. 471. 471.
471. 471. 471. 472. 472. 472. 472. 473. 474. 474. 475. 475.
475. 477. 477. 479. 480. 480. 480. 482. 482. 482. 482. 483.
483. 483. 483. 483. 484. 485. 485. 486. 486. 486. 486. 486.
487. 487. 488. 488. 489. 489. 489. 489. 489. 489. 489. 490.
490. 490. 490. 490. 490. 490. 490. 490. 490. 491. 491. 492.
492. 492. 492. 492. 492. 492. 493. 493. 493. 493. 493. 494.
495. 495. 495. 495. 495. 495. 495. 495. 495. 495. 496. 497.
497. 497. 497. 497. 497. 497. 497. 497. 497. 497. 497. 497.
497. 497. 497. 497. 497. 497. 497. 497. 497. 497. 497. 497.
497. 497. 497. 497. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 498. 498. 498. 498. 498. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.]
[247 138 100 155 236 318 138 306 153 220 122 94 156 176 237 205 180 175
195 163 183 125 168 83 121 158 205 123 45 245 88 106 158 191 136 268
131 182 70 227 205 130 198 225 125 158 128 122 179 284 204 176 128 108
203 167 158 278 178 93 157 130 184 148 188 21 206 175 193 188 196 231
191 178 209 163 219 227 113 101 211 211 161 137 153 231 95 197 138 91
128 134 130 177 212 178 195 208 157 284 124 198 215 107 36 149 170 93
280 136 173 126 190 111 173 258 215 158 264 66 250 147 89 204 231 117
193 127 67 235 178 175 167 256 324 178 178 96 143 102 235 199 187 78
182 192 141 170 107 189 129 203 120 181 174 129 165 178 127 316 259 153
227 206 280 234 219 123 143 187 126 112 83 156 315 141 121 141 210 163
120 147 179 185 176 168 195 198 244 157 131 144 160 126 215 56 180 177
191 139 137 128 171 107 177 125 268 93 118 214 168 11 177 221 56 102
129 138 224 351 118 153 40 140 119 191 122 151 199 141 171 142 134 250
156 166 137 198 224 171 133 269 100 147 257 173 146 143 169 188 147 113
133 203 154 164 116 235 205 134 171 261 99 126 125 145 110 182 569 144
125 63 162 332 184 398 238 123 67 229 32 126 89 151 45 101 139 174
84 161 233 198 157 158 168 130 134 172 196 242 119 167 197 154 121 153
33 146 252 273 191 201 165 208 191 211 96 150 111 92 117 147 106 122
135 223 131 148 172 121 162 176 158 107 328 122 190 165 213 118 224 118
180 104 111 194 186 192 194 131 112 235 130 222 145 270 246 159 151 220
129 155 165 163 174 128 199 212 229 158 165 157 138 249 177 156 162 174
136 150 172 124 159 119 122 145 214 126 114 24 139 194 189 123 161 114
197 140 156 104 132 152 135 216 199 116 171 176 87 179 161 212 109 80
13 158 156 124 121 177 236 137 189 157 200 153 89 155 182 167 360 210
185 236 105 204 316 141 180 223 238 144 185 272 108 183 170 157 180 257
185 163 155 134 131 69 136 186 237 115 132 146 146 177 70 182 179 134
250 132 135 88 98 189 118 29 135 337 136 138 161 151 208 278 174 120
191 170 326 112 164 201 293 206 158 109 144 203 148 102]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.
1. 2. 2. 2. 2. 2. 2. 2. 2. 3. 3. 3.
4. 4. 4. 4. 4. 5. 5. 5. 6. 7. 7. 7.
8. 8. 8. 8. 9. 9. 9. 9. 9. 11. 11. 11.
11. 11. 11. 11. 11. 11. 11. 11. 13. 13. 13. 13.
13. 13. 13. 14. 14. 14. 15. 17. 17. 18. 20. 20.
20. 20. 20. 20. 20. 20. 21. 21. 22. 22. 22. 24.
25. 25. 25. 26. 28. 31. 31. 32. 33. 36. 37. 38.
40. 40. 41. 42. 44. 46. 49. 49. 51. 52. 54. 58.
60. 62. 63. 66. 69. 71. 73. 74. 76. 78. 83. 86.
89. 94. 100. 104. 107. 112. 118. 120. 125. 129. 134. 139.
142. 144. 150. 154. 159. 163. 169. 172. 174. 179. 180. 183.
187. 190. 194. 199. 202. 203. 205. 209. 210. 216. 218. 222.
228. 235. 245. 247. 248. 253. 256. 261. 263. 268. 269. 273.
277. 278. 282. 287. 290. 293. 298. 301. 306. 313. 320. 324.
329. 330. 335. 337. 339. 343. 345. 347. 350. 354. 356. 363.
365. 367. 370. 373. 375. 378. 383. 387. 388. 390. 390. 394.
397. 401. 404. 404. 407. 408. 410. 413. 416. 417. 419. 422.
423. 423. 423. 425. 427. 428. 429. 431. 434. 435. 435. 438.
438. 440. 440. 443. 443. 444. 445. 449. 452. 454. 456. 456.
456. 456. 457. 457. 458. 459. 460. 461. 461. 462. 465. 465.
466. 466. 466. 466. 467. 469. 470. 471. 471. 472. 472. 472.
473. 473. 473. 473. 475. 476. 477. 477. 478. 479. 479. 479.
479. 479. 481. 481. 483. 483. 483. 483. 485. 485. 485. 485.
485. 485. 485. 485. 485. 486. 486. 486. 486. 486. 486. 486.
486. 486. 486. 486. 486. 486. 487. 487. 487. 487. 487. 487.
487. 487. 487. 488. 490. 490. 491. 491. 491. 491. 491. 491.
492. 492. 493. 493. 494. 494. 494. 494. 495. 495. 495. 495.
495. 496. 496. 496. 496. 496. 496. 496. 496. 496. 496. 496.
496. 496. 496. 497. 497. 497. 497. 497. 497. 497. 497. 497.
498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498. 498.
498. 498. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499. 499.
499. 499. 499. 499. 499. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.
500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500. 500.]
In [ ]:
sub = pd.read_csv('/storage/hpc_dmytro/Kaggle/SDSB/submissions/sample_submission_validate.csv', index_col='Id')
N = len(sub)//2
X = np.zeros((2*N,600))
for i in range(N):
X[2*i,:] = hDiastole
X[2*i+1,:] = hSystole
sub[sub.columns] = X
In [ ]:
# Save the results
sub.to_csv('/storage/hpc_dmytro/Kaggle/SDSB/submissions/submission.csv')
Content source: skyfallen/SecondDataScienceBowl
Similar notebooks: