-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathcartera_digital_completo_scl.py
1443 lines (1178 loc) · 51.3 KB
/
cartera_digital_completo_scl.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
# -*- coding: utf-8 -*-
"""
Created on Mon Oct 19 10:42:59 2020
@author: ALOP
Updated on Thu Jun 10 2021, [email protected]
Updated on Mon Nov 01, 2021, [email protected]
Last updated on Mon July 24, 2023, [email protected]
"""
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 4 11:54:09 2019
@author: Noux
@proyecto: Análisis de ejes Transversales para BID.
El presente código ha sido creado con el fin de realizar un procesamiento de texto y búsqueda de palabras,
por medio de los cuales asignaremos una clasificación de acuerdo a un diccionario previamente establecido.
Este diccionario ha sido creado por los expertos de BID, las cuales han determinado palabras claves con lo
cual se puede clasificar el tipo de Producto al que se refiere el texto, es decir, clasificar en un texto
tipo DIGITAL, NO DIGITAL y SIN DEFINIR.
La categoría SIN DEFINIR se refiere a que menciona palabras que por si sola aún no se puede clasificar el
texto y por lo cual depende del sentido de la frase para poder clasificarlas.
En este sentido y con la necesidad de clasificar de manera rápida y correcta a estos archivos, se crea un
diccionario adicional ya no de palabras, sino de un conjunto de palabras, las cuales explicar si el texto
es DIGITAL o no lo es.
"""
import sys
sys.stdout.encoding
"UTF-8"
import numpy as np
import pandas as pd
from pandas import DataFrame
import unicodedata
from nltk.tokenize import RegexpTokenizer
from nltk.corpus import stopwords
from itertools import chain
from datetime import datetime, date, time, timedelta
import re, string
from textblob import TextBlob
import os
import time
import ibm_db
import sys
import pyodbc
##################### Extracción de datos operaciones #########################
# Set up the connection to the database
conn = pyodbc.connect(
"DRIVER=DenodoODBC Unicode(x64);"
"SERVER=datamarketplace;"
"DATABASE=ledw;"
# your IADB credentials
"UID=youruser;"
"PWD=yourpassword;"
"CHARSET=UTF-8;"
)
cursor = conn.cursor()
sql_cost = "WITH \
OUTPUTS AS ( \
SELECT DISTINCT *, ROW_NUMBER()OVER(PARTITION BY OPER_NUM, CMPNT_STMNT, OUTPUT_DEFNTN, IS_COST, YR ORDER BY YR DESC,DW_UPDT_TS DESC)NUMBER_ROW \
FROM ledw.oper_ods_output_ind \
) \
SELECT DISTINCT C.OPER_NUM as OPERATION_NUMBER, C.OPER_ENGL_NM as OPERATION_NAME, C.OPERTYP_ENGL_NM AS OPERATION_TYPE_NAME, C.MODALITY_CD AS OPERATION_MODALITY, C.PREP_RESP_DEPT_CD AS DEPARTMENT, C.PREP_RESP_DIV_CD AS DIVISION, \
C.REGN AS REGION, C.CNTRY_BENFIT AS COUNTRY, C.STS_CD AS STATUS, C.STG_ENGL_NM AS STAGE, C.STS_ENGL_NM AS TAXONOMY, C.OPER_EXEC_STS AS EXEC_STS, C.APPRVL_DT AS APPROVAL_DATE, C.APPRVL_DT_YR as APPROVAL_YEAR, \
C.ORIG_APPRVD_USEQ_AMNT AS APPROVAL_AMOUNT, C.CURNT_DISB_EXPR_DT as CURRENT_EXPIRATION_DATE, C.RELTN_NUM AS RELATED_OPER,C.FACILITY_TYP_CD AS RELATION_TYPE, C.OPER_TYP_CD AS OPERATION_TYPE, A.OBJTV_ENGL as OBJECTIVE_EN,\
A.OBJTV_SPANISH as OBJECTIVE_ES, B.CMPNT_STMNT as COMPONENT_NAME, B.OUTPUT_DEFNTN as OUTPUT_NAME, C.FACILITY_TYP_ENGL_NM AS OUTPUT_DESCRIPTION, B.ACTUAL_VAL AS OUTPUT_COST, B.IS_COST AS IS_COST, NUMBER_ROW, \
OUTPUT_UOM \
FROM ledw.spd_ods_hopermas C \
JOIN (SELECT OPER_NUM, MAX(DW_CRTE_TS) AS MAX_DT from ledw.spd_ods_hopermas GROUP BY OPER_NUM) t ON C.OPER_NUM= t.OPER_NUM and C.DW_CRTE_TS = t.MAX_DT \
LEFT JOIN ledw.oper_ods_oper A ON C.OPER_NUM = A.OPER_NUM \
LEFT JOIN (SELECT * FROM OUTPUTS WHERE YR=-1 AND NUMBER_ROW=1) B ON C.OPER_NUM = B.OPER_NUM \
WHERE C.APPRVL_DT_YR >= 2015 AND C.PREP_RESP_DEPT_CD='SCL' AND ( C.OPER_TYP_CD= 'TCP' OR C.OPER_TYP_CD = 'LON')" # SQL query de datos deseados, MRT: se agrega filtro de fecha de aprobación menor al día de hoy y se quita =ACTIVE
# Querying data
cursor.execute(sql_cost)
# Fetching the data as binary
rows = cursor.fetchall()
# Decoding the binary data to strings using UTF-8 encoding
decoded_rows = []
for row in rows:
decoded_row = []
for value in row:
if isinstance(value, bytes):
decoded_row.append(value.decode("utf-8", errors="replace"))
else:
decoded_row.append(value)
decoded_rows.append(decoded_row)
# Defining the column names
column_names = [column[0] for column in cursor.description]
# Creating the DataFrame
Metadatos_tot = pd.DataFrame(decoded_rows, columns=column_names)
# Closing the connection
conn.close()
##### Analysis operations #####
# Database in mayuscules
Metadatos_tot.columns = [column.upper() for column in Metadatos_tot.columns]
# filter only operations which have been approved
now = pd.Timestamp.now()
Metadatos_tot = Metadatos_tot[
(Metadatos_tot["APPROVAL_DATE"] < now) | (Metadatos_tot["APPROVAL_DATE"].isnull())
]
###### Datos para generar resultados #######
Metadatos = Metadatos_tot[
(Metadatos_tot.IS_COST == 1) | (Metadatos_tot.IS_COST.isnull())
]
Resultados = Metadatos_tot[(Metadatos_tot.IS_COST == 0)]
Resultados["OUTPUT_FI"] = Resultados["OUTPUT_COST"]
Resultatos = Resultados[
["OPERATION_NUMBER", "COMPONENT_NAME", "OUTPUT_NAME", "OUTPUT_FI", "OUTPUT_UOM"]
]
# sql_results = "WITH \
# OUTPUTS AS ( \
# SELECT DISTINCT OPER_NUM, OUTPUT_UOM, OUTPUT_ID, OUTPUT_DEFNTN,CMPNT_STMNT, IS_COST,\
# SUM(ANNL_PLAN) AS ANNL_PLAN, \
# SUM(ACTUAL_VAL) AS ACTUAL_VAL,\
# SUM(ORIG_PLAN) AS ORIG_PLAN \
# FROM ODS.OPER_ODS_OUTPUT_IND \
# WHERE YR>0 AND YR<=YEAR(DATE(NOW())) AND IS_COST=0 AND IS_CLOSED=0 \
# GROUP BY OPER_NUM, OUTPUT_UOM, OUTPUT_ID, OUTPUT_DEFNTN,CMPNT_STMNT, IS_COST \
# ) \
# SELECT DISTINCT C.OPER_NUM as OPERATION_NUMBER, C.PREP_RESP_DEPT_CD AS DEPARTMENT, C.APPRVL_DT AS APPROVAL_DATE, C.OPER_TYP_CD AS OPERATION_TYPE, B.CMPNT_STMNT as COMPONENT_NAME, \
# B.OUTPUT_DEFNTN as OUTPUT_NAME, B.OUTPUT_UOM, B.IS_COST, B.ANNL_PLAN AS OUTPUT_FI, B.ACTUAL_VAL AS ACTUAL_VAL, B.ORIG_PLAN AS ORIG_PLAN \
# FROM ODS.SPD_ODS_HOPERMAS C \
# JOIN (SELECT OPER_NUM, MAX(DW_CRTE_TS) AS MAX_DT from ODS.SPD_ODS_HOPERMAS GROUP BY OPER_NUM) t ON C.OPER_NUM= t.OPER_NUM and C.DW_CRTE_TS = t.MAX_DT \
# LEFT JOIN ODS.OPER_ODS_OPER A ON C.OPER_NUM = A.OPER_NUM \
# LEFT JOIN (SELECT * FROM OUTPUTS) B ON C.OPER_NUM = B.OPER_NUM \
# WHERE C.APPRVL_DT_YR >= 2015 AND C.PREP_RESP_DEPT_CD='SCL' AND DATE(C.APPRVL_DT)<DATE(NOW()) AND ( C.OPER_TYP_CD= 'TCP' OR C.OPER_TYP_CD = 'LON')"
# stmt_results = ibm_db.exec_immediate(conn, sql_results) #Querying data
# cols_result = ['OPERATION_NUMBER','COMPONENT_NAME', 'OUTPUT_NAME', 'OUTPUT_FI', 'OUTPUT_UOM']
# Resultados = pd.DataFrame(columns=cols_result)
# resulta_fi = ibm_db.fetch_both(stmt_results)
# while(resulta_fi):
# Resultados = Resultados.append(resulta_fi, ignore_index=True)
# resulta_fi = ibm_db.fetch_both(stmt_results)
# Resultados = Resultados.iloc[:, 0:6]
# Resultados.shape #Visualizando resultado
# Resultados.drop_duplicates(inplace=True)
ibm_db.close # Cerrando la conexión
################# Lectura del archivo diccionario #############################
# Cambiar path al local dónde se tiene el folder de cartera digital
path = "C:/Users/MARIAREY/OneDrive - Inter-American Development Bank Group/General/cartera digital/Dashboard/"
####Se forma un solo diccionario
Diccionario = pd.ExcelFile(path + "/Inputs/01_Diccionario_token_digital.xlsx")
Diccionario = Diccionario.parse("Sheet1") ############Lectura de data
Diccionario.head() ####ver los primeros registros de la data
Diccionario.columns.values ###Los nombres de las columnas
Diccionario.shape #####dimensiones de la data
Diccionario_En = Diccionario[["TIPO", "INGLES", "TOKENS"]]
Diccionario_En.dropna(inplace=True)
Diccionario_En.rename(columns={"INGLES": "PALABRAS"}, inplace=True)
Diccionario_En["IDIOMA"] = "en"
Diccionario_Es = Diccionario[["TIPO", "ESPANOL", "TOKENS"]]
Diccionario_Es.dropna(inplace=True)
Diccionario_Es.rename(columns={"ESPANOL": "PALABRAS"}, inplace=True)
Diccionario_Es["IDIOMA"] = "es"
Diccionario_Pt = Diccionario[["TIPO", "PORTUGUES", "TOKENS"]]
Diccionario_Pt.dropna(inplace=True)
Diccionario_Pt.rename(columns={"PORTUGUES": "PALABRAS"}, inplace=True)
Diccionario_Pt["IDIOMA"] = "pt"
Diccionario_Fr = Diccionario[["TIPO", "FRANCES", "TOKENS"]]
Diccionario_Fr.dropna(inplace=True)
Diccionario_Fr.rename(columns={"FRANCES": "PALABRAS"}, inplace=True)
Diccionario_Fr["IDIOMA"] = "fr"
Diccionario_Total = pd.concat(
[Diccionario_Es, Diccionario_En, Diccionario_Pt, Diccionario_Fr]
)
Diccionario_Total2 = Diccionario_Total[["TIPO", "PALABRAS", "TOKENS"]].drop_duplicates()
#######Lectura de diccionario para los textos que se encuentran en sin definir #########
diccionario_bigrama = pd.read_excel(
path + "/Inputs/02_Diccionario_bigrama_digital.xlsx", sheet_name="Hoja1"
)
diccionario_bigrama_En = diccionario_bigrama[["TIPO", "INGLES"]]
diccionario_bigrama_En.dropna(inplace=True)
diccionario_bigrama_En.rename(columns={"INGLES": "PALABRAS"}, inplace=True)
diccionario_bigrama_En["IDIOMA"] = "en"
diccionario_bigrama_Es = diccionario_bigrama[["TIPO", "ESPANOL"]]
diccionario_bigrama_Es.dropna(inplace=True)
diccionario_bigrama_Es.rename(columns={"ESPANOL": "PALABRAS"}, inplace=True)
diccionario_bigrama_Es["IDIOMA"] = "es"
diccionario_bigrama_Pt = diccionario_bigrama[["TIPO", "PORTUGUES"]]
diccionario_bigrama_Pt.dropna(inplace=True)
diccionario_bigrama_Pt.rename(columns={"PORTUGUES": "PALABRAS"}, inplace=True)
diccionario_bigrama_Pt["IDIOMA"] = "pt"
diccionario_bigrama_Fr = diccionario_bigrama[["TIPO", "FRANCES"]]
diccionario_bigrama_Fr.dropna(inplace=True)
diccionario_bigrama_Fr.rename(columns={"FRANCES": "PALABRAS"}, inplace=True)
diccionario_bigrama_Fr["IDIOMA"] = "fr"
diccionario_bigrama = pd.concat(
[
diccionario_bigrama_Es,
diccionario_bigrama_En,
diccionario_bigrama_Pt,
diccionario_bigrama_Fr,
]
)
############Eliminacion de registros dobles cuyas fechas current expiration date tenga null #####################
Metadatos.columns = [w.upper() for w in Metadatos.columns]
p = datetime.strptime("1900-1-1", "%Y-%m-%d")
Metadatos[["CURRENT_EXPIRATION_DATE"]] = Metadatos[["CURRENT_EXPIRATION_DATE"]].fillna(
p
)
w = Metadatos[["CURRENT_EXPIRATION_DATE"]].groupby(Metadatos["OPERATION_NUMBER"]).max()
w.reset_index(inplace=True)
w = w.rename(columns={"CURRENT_EXPIRATION_DATE": "CURRENT_EXPIRATION__DATE"})
Metadatos = Metadatos.merge(w)
Metadatos = Metadatos[
Metadatos["CURRENT_EXPIRATION_DATE"] == Metadatos["CURRENT_EXPIRATION__DATE"]
]
Metadatos.drop(["CURRENT_EXPIRATION__DATE"], axis=1, inplace=True)
######################Subase donde se encuentra las columnas las cuales seran procesadas #############
Base = Metadatos[
[
"OPERATION_NUMBER",
"OPERATION_NAME",
"OBJECTIVE_ES",
"OBJECTIVE_EN",
"COMPONENT_NAME",
"OUTPUT_NAME",
"OUTPUT_DESCRIPTION",
]
]
#########################Generacion de stopwords ##############################################
listStopwordsEn = stopwords.words("english")
listStopwordsEs = stopwords.words("spanish")
listStopwordsFr = stopwords.words("french")
listStopwordsPt = stopwords.words("portuguese")
listStopwords = (
listStopwordsEn + listStopwordsEs + listStopwordsFr + listStopwordsPt + ["It"]
)
###################### FUNCIONES ###################################
def todate(text):
"""Lectura de fechas
Descripcion
----------------------------------------------------------------------------------
Transforma textos en fechas
Parametros:
----------------------------------------------------------------------------------
text (string) --- Texto de fechas en formato '%m/%d/%Y'
Retorno
----------------------------------------------------------------------------------
date
----------------------------------------------------------------------------------
"""
fecha = datetime.strptime(text, "%m/%d/%Y")
return fecha
def limpieza_texto1(text):
"""Lectura de texto
Descripcion
----------------------------------------------------------------------------------
Devuelve un texto plano, eliminando simbolos o caracteres innecesario.
Parametros:
----------------------------------------------------------------------------------
text (string) --- . Texto el cual va a ser procesado
Retorno
----------------------------------------------------------------------------------
string
"""
text = unicodedata.normalize("NFD", text)
text = text.encode("ascii", "ignore")
text = text.decode("utf-8")
return str(text)
def limpieza_texto2(text, diccionario):
"""Lectura de texto
Descripcion
----------------------------------------------------------------------------------
Busca palabras compuestas del diccionario para poderlas identificar de mejor manera.
Las palabras que va a buscar en esta parte serán las siguientes:
banda ancha
e government
big data
data mining
on line
en linea
Si en el texto SE encuentra alguna palabra llamada ' en linea con',no será tomado en cuenta para identificar las palabras,
debido a que esta palabra se refiere a estar alineado con algo y la palbra que deseamos buscar debe estar relacionado con 'on line'.
Parametros:
----------------------------------------------------------------------------------
text (String) --- Texto el cual va a ser procesado
Retorno
----------------------------------------------------------------------------------
Numero 1 o 0 --- Si retorna 1, es porque encontro
"""
text = unicodedata.normalize("NFD", text)
text = text.encode("ascii", "ignore")
text = text.decode("utf-8")
text = " " + text.lower()
text = text.replace("en linea con", " ")
text = re.sub("[%s]" % re.escape(string.punctuation), " ", text)
diccionario = diccionario[diccionario["TOKENS"] == 2]
# b =(text.find(' banda ancha ')>=0) | (text.find(' e government ')>=0) | (text.find(' big data ')>=0) | (text.find(' data mining ')>=0) | (text.find(' on line ')>=0) | (text.find(' data warehouse ')>=0) | (text.find(' en linea ')>=0)
a = []
text1 = " " + text + " "
for w in diccionario["PALABRAS"]:
if text1.find(" " + w + " ") >= 0:
a.append(w)
return a
def search_tec_inno(text):
"""Lectura de texto
Descripcion
----------------------------------------------------------------------------------
Busca si en el texto existen palabras que se encuentran relacionadas con la tecnologia e innovacion
Parametros:
----------------------------------------------------------------------------------
text (string) --- Texto el cual va a ser procesado
Retorno
----------------------------------------------------------------------------------
Numerico 1 o 0 --- 1 indica que en el texto si existen al menos una palabra que se refiere a tecnología e innovación
0 caso contrario
"""
text = unicodedata.normalize("NFD", text)
text = text.encode("ascii", "ignore")
text = text.decode("utf-8")
text = re.sub("[%s]" % re.escape(string.punctuation), " ", text)
text = text.lower()
b = (
(text.find("tecnolog") >= 0)
| (text.find("technolog") >= 0)
| (text.find("innova") >= 0)
)
if b == True:
a = 1
else:
a = 0
return a
def searchword(listWords, tokens):
"""Función de búsqueda de palabras
Descripcion
-------------------------------------------------------------------------------------------------------
Devuelve el listado de palabras que coinciden entre el diccionario de palabras y el texto tokenizado
Parameters
-------------------------------------------------------------------------------------------------------
tokens (list) -- Diccionario de palabras a buscar a el texto
listWords (list) -- Una lista en donce incluye el texto tokenizado
Returns
-----------------------------------------------------------------------------------------------------
list
"""
frozensetListWords = frozenset(listWords)
return [w for w in tokens if w in frozensetListWords]
def corpusword(text, diccionario, listStopwords):
""" Procesamiento del texto
Descripcion
------------------------------------------------------------------------------------------------------------
La función recibe el texto(text), lo convierte en un texto plano, tokeniza el texto,
elimina stopwords, para finalmente realizar la búsqueda de las palabras del diccionario en el texto procesado.
Parametros
-------------------------------------------------------------------------------------------------------------
text (string) --- El texto a procesar
diccionario (Dataframe) --- Diccionario de palabras para la búsqueda
listStopwords (list) --- Lista de stopwords
Retorno
-------------------------------------------------------------------------------------------------------------
list
Nota
-------------------------------------------------------------------------------------------------------------
Esta función necesita de dos funciones adicionales:
limpieza_texto1(....)
searchword(.....)
"""
tokenizer = RegexpTokenizer(r"[a-zA-Z]+")
text = limpieza_texto1(text)
tokens = tokenizer.tokenize(text)
tokens = [w for w in tokens if not w in listStopwords]
tokens = [w.lower() for w in tokens]
tokens = searchword(diccionario, tokens)
return list(set(tokens))
def singular(text):
""" Procesamiento del texto
Descripcion
------------------------------------------------------------------------------------------------------------
Convierte las palabras de plural a singular.
Parametros
-------------------------------------------------------------------------------------------------------------
text (string) --- El texto a procesar
Retorno
-------------------------------------------------------------------------------------------------------------
string
"""
y = TextBlob(text)
a = []
for j in list(range(len(y.words))):
a.append(y.words[j].singularize())
b = " ".join(a)
return b
def searchsysteminformation(text):
""" Busqueda se sistemas de información.
Descripcion
------------------------------------------------------------------------------------------------------------
La función recibe el texto(text), y busca las palabras "sistemas" e "información" y que no estén separadas
por ningún signo de puntuación. El mismo proceso para "tecnologia" e "información".
Parametros
-------------------------------------------------------------------------------------------------------------
text (string) --- El texto a procesar
Retorno
-------------------------------------------------------------------------------------------------------------
Retorna:"sistema de información" o tic si encuentra las condiciones dadas.
"""
text = limpieza_texto1(text)
text = text.lower()
text = text.replace(",", " , ")
text = text.replace(".", " , ")
text = text.replace(":", " , ")
text = text.replace(";", " , ")
o = re.sub("[%s]" % re.escape(string.punctuation), " , ", text)
o = o.split()
u = DataFrame(o, columns=["AB"])
p = u[
(u["AB"] == "sistema")
| (u["AB"] == "sistemas")
| (u["AB"] == "informacion")
| (u["AB"] == "system")
| (u["AB"] == "systems")
| (u["AB"] == ",")
| (u["AB"] == "information")
| (u["AB"] == "technologies")
| (u["AB"] == "technology")
| (u["AB"] == "tecnologias")
| (u["AB"] == "tecnologia")
| (u["AB"] == "informacao")
| (u["AB"] == "sistemes")
| (u["AB"] == "sisteme")
]["AB"]
p = list(p)
p = "".join(p)
a = []
if (
(p.find("systeminformation") >= 0)
| (p.find("sistemainformacion") >= 0)
| (p.find("sistemasinformacion") >= 0)
| (p.find("informationsystem") >= 0)
| (p.find("informationsystems") >= 0)
| (p.find("sistemasinformacao") >= 0)
| (p.find("sistemainformacao") >= 0)
| (p.find("sistemesinformation") >= 0)
| (p.find("sistemeinformation") >= 0)
):
a.append("sistema de informacion")
if (
(p.find("informationtechnology") >= 0)
| (p.find("informationtechnologies") >= 0)
| (p.find("tecnologiasinformaciones") >= 0)
| (p.find("tecnologiasinformacion") >= 0)
| (p.find("tecnologiainformacion") >= 0)
| (p.find("tecnologiainformacao") >= 0)
| (p.find("tecnologiasinformacao") >= 0)
):
a.append("tic")
return a
def repeticiones(lista1, Base, Valor):
""" Función de repetición de registros
Descripcion
----------------------------------------------------------------------------------------------
Esta función devuelve una lista de registros repetidos acordes al número de palabras encontradas.
Parametros
--------------------------------------------------------------------------------------------
lista1 (list) --- Es una lista de listas, en la cual cada elemento se encuentra palabras
Base (Dataframe) --- Base de datos que se esta utilizando
Valor (String) --- Nombre de la columna sobre la cual se esta realizando la búsqueda de las palabras
Retorno
---------------------------------------------------------------------------------------------
list
Nota:
-----------------------------------------------------------------------------------------------
Todos los registros procesados están asociados a un número de proyecto y en el caso del OUTPUT_NAME
adicional al número de proyecto están asociados con COMPONENT_NAME. Para poder llevar a cabo este registro
se crea esta función con el fin de indicar a que número de proyecto , o COMPONENT_NAME está asociado cada
uno de los textos procesados.
"""
conteo = DataFrame([len(x) for x in lista1], columns=["n_veces"])
conteo.index = lista1.index
repeticiones = list(
[np.repeat(Base[Valor][x], conteo["n_veces"][x]) for x in conteo.index]
)
lista_repeticiones = [y for x in repeticiones for y in x]
return lista_repeticiones
def globalfuncion(Base, Diccionario, Variable_Analizar, listStopWords):
""" Función de generación de resultados
Descripcion
----------------------------------------------------------------------------------------------------------
Esta función genera una data frame mostrando el nombre del proyecto, la columna que se esta analizando y
tipo de producto a lo cual se clasifico el texto.
Parametros:
----------------------------------------------------------------------------------------------------------
Base (DataFrame) --- Base de datos donde se encuentran la información que se va a procesar.
Diccionario (DataFrame) --- Diccionario donde se encuentran las palabras y el tipo de producto por cada palabra.
Variable_Analizar (String) --- Nombre de la columna sobre la cual se va a realizar el procesamiento del texto.
listStopWords (list) --- Lista de stopwords
Retorno:
-----------------------------------------------------------------------------------------------------------
DataFrame
Nota:
------------------------------------------------------------------------------------------------------------
Esta función depende de las siguientes funciones:
repeticiones(....)
corpusword(.....)
search_tec_inno(......)
limpieza_texto1(text)
"""
Idioma = "PALABRAS"
if Variable_Analizar == "OUTPUT_NAME":
Base_Aux = Base[
[
"OPERATION_NUMBER",
"COMPONENT_NAME",
Variable_Analizar,
"OUTPUT_DESCRIPTION",
]
]
Base_Aux = Base_Aux[
(pd.isnull(Base_Aux["OUTPUT_DESCRIPTION"]) == False)
| (pd.isnull(Base_Aux["COMPONENT_NAME"]) == False)
]
Base_Aux["OUTPUT_NAME"] = Base_Aux["OUTPUT_NAME"].fillna("")
Base_Aux["OUTPUT_DESCRIPTION"] = Base_Aux["OUTPUT_DESCRIPTION"].fillna("")
a = list([str(i) for i in (Base_Aux["OUTPUT_NAME"])])
b = list([str(j) for j in (Base_Aux["OUTPUT_DESCRIPTION"])])
c = []
for i in range(len(a)):
if (a[i] != "") & (b[i] != ""):
c.append(a[i] + str(" ") + b[i])
elif b[i] == "":
c.append(a[i])
else:
c.append(b[i])
Base_Aux["OUTPUT_NAME"] = c
Base_Aux.drop(["OUTPUT_DESCRIPTION"], axis=1, inplace=True)
else:
Base_Aux = DataFrame()
Base_Aux = Base[["OPERATION_NUMBER", Variable_Analizar]]
Base_Aux.drop_duplicates(inplace=True)
Base_Aux.dropna(inplace=True)
Base_Aux[Variable_Analizar] = Base_Aux[Variable_Analizar].apply(str)
list_of_words = Base_Aux[Variable_Analizar].apply(
corpusword,
args=(
Diccionario_Total[Diccionario_Total.TOKENS == 1]["PALABRAS"],
listStopwords,
),
)
list_of_words2 = Base_Aux[Variable_Analizar].apply(
limpieza_texto2, args=(Diccionario_Total,)
)
list_of_words3 = Base_Aux[Variable_Analizar].apply(searchsysteminformation)
list_of_words = list_of_words + list_of_words2 + list_of_words3
rep_name = repeticiones(list_of_words, Base_Aux, "OPERATION_NUMBER")
rep_variable = repeticiones(list_of_words, Base_Aux, Variable_Analizar)
dframe = DataFrame()
if Variable_Analizar == "OUTPUT_NAME":
Base_Aux["COMPONENT_NAME"] = Base_Aux["COMPONENT_NAME"].astype(str)
rep_component = repeticiones(list_of_words, Base_Aux, "COMPONENT_NAME")
dframe["COMPONENT_NAME"] = rep_component
list_of_words = list(chain(*list_of_words))
#
dframe["OPERATION_NUMBER"] = rep_name
dframe[Variable_Analizar] = rep_variable
dframe["WORDS"] = list_of_words
#
# Base_Aux[Variable_Analizar]=Base_Aux[Variable_Analizar].str.replace(' xxxxxx ',' Red ')
dframe = dframe.merge(
Diccionario[["TIPO", Idioma]], left_on="WORDS", right_on=Idioma, how="left"
)
if Variable_Analizar == "OUTPUT_NAME":
dframe2 = dframe[
["OPERATION_NUMBER", "COMPONENT_NAME", Variable_Analizar, "WORDS"]
]
dframe2.drop_duplicates(inplace=True)
dframe = dframe[
["OPERATION_NUMBER", "COMPONENT_NAME", Variable_Analizar, "TIPO"]
].drop_duplicates()
dframe = pd.crosstab(
[
dframe["OPERATION_NUMBER"],
dframe["COMPONENT_NAME"],
dframe[Variable_Analizar],
],
columns=dframe["TIPO"],
)
else:
dframe2 = dframe[["OPERATION_NUMBER", Variable_Analizar, "WORDS", "TIPO"]]
# dframe2.drop_duplicates(inplace=True)
dframe = dframe[
["OPERATION_NUMBER", Variable_Analizar, "TIPO"]
].drop_duplicates()
dframe = pd.crosstab(
[dframe["OPERATION_NUMBER"], dframe[Variable_Analizar]],
columns=dframe["TIPO"],
)
#
dframe.reset_index(inplace=True)
X = set(dframe.columns) #####conjunto de las columnas
Y = set(
{"NEGATIVO", "NEUTRO", "NEUTRO POSITIVO", "POSITIVO"}
) ###columnas necesarias para aplicar la condicion
b = list(Y - X)
if len(b) > 0:
aux = DataFrame(
np.repeat(0, len(b) * dframe.shape[0]).reshape((dframe.shape[0], len(b))),
columns=b,
)
dframe = pd.concat([dframe, aux], axis=1)
Base_Aux.index = range(len(Base_Aux))
dframe = Base_Aux.merge(dframe, how="left")
dframe.fillna(np.nan, inplace=True)
if Variable_Analizar == "OUTPUT_NAME":
dframe = dframe[
[
"OPERATION_NUMBER",
"COMPONENT_NAME",
Variable_Analizar,
"NEGATIVO",
"NEUTRO",
"NEUTRO POSITIVO",
"POSITIVO",
]
]
dframe = dframe.groupby(
[
dframe["OPERATION_NUMBER"],
dframe["COMPONENT_NAME"],
dframe[Variable_Analizar],
]
).sum()
else:
dframe = dframe[
[
"OPERATION_NUMBER",
Variable_Analizar,
"NEGATIVO",
"NEUTRO",
"NEUTRO POSITIVO",
"POSITIVO",
]
]
dframe = dframe.groupby(
[dframe["OPERATION_NUMBER"], dframe[Variable_Analizar]]
).sum()
# Aplicar condiciones
dframe["RESULT" + "_" + Variable_Analizar] = np.where(
(dframe["NEGATIVO"] == 0)
& (dframe["NEUTRO"] == 0)
& (dframe["NEUTRO POSITIVO"] == 0)
& (dframe["POSITIVO"] == 0),
"NO DIGITAL",
np.where(
(dframe["NEGATIVO"] >= 1)
& (dframe["NEUTRO"] == 0)
& (dframe["NEUTRO POSITIVO"] == 0)
& (dframe["POSITIVO"] == 0),
"NO DIGITAL",
np.where(
(dframe["NEGATIVO"] >= 1)
& (dframe["NEUTRO"] >= 1)
& (dframe["NEUTRO POSITIVO"] == 0)
& (dframe["POSITIVO"] == 0),
"NO DIGITAL",
np.where(
(dframe["NEGATIVO"] == 0)
& (dframe["NEUTRO"] == 0)
& (dframe["NEUTRO POSITIVO"] >= 1)
& (dframe["POSITIVO"] == 0),
"NO DIGITAL",
np.where(
(dframe["NEGATIVO"] >= 1)
& (dframe["NEUTRO"] == 0)
& (dframe["NEUTRO POSITIVO"] >= 1)
& (dframe["POSITIVO"] == 0),
"NO DIGITAL",
np.where(
(dframe["NEGATIVO"] == 0)
& (dframe["NEUTRO"] >= 1)
& (dframe["NEUTRO POSITIVO"] == 0)
& (dframe["POSITIVO"] == 0),
"SIN DEFINIR",
"DIGITAL",
),
),
),
),
),
)
dframe.drop(
["NEGATIVO", "NEUTRO", "NEUTRO POSITIVO", "POSITIVO"], axis=1, inplace=True
)
dframe.reset_index(inplace=True)
dframe["RESULT" + "_" + Variable_Analizar] = np.where(
(dframe[Variable_Analizar] == " ")
| (dframe[Variable_Analizar] == "x")
| (dframe[Variable_Analizar] == "xx")
| (dframe[Variable_Analizar] == ".")
| (dframe[Variable_Analizar] == ",")
| [x in str(range(20)) for x in dframe[Variable_Analizar]]
| (dframe[Variable_Analizar].apply(type) == int)
| (dframe[Variable_Analizar] == "*")
| (dframe[Variable_Analizar] == "#")
| (dframe[Variable_Analizar] == "-")
| (dframe[Variable_Analizar] == "_")
| (dframe[Variable_Analizar] == "- ")
| (dframe[Variable_Analizar] == " -")
| (dframe[Variable_Analizar] == ". -"),
np.nan,
dframe["RESULT" + "_" + Variable_Analizar],
)
dframe["RESULT_" + Variable_Analizar + "_TECN-INNOV"] = dframe[
Variable_Analizar
].apply(search_tec_inno)
return [dframe, dframe2]
####funcion para el procesamiento de lo sin definir#####
# def SinDefinir(Base,diccionario2,Variable_Analizar):
#
# ''' Clasificación de los productos SIN DEFINIR
#
# Descripción
# ----------------------------------------------------------------------------------------------------------
#
# Esta función genera una nueva columna sobre un data frame, en la cual clasifica los textos que resultaron SIN DEFINIR
# de la primera corrida.
#
# Parametros
# ----------------------------------------------------------------------------------------------------------
#
#
# Base (Dataframe) --- Base procesada con el tipo de producto
# diccionario2 (Dataframe) --- Diccionario de palabras compuestas con las cuales se identifica si un producto siendo SIN DEFINIR es digital
# Variable_Analizar(String) --- Nombre de la columna sobre la cual se va a procesar el texto.
#
# Retorno
# ----------------------------------------------------------------------------------------------------------
#
# Dataframe
#
# '''
#
#
# Base_Aux=Base[Base['RESULT_'+Variable_Analizar]=='SIN DEFINIR'][['OPERATION_NUMBER',Variable_Analizar]]
# Base_Aux.drop_duplicates(inplace=True)
# a=[]
# for i in Base_Aux[Variable_Analizar]:
# k=0;
# try:
# i=limpieza_texto1(i)
# for j in diccionario2['PALABRAS']:
# if (i.lower().find(j)>=0):
# k=k+1;
# else:
# k
#
# if k>0:
# a.append('DIGITAL')
# else:
# a.append('NO DIGITAL')
# except:
# a.append('')
# Base_Aux['RESULT_'+Variable_Analizar+'_2']=a
## Base_Aux['WORDS']=b
# Base=Base.merge(Base_Aux,how='left')
# Base['RESULT_'+Variable_Analizar]=np.where(pd.isnull(Base['RESULT_'+Variable_Analizar+'_2']),Base['RESULT_'+Variable_Analizar],Base['RESULT_'+Variable_Analizar+'_2'])
# Base.drop(['RESULT_'+Variable_Analizar+'_2'], axis=1,inplace=True)
# return Base
def SinDefinir2(Base, diccionario2, Variable_Analizar):
""" Clasificación de los productos SIN DEFINIR
Descripción
----------------------------------------------------------------------------------------------------------
Esta función genera una nueva columna sobre un data frame, en la cual clasifica los textos que resultaron SIN DEFINIR
de la primera corrida.
Parametros
----------------------------------------------------------------------------------------------------------
Base (Dataframe) --- Base procesada con el tipo de producto
diccionario2 (Dataframe) --- Diccionario de palabras compuestas con las cuales se identifica si un producto siendo SIN DEFINIR es digital
Variable_Analizar(String) --- Nombre de la columna sobre la cual se va a procesar el texto.
Retorno
----------------------------------------------------------------------------------------------------------
Dataframe
"""
Base_Aux = Base[Base["RESULT_" + Variable_Analizar] == "SIN DEFINIR"][
["OPERATION_NUMBER", Variable_Analizar]
]
Base_Aux.drop_duplicates(inplace=True)
a = []
b = []
for i in Base_Aux[Variable_Analizar]:
k = 0
try:
i = limpieza_texto1(i)
c = []
for j in diccionario2["PALABRAS"]:
if i.lower().find(j) >= 0:
c.append(j)
k = k + 1
else:
k