-
Notifications
You must be signed in to change notification settings - Fork 0
/
data_aeronautica.py
399 lines (325 loc) · 16.5 KB
/
data_aeronautica.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
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Feb 5 16:57:29 2022
@author: Vitor Martins Barbosa
"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
class data_aeronautica:
def __init__(self,fold='./data/',read_online_data=True):
"""
Leitor de dados da aeronautica
Args:
--------
fold: str
Pasta dos dados
read_online_data: Boolean
Define se os dados serão lidos
Returns:
--------
data_aeronautica: informações dos dados
"""
if read_online_data:
# Realiza a leitura considerando a URL dos dados
url_ocorrencia = 'http://sistema.cenipa.aer.mil.br/cenipa/media/opendata/ocorrencia.csv'
self.data_ocorrencia = pd.read_csv(url_ocorrencia,on_bad_lines='skip',sep = ';')
url_tipo_ocorrencia = 'http://sistema.cenipa.aer.mil.br/cenipa/media/opendata/ocorrencia_tipo.csv'
self.localdata_tipo_ocorrencia = pd.read_csv(url_tipo_ocorrencia,on_bad_lines='skip',sep = ';')
url_tab_aero = 'http://sistema.cenipa.aer.mil.br/cenipa/media/opendata/aeronave.csv'
self.data_tab_aero = pd.read_csv(url_tab_aero,on_bad_lines='skip',sep = ';')
url_fator = 'http://sistema.cenipa.aer.mil.br/cenipa/media/opendata/fator_contribuinte.csv'
self.data_tab_fator = pd.read_csv(url_fator,on_bad_lines='skip',sep = ';')
url_rec_seg = 'http://sistema.cenipa.aer.mil.br/cenipa/media/opendata/recomendacao.csv'
self.data_tab_fator = pd.read_csv(url_rec_seg,on_bad_lines='skip',sep = ';')
else:
# Realiza a leitura considerando a baseado nos dados que foram passados no folder
fold_ocorrencia = fold+'ocorrencia.csv'
self.data_ocorrencia = pd.read_csv(fold_ocorrencia,on_bad_lines='skip',sep = ';')
fold_tipo_ocorrencia = fold+'ocorrencia_tipo.csv'
self.data_tipo_ocorrencia = pd.read_csv(fold_tipo_ocorrencia,on_bad_lines='skip',sep = ';')
fold_tab_aero = fold+'aeronave.csv'
self.data_tab_aero = pd.read_csv(fold_tab_aero,on_bad_lines='skip',sep = ';')
fold_tab_fator = fold+'fator_contribuinte.csv'
self.data_tab_fator = pd.read_csv(fold_tab_fator,on_bad_lines='skip',sep = ';')
fold_tab_rec_seg = fold+'recomendacao.csv'
self.data_tab_fator = pd.read_csv(fold_tab_rec_seg,on_bad_lines='skip',sep = ';')
def plot_info_ocorr(self):
"""
Plota a distribuição a taxa de classificação de ocorrẽncias
Args:
--------
Returns:
--------
data_aeronautica: informações dos dados
"""
# Adquire o vetor de classificação de ocorrências e visualiza o número de classes
vetor_ocorrencias = self.data_ocorrencia['ocorrencia_classificacao'].to_numpy()
list_ocorrencia = []
for vet_pos_ocorrencia in range(0,len(vetor_ocorrencias)):
if len(list_ocorrencia) == 0:
list_ocorrencia.append(vetor_ocorrencias[vet_pos_ocorrencia])
else:
name_exist = False
for tipo_ocorrencia in range(0,len(list_ocorrencia)):
if list_ocorrencia[tipo_ocorrencia] == vetor_ocorrencias[vet_pos_ocorrencia]:
name_exist = True
if name_exist:
continue
else:
list_ocorrencia.append(vetor_ocorrencias[vet_pos_ocorrencia])
cont_ocorrencia = np.zeros(len(list_ocorrencia)+1)
for ocorrencia in vetor_ocorrencias:
pos = 0
for tipo in list_ocorrencia:
if ocorrencia == tipo:
cont_ocorrencia[pos] = cont_ocorrencia[pos] +1
pos=pos+1
list_ocorrencia.append('TOTAL')
fig, ax = plt.subplots()
cont_ocorrencia[-1] = np.sum(cont_ocorrencia[0:len(cont_ocorrencia)-1])
barlist=ax.bar(list_ocorrencia, cont_ocorrencia,width = 0.5,color='darkgreen')
barlist[0].set_color('red')
barlist[1].set_color('green')
barlist[2].set_color('blue')
barlist[-1].set_color('darkslategray')
ax.set_xlabel("Tipo de Ocorrencia")
ax.set_ylabel("Número de ocorrências")
ax.set_title("Tipos de Ocorrências Aeronáuticas")
plt.show()
return list_ocorrencia, cont_ocorrencia
def info_ocorr_freq(self,years=None,uf=None,plot_graph=True):
"""
Dados com base na variação de meses e hora do dia
Args:
--------
years: str
vetor de anos a ser considerado
uf: str
Estado a ser considerado
plot_graph: Boolean
Gera gráficos
Returns:
--------
cont_ocorr_mes: array
vetor de ocorrências considerando o mês vigente
cont_ocorr_hour
ocorrência baseado em dia e noite
"""
# Adquire o vetor de dias onde teve ocorrência e a hora
df_date = self.data_ocorrencia
# Filtra por Estado
if uf == None:
vetor_date_ocorr_total = df_date['ocorrencia_dia'].to_numpy()
vetor_hour_ocorr_total = df_date['ocorrencia_hora'].to_numpy()
cont_ocorr_mes = np.zeros(12)
cont_ocorr_hour = np.zeros([12,2])
else:
df_date_aux = df_date.loc[df_date['ocorrencia_uf'] == uf]
vetor_date_ocorr_total = df_date_aux['ocorrencia_dia'].to_numpy()
vetor_hour_ocorr_total = df_date_aux['ocorrencia_hora'].to_numpy()
cont_ocorr_mes = np.zeros(12)
cont_ocorr_hour = np.zeros([12,2])
# Filtra os dados através do vetor de anos
list_pos = []
if years != None:
for k in range(0,len(vetor_date_ocorr_total)):
for y in years:
if int(vetor_date_ocorr_total[k][6:10]) == y:
list_pos.append(k)
else:
continue
vetor_date_ocorr = vetor_date_ocorr_total[list_pos]
vetor_hour_ocorr = vetor_hour_ocorr_total[list_pos]
else:
vetor_date_ocorr = vetor_date_ocorr_total
vetor_hour_ocorr = vetor_hour_ocorr_total
#Oraganiza os dados para adquirir quando houve a ocorrência
for month in range(0,12):
pos = 0
for date in vetor_date_ocorr:
try:
if month+1 == int(date[3:5]):
cont_ocorr_mes[month] = cont_ocorr_mes[month] + 1
if int(vetor_hour_ocorr[pos][0:2]) < 18:
cont_ocorr_hour[month,0] = cont_ocorr_hour[month,0] + 1
else:
cont_ocorr_hour[month,1] = cont_ocorr_hour[month,1] + 1
except:
print('\n Horário na linha '+str(pos)+' não definido \n')
pos = pos + 1
w = cont_ocorr_mes[:]
y = cont_ocorr_hour[:,0]
z = cont_ocorr_hour[:,1]
#plot gráfico de linha para averiguar a evolução
if plot_graph:
fig = plt.figure()
ax = fig.add_subplot(111)
vet_months = ['JAN','FEV','MAR','ABR','MAI','JUN','JUL','AGO','SET','OTU','NOV','DEZ']
rects1 = ax.plot(vet_months, w, color='darkred',linestyle='-',marker='o')
rects2 = ax.plot(vet_months, y, color='darkgoldenrod',linestyle='-',marker='o')
rects3 = ax.plot(vet_months, z, color='darkblue',linestyle='-',marker='o')
ax.legend( (rects1[0], rects2[0], rects3[0]), ('Total no mês', 'Dia', 'Noite'))
ax.set_xlabel('Meses')
ax.set_ylabel('Número de ocorrências')
ax.grid()
if years == None:
if uf == None:
ax.set_title('Ocorrências aeronáuticas Brasil baseado em todos os anos')
else:
ax.set_title('Ocorrências aeronáuticas em '+ uf + ' baseado em todos os anos')
else:
if uf == None:
ax.set_title('Ocorrências aeronáuticas no Brasil baseado nos anos ' + str(years))
else:
ax.set_title('Ocorrências aeronáuticas em '+ uf + ' baseado nos anos ' + str(years))
plt.show()
return cont_ocorr_mes,cont_ocorr_hour
def info_tipo_ocorr_freq(self,years=None,uf=None,plot_graph=True,ind_consider=10):
"""
Análise dos tipos de ocorrência mais comum no Brasil e Estados brasileiros
Args:
--------
years: str
vetor de anos a ser considerado
uf: str
Estado a ser considerado
plot_graph: Boolean
Gera gráficos
ind_consider: int
Número de tipos de ocorrências
Returns:
--------
[ocorrencia_classificacao_decrescente, list_tipo_ocorrencia_decrescente , contador_tipo_ocorrencia_decrescente]: list
Lista ordenada de classificação, tipo e número de vezes
"""
df_date = self.data_ocorrencia
df_tipo_ocorrencia = self.data_tipo_ocorrencia
vetor_total_tipo = df_tipo_ocorrencia.iloc[:,0:2].to_numpy()
cod_occur = df_date.iloc[:,0].to_numpy()
# Tenta realiza a leitura dos dados com um histórico pré-salvo
# caso não tenha ele mescla os dados dos dois dataframe (tipo_ocorrencia e ocorrência)
# e salva novamente
pos_list = []
try:
vetor_tipo_total = pd.read_csv('./data/tipo_ocorrencia_filter.csv').to_numpy()
except:
print('\n Mesclando os dataframes ...')
for cod in cod_occur:
for k in range(0,np.shape(vetor_total_tipo)[0]):
if cod == vetor_total_tipo[k,0]:
pos_list.append(k)
break
vetor_tipo_total = vetor_total_tipo[pos_list,:]
pd.DataFrame(vetor_tipo_total).to_csv('./data/tipo_ocorrencia_filter.csv',index=False)
# Filtra por Estado
if uf == None:
vetor_date_ocorr_total = df_date['ocorrencia_dia'].to_numpy()
vetor_hour_ocorr_total = df_date['ocorrencia_hora'].to_numpy()
cont_ocorr_mes = np.zeros(12)
cont_ocorr_hour = np.zeros([12,2])
else:
df_date_aux = df_date.loc[df_date['ocorrencia_uf'] == uf]
vetor_tipo_total = vetor_tipo_total[df_date.index[df_date['ocorrencia_uf'] == uf].to_list(),:]
vetor_date_ocorr_total = df_date_aux['ocorrencia_dia'].to_numpy()
vetor_hour_ocorr_total = df_date_aux['ocorrencia_hora'].to_numpy()
cont_ocorr_mes = np.zeros(12)
cont_ocorr_hour = np.zeros([12,2])
# Filtra por anos
list_pos = []
if years != None:
for k in range(0,len(vetor_date_ocorr_total)):
for y in years:
if int(vetor_date_ocorr_total[k][6:10]) == y:
list_pos.append(k)
else:
continue
vetor_date_ocorr = vetor_date_ocorr_total[list_pos]
vetor_hour_ocorr = vetor_hour_ocorr_total[list_pos]
vetor_tipo_total = vetor_tipo_total[list_pos,:]
list_tipo_ocorrencia = []
vetor_ocorrencias = vetor_tipo_total[:,1]
#Levatamento de de lista considerando o tipo de ocorrências (removendo repetições)
for vet_pos_ocorrencia in range(0,len(vetor_ocorrencias)):
if len(list_tipo_ocorrencia) == 0:
list_tipo_ocorrencia.append(vetor_ocorrencias[vet_pos_ocorrencia])
else:
name_exist = False
for tipo_ocorrencia in range(0,len(list_tipo_ocorrencia)):
if list_tipo_ocorrencia[tipo_ocorrencia] == vetor_ocorrencias[vet_pos_ocorrencia]:
name_exist = True
if name_exist:
continue
else:
list_tipo_ocorrencia.append(vetor_ocorrencias[vet_pos_ocorrencia])
#Realiza a contagem do tipo de ocorrência
contador_tipo_ocorrencia = np.zeros(len(list_tipo_ocorrencia))
ocorrencia_classificacao = []
vet_classificacao = self.data_ocorrencia['ocorrencia_classificacao'].to_numpy()
pos=0
for tipo_ocorrencia in list_tipo_ocorrencia:
pos_vet = 0
for to_db in vetor_ocorrencias:
if tipo_ocorrencia == to_db:
contador_tipo_ocorrencia[pos] += 1
ocorrencia_classificacao.append(vet_classificacao[pos_vet])
pos_vet = pos_vet+1
pos = pos + 1
sort_index = np.flip(np.argsort(contador_tipo_ocorrencia))
contador_tipo_ocorrencia_decrescente = contador_tipo_ocorrencia[sort_index]
list_tipo_ocorrencia_decrescente = np.array(list_tipo_ocorrencia,dtype=str)[sort_index]
ocorrencia_classificacao_decrescente = np.array(ocorrencia_classificacao,dtype=str)[sort_index]
#Plot gráfico de pizza para realizar a comparação
if plot_graph == True:
if ind_consider > len(list_tipo_ocorrencia_decrescente):
print('Valor alto demais, considerando 10')
ind_consider = len(list_tipo_ocorrencia_decrescente)
labels = list_tipo_ocorrencia_decrescente[0:ind_consider]
colors = []
cont_classifier = np.zeros(3)
for k in range(0,ind_consider):
if ocorrencia_classificacao_decrescente[k] == 'INCIDENTE':
colors.append('red')
cont_classifier[0] += 1
elif ocorrencia_classificacao_decrescente[k] == 'ACIDENTE':
colors.append('green')
cont_classifier[1] += 1
else:
colors.append('blue')
cont_classifier[2] += 1
dado_plot = 100* (contador_tipo_ocorrencia_decrescente[0:ind_consider] / (np.sum(contador_tipo_ocorrencia_decrescente[0:ind_consider])))
fig1, ax1 = plt.subplots()
explode = np.ones(ind_consider) * 0.01
patches,texts,_ = ax1.pie(dado_plot,explode=explode,autopct='%1.2f%%',shadow=True,startangle=90)
ax1.legend(patches, labels, loc=2, prop={'size': 6})
ax1.axis('equal')
if uf==None:
ax1.set_title('Os '+ str(ind_consider) +' maiores tipos de ocorrência ')
else:
ax1.set_title('Os '+ str(ind_consider) +' maiores tipos de ocorrência ('+uf+')')
labels = ['ACIDENTE','INCIDENTE','INCIDENTE GRAVE']
color = ['red','green','blue']
fig2, ax2 = plt.subplots()
explode = np.ones(3) * 0.01
patches,texts,_ = ax2.pie(cont_classifier,explode=explode,autopct='%1.2f%%',shadow=True,startangle=90,colors = color)
ax2.legend(patches, labels, loc=2, prop={'size': 6})
ax2.axis('equal')
if uf==None:
ax2.set_title('Classificação dos '+ str(ind_consider) +' maiores tipos de ocorrência ')
else:
ax2.set_title('Classificação dos '+ str(ind_consider) +' maiores tipos de ocorrência ('+uf+')')
plt.show()
return [ocorrencia_classificacao_decrescente, list_tipo_ocorrencia_decrescente , contador_tipo_ocorrencia_decrescente]
if __name__ == "__main__":
try:
data_aero = data_aeronautica(fold='./data/',read_online_data=False)
except:
data_aero = data_aeronautica(read_online_data=True)
data_aero.plot_info_ocorr()
data_aero.info_ocorr_freq()
data_aero.info_ocorr_freq(years=[2021],uf='MG')
data_aero.info_tipo_ocorr_freq()
data_aero.info_tipo_ocorr_freq(years=[2021],uf='MG')
data_aero.info_ocorr_freq()
aux = data_aero.info_ocorr_freq(years=[2021],uf='SC')