from .textePersalys import centralTendencyMC, resultMC
from .textePersalys import critereArretMC, advancedParameterMC
from .textePersalys import optionalResultMC, optionalPrintResultMC
+from .textePersalys import printResult
from .textePersalys import yacsJobParameters, yacsJobClusterParameters, yacsJobClusterMultiJob
def entryPoint():
'valeur maximale':'vMax'
}
- index=0;
+ index=0;
+ self.resultSkList=[0]
for mc in self.lesVariablesOutput :
nomShortVariableOutputList=''
nomFctAggPyList=''
nomOutput=nomVarEncode+'_'+nomFctAggPy
nomOutputList += nomOutput + ', '
self.chaineDesVariablesOutputEncodee+=nomOutput+ ', '
- variablesOutputDesc = nomFctAgg+'('+nomVarPostraite+')'
+ variablesOutputDesc = '("'+nomFctAgg+'","'+nomVarPostraite+'")' #TODO : Interdire ',' dans FctAgg et nomVarPost
nomShortVariableOutputList+='a'+str(index)+', ' # Avoid a Persalys Bug
index+=1
- self.txtOutputVariableInitList += self.indent1 + nomOutput + " = persalys.Output('"+ nomVar+' (Agg: '+nomFctAgg+')' + "', '"+variablesOutputDesc + "')\n"
+ self.txtOutputVariableInitList += self.indent1 + nomOutput + " = persalys.Output('"+ nomVar+' ('+nomFctAgg+')' + "', '"+variablesOutputDesc + "')\n"
# tmpGetResultCall = getResultCall.format(
tmpGetResultCall = getResultCallAvoidPersalysBug.format( # Avoid a Persalys Bug
variableOutputList = nomOutputList[0:-2],
shortVariableOutputList = nomShortVariableOutputList[0:-2] # Avoid a Persalys Bug
)
self.txtGetAllResults += tmpGetResultCall
+ self.resultSkList.append(index)
self.chaineDesVariablesOutputEncodee=self.chaineDesVariablesOutputEncodee[0:-2]
self.chaineDesShortVariablesOutput = reduce(lambda x,y:x+y,
return texte
def creeScriptPersalys(self, debug=True) :
- from functools import reduce as reduce
+ from functools import reduce
# chaineDesVariablesInput=reduce(lambda x,y:x+','+y,l)
- def getStrVarList(l,sep):
- return reduce(lambda x,y:x+sep+y, l)
+ def getStrVarList(l,sep=','):
+ return reduce(lambda x,y:str(x)+sep+str(y), l)
+ def getStrVarStrList(l,sep=','):
+ return reduce(lambda x,y:"'"+str(x)+"'"+sep+"'"+str(y)+"'", l)
def getStrInitList(l):
return getStrVarList( map(lambda x:'self.{} = {}'.format(x,x),l), '\n'+2*self.indent1 )
def getStrReplaceVarList(l):
chaineDesVariablesInput = self.chaineDesVariablesInput,
getAllResults = self.txtGetAllResults,
#chaineDesVariablesOutput = self.chaineDesVariablesOutputEncodee
- chaineDesVariablesOutput = self.chaineDesShortVariablesOutput # Avoid a Persalys Bug
+ chaineDesVariablesOutput = self.chaineDesShortVariablesOutput # Avoid a Persalys Bug until v9.9
)
self.txtScriptPersalys += codePersalys.format(
fonctionPersalys =txtFonctionPersalys
)
- ## Propagation des incertitudes : Choix de la méthode et de ses paramètres
+ ## Propagation des incertitudes :
+ ## Choix de la méthode, de ses paramètres, et des résultats attendus
if (self.Methode == 'Taylor' ):
txtCentralTendencyPersalys = centralTendencyTaylor
optionalResult = optionalResultTaylor
return(0, "Impossible de gérer la méthode :",self.Methode)
result=""
+ optionalResultNames=[]
if self.Result :
for mc in self.Result.mcListe:
# print('mc : ',mc)
# print('mc.nature : ',mc.nature)
# print('mc.valeur : ',mc.valeur)
if mc.nom == 'EmpiricalQuantile' and mc.valeur == 'yes' :
+ mc_nom=mc.nom[0].lower()+mc.nom[1:] ##TODO: Utiliser un nv dict commun des symboles avec optionalResult
+ optionalResultNames.append(mc_nom)
empiricalQuantile_Order = self.Result.getChildOrChildInBloc("EmpiricalQuantile_Order")
result+= self.indent1+optionalResult[mc.nom].format(
**{empiricalQuantile_Order.nom : empiricalQuantile_Order.valeur}
) + '\n'
result+= self.indent1+optionalPrintResult["EmpiricalQuantile_Order"] + '\n'
result+= self.indent1+optionalPrintResult[mc.nom] + '\n'
- elif mc.nature == 'MCSIMP' and mc.valeur == 'yes' :
+ elif mc.nature == 'MCSIMP' and mc.valeur == 'yes' :
+ mc_nom=mc.nom[0].lower()+mc.nom[1:] ##TODO: Utiliser un nv dict commun des symboles avec optionalResult
+ optionalResultNames.append(mc_nom)
result+= self.indent1+optionalResult[mc.nom] + '\n'
- result+= self.indent1+optionalPrintResult[mc.nom] + '\n'
+ # result+= self.indent1+optionalPrintResult[mc.nom] + '\n'
# print('result:',result)
# print('txtResultCT:',txtResultCT)
+ optionalResultList=getStrVarList(optionalResultNames)
+ optionalResultStrList=getStrVarStrList(optionalResultNames)
+ txtPrintResult=printResult.format(
+ optionalResultList = optionalResultList,
+ optionalResultStrList = optionalResultStrList,
+ resultSkList = getStrVarList(self.resultSkList))
txtResult= txtResultCT.format( optionalResult=result )
-
+ txtResult+=txtPrintResult
+
#TODO ;: Tester si Cluster== Gaia, ajouter les champs suivants
# resourceName = 'gaia'
# login='C65845'
-# Exemple de script pour lire la sortie csv du banc
+# Exemple de script pour lire la sortie csv du banc d'intégration odysee
#
# Lecture des valeurs dans le csv et renvoi de la valeur après application de la fonction d'agragation max,min et moy
valList.append(func(date_value_array))
return valList
+
+# Fuel-temperature_Thermalhydraulics_MAX
+# value at t_initial value at t_mid value at t_final mean value cumsum value min value max value
+# MeanFirstOrder (°C): 1113.040047 1009.112047 968.544065 207597.218716 1113.040047 968.544064 1032.821984
+# StandardDeviationFirstOrder (°C): 203.302658 250.504351 255.172144 43724.195535 203.302658 256.008518 217.533311
+
+def write_result_from_persalys(resultNp, indexNp, resSk, outputs):
+
+ import numpy as np
+ import pandas as pnd
+ from functools import reduce
+
+ #resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
+ #Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
+ #resultNp = np.array([ {optionalResultList} ])
+ #Noms de lignes
+ #index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ #indexNp = [ {optionalResultStrList} ]
+ nResult = len(indexNp)
+ #Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
+ #resultSk = [0,7,10]
+ #resSk = [ {resultSkList} ]
+ nOutVar = len(resSk)-1
+
+ print('\n')
+ for i in range(nOutVar):
+ # Récupère les couples (fctAggrégation,Nom de variable ss fct Agg)
+ # des champs de description des sorties.
+ # Les sorties concernées proviennent de la section de résultatNp
+ # qui doit correspondre à une même variable hors fct Agg
+ fctAgg_outVarName = list( map(lambda o: eval(o.getDescription()),
+ outputs[resSk[i]:resSk[i+1]]) )
+ outVarName = fctAgg_outVarName[0][1]
+ checkOutVarName = reduce( lambda n1,n2: n1 == n2,
+ [True]+list( map(lambda o: o[1] == outVarName,
+ fctAgg_outVarName) ) )
+ assert(checkOutVarName == True)
+ print(outVarName)
+ columns = list(map(lambda o1: o1[0], fctAgg_outVarName) )
+ resultDf = pnd.DataFrame(resultNp[:,resSk[i]:(resSk[i+1])],
+ index = indexNp,
+ columns = columns )
+ print(resultDf,'\n')
+ #name_csv = str.replace(str.replace(outVarName,"@","_"),' ','-')
+ name_csv = outVarName
+ resultDf.to_csv(name_csv+'-uncertainty.csv')
# inputs = [a, b]
# outputs = [d]
+printResult=""" import numpy as np
+ from post_csv_rn import write_result_from_persalys
+ # import pandas as pnd
+ # from functools import reduce
+
+ #resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
+ #Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
+ resultNp = np.array([ {optionalResultList} ])
+
+ #Noms de lignes
+ #index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ indexNp = [ {optionalResultStrList} ]
+
+ #nResult = len(indexNp)
+
+ #Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
+ #resultSk = [0,7,10]
+ resSk = [ {resultSkList} ]
+
+ #nOutVar = len(resSk)-1
+
+ write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+
+ # print('\\n')
+ # for i in range(nOutVar):
+ # # Récupère les couples (fctAggrégation,Nom de variable ss fct Agg)
+ # # des champs de description des sorties.
+ # # Les sorties concernées proviennent de la section de résultatNp
+ # # qui doit correspondre à une même variable hors fct Agg
+ # fctAgg_outVarName = list( map(lambda o: eval(o.getDescription()),
+ # outputs[resSk[i]:resSk[i+1]]) )
+ # outVarName = fctAgg_outVarName[0][1]
+ # checkOutVarName = reduce( lambda n1,n2: n1 == n2,
+ # [True]+list( map(lambda o: o[1] == outVarName,
+ # fctAgg_outVarName) ) )
+ # assert(checkOutVarName == True)
+ # print(outVarName)
+ # columns = list(map(lambda o1: o1[0], fctAgg_outVarName) )
+ # resultDf = pnd.DataFrame(resultNp[:,resSk[i]:(resSk[i+1])],
+ # index = indexNp,
+ # columns = columns )
+ # print(resultDf,'\\n')
+ # #name_csv = str.replace(str.replace(outVarName,"@","_"),' ','-')
+ # name_csv = outVarName
+ # resultDf.to_csv(name_csv+'-uncertainty.csv')
+
+"""
+
## Tendance Centrale Taylor
centralTendencyTaylor ="""
centralTendency = persalys.TaylorExpansionMomentsAnalysis('centralTendencyTaylor', yacsPhysicalModel)
"""
-#Les retours sont des listes de taille <nombre de variables de sortie>
+#Le result est une liste de taille <nombre de variables de sortie>
resultTaylor="""
result = centralTendency.getResult()
{optionalResult}
+
"""
+
optionalResultTaylor={
'MeanFirstOrder' : 'meanFirstOrder = result.getMeanFirstOrder()',
'StandardDeviationFirstOrder' : 'standardDeviationFirstOrder = result.getStandardDeviation()',
'ComputeConfidenceIntervalAt' : 'centralTendency.setLevelConfidenceInterval({ComputeConfidenceIntervalAt})'
}
-#TODO: Associer les noms de variables au résultat
+#TODO: Gérer les unités
resultMC="""
result = centralTendency.getResult()
{optionalResult}
"""
+
optionalResultMC={
'EmpiricalMean' : 'empiricalMean = result.getMean()', #TOCHECK
'Variance' : 'variance = result.getVariance()',
