# inputs = [a, b]
# outputs = [d]
-printResult=""" import numpy as np
+# empiricalMean = ot.Sample(result.getMean())[nInputs:]
+# empiricalStandardDeviation = ot.Sample(result.getStandardDeviation())[nInputs:]
+# resultNp.reshape(nbindex,nbsorties)
+
+printResultMC=""" import numpy as np
- from post_csv_rn import write_result_from_persalys
+ sys.path.append(os.path.abspath('{post_csv_rnPath}'))
+ from {post_csv_rnScript} import write_result_from_persalys
- #from post_csv_rn import write_result_from_persalys
- # import pandas as pnd
- # from functools import reduce
+ #Noms de lignes
+ #index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ indexNp = [ {optionalResultStrList} ]
+ nResult = len(indexNp)
+
+ #resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
+ #Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
+ resultNp = np.array([ {optionalResultList} ])
+ resultNp = resultNp.reshape(nResult, nOutputs) #En MC à cause du ot.Sample( PointsCollection) il y a un niveau de liste en trop
+
+ #Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
+ # ex pour deux variables et respectivement 7 et 3 fcts aggrégation : resultSk = [0,7,10]
+ #nOutVar = len(resSk)-1
+ resSk = [ {resultSkList} ]
+
+ print('\\n\\n')
+ print('*********************************************************************************\\n')
+ print(' UNCERTAINTY QUANTIFICATION RESULTS\\n')
+
+ print(head_study,'\\n')
+
+ print('Uncertain inputs list :','\\n')
+ print(
+{Uncertain_inputs}'\\n'
+ )
+ print('\\nElapsed Time : ', centralTendency.getElapsedTime(),'\\n') #Monte Carlo ou Taylor
+
+ print('\\nDesign of Experiment :')
+ print(result.getDesignOfExperiment().getInputSample(),'\\n') #TODO: générer un fichier csv
+
+ print('\\nCoefficient of Variation :')
+ print(ot.Sample(result.getCoefficientOfVariation())[nInputs:],'\\n') #TODO: générer un fichier csv
+ write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+
+ print('\\n*********************************************************************************\\n')
+"""
+
+
+printResultTaylor=""" import numpy as np
- from post_csv_rn import write_result_from_persalys
++ sys.path.append(os.path.abspath('{post_csv_rnPath}'))
++ from {post_csv_rnScript} import write_result_from_persalys
#resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
#Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
#Noms de lignes
#index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ #nResult = len(indexNp)
indexNp = [ {optionalResultStrList} ]
+ #nResult = len(indexNp)
#Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
- #resultSk = [0,7,10]
+ # ex pour deux variables et respectivement 7 et 3 fcts aggrégation : resultSk = [0,7,10]
+ #nOutVar = len(resSk)-1
resSk = [ {resultSkList} ]
- #nOutVar = len(resSk)-1
+ print('\\n\\n')
+ print('*********************************************************************************\\n')
+ print(' UNCERTAINTY QUANTIFICATION RESULTS\\n')
+
+ print(head_study,'\\n')
- write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+ print('Uncertain inputs list :','\\n')
+ print(
+{Uncertain_inputs}'\\n'
+ )
+ print('\\nElapsed Time : ', centralTendency.getElapsedTime(),'\\n') #Monte Carlo ou Taylor
- # 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')
+ # print('\\nDesign of Experiment :')
+ # print(result.getDesignOfExperiment().getInputSample(),'\\n') #TODO: Activer uniquement en MC + fichier csv
+ # print('\\nCoefficient of Variation :')
+ # print(result.getCoefficientOfVariation(),'\\n') #TODO: Activer uniquement en MC + fichier csv
+ write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+
+ print('\\n*********************************************************************************\\n')
"""
## Tendance Centrale Taylor
