Skip to content

D
dalmia_degradation_calculation
Commit 646a534f authored by aakash.bedi's avatar aakash.bedi
Browse files
Options

tags configure in mongo

parent cc9339fd
Pipeline #59444 failed with stage
    Show whitespace changes
    Inline Side-by-side
    Showing with 3212 additions and 3064 deletions
    app.py
    View file @ 646a534f
    import pandas as pd
    if __name__ == "__main__": if __name__ == "__main__":
    from dotenv import load_dotenv from dotenv import load_dotenv
    load_dotenv(dotenv_path='config.env') load_dotenv(dotenv_path='config.env')
    ...@@ -5,13 +7,13 @@ import warnings ...@@ -5,13 +7,13 @@ import warnings
    import numpy as np import numpy as np
    from loguru import logger from loguru import logger
    from scripts.core.engine.mppt_data import GetData from scripts.core.engine.mppt_data import GetData
    from scripts.utils.reading_tags import GetTags
    from scripts.core.engine.tags_data import get_tags_data from scripts.core.engine.tags_data import get_tags_data
    from scripts.utils.start_end_date import KairosStartEndDate from scripts.utils.start_end_date import KairosStartEndDate
    from scripts.utils.preprocessing import DataPreprocessing from scripts.utils.preprocessing import DataPreprocessing
    from scripts.core.engine.inv_and_mppt_level import TrainingInference from scripts.core.engine.inv_and_mppt_level import TrainingInference
    from scripts.core.engine.final_tags import GetFinalDf from scripts.core.engine.final_tags import GetFinalDf
    from scripts.core.data_puller_push.kafka_push import CalculatedDataPush from scripts.core.engine.model_training_inference import ai_modelling
    from scripts.core.engine.raw_predicted_tags import get_raw_predicted_tags
    warnings.filterwarnings("ignore") warnings.filterwarnings("ignore")
    ...@@ -21,12 +23,9 @@ start_date, end_date, start_timestamp, end_timestamp = KairosStartEndDate().star ...@@ -21,12 +23,9 @@ start_date, end_date, start_timestamp, end_timestamp = KairosStartEndDate().star
    def get_tag_details(): def get_tag_details():
    try: try:
    get_tags = GetTags(base_path=base_path) df_raw_tags, df_predicted_tags = get_raw_predicted_tags()
    get_final_df = GetFinalDf()
    tags_excel = get_tags.read_tag_excel() df = get_tags_data(mppt_tags=df_raw_tags,
    df_final_tags = get_final_df.get_predicted_current_tags(tags_excel=tags_excel)
    mppt_tags = get_tags.get_mppt_tags(df=tags_excel, substrings='MPPT')
    df = get_tags_data(mppt_tags=mppt_tags,
    start_timestamp=start_timestamp, start_timestamp=start_timestamp,
    end_timestamp=end_timestamp) end_timestamp=end_timestamp)
    ...@@ -36,34 +35,13 @@ def get_tag_details(): ...@@ -36,34 +35,13 @@ def get_tag_details():
    df_mppt = mppt_data.current_voltage_mppt_data(df=df) df_mppt = mppt_data.current_voltage_mppt_data(df=df)
    data_preprocessing = DataPreprocessing() data_preprocessing = DataPreprocessing()
    df_mppt = data_preprocessing.remove_outliers(df=df_mppt, param_list=['tilt_irradiance', 'voltage_mppt', df_mppt = data_preprocessing.remove_outliers(df=df_mppt, param_list=['tilt_irradiance', 'voltage_mppt',
    'current_mppt']) 'current_mppt'])
    df_mppt, df_train, df_test = data_preprocessing.train_test_split(df=df_mppt) df_mppt, df_train, df_test = data_preprocessing.train_test_split(df=df_mppt)
    unique_inv_id = list(df_train.inv_id.unique())
    unique_mppt_id = list(df_train.mppt_id.unique())
    get_training_inference = TrainingInference(df=df_mppt, df_train=df_train, df_test=df_test) get_training_inference = TrainingInference(df=df_mppt, df_train=df_train, df_test=df_test)
    for inv_id in unique_inv_id: ai_modelling(df_train=df_train, get_training_inference=get_training_inference,
    for mppt_id in unique_mppt_id: df_predicted_tags=df_predicted_tags)
    try:
    model, scaler_x, scaler_y = get_training_inference.data_training(inv_id=inv_id, mppt_id=mppt_id)
    x_test, y_test, predictions = get_training_inference.data_inference(scaler_x=scaler_x,
    scaler_y=scaler_y,
    model=model,
    inv_id=inv_id,
    mppt_id=mppt_id)
    df_result = get_final_df.get_final_data(x_test=x_test,
    y_test=y_test,
    predictions=predictions)
    final_dict = get_final_df.get_final_predicted_tags(df_predicted_current_tags=df_final_tags,
    inv_id=inv_id, mppt_id=mppt_id)
    df_result["timestamp"] = df_result["datetime"].values.astype(np.int64) / 10 ** 9
    df_result["timestamp"] = df_result["timestamp"].astype('int')
    CalculatedDataPush(df_result=df_result, final_tags_dict=final_dict).kafka_data_push()
    # function to push the data to kairos
    logger.info(f'{final_dict}')
    except Exception as e:
    logger.exception(f'Exception - {e}')
    except Exception as e: except Exception as e:
    logger.exception(f'Exception - {e}') logger.exception(f'Exception - {e}')
    ......
    catboost_info/catboost_training.json
    View file @ 646a534f
    This source diff could not be displayed because it is too large. You can view the blob instead.
    catboost_info/learn_error.tsv
    View file @ 646a534f
    iter RMSE iter RMSE
    0 0.252648957 0 0.2564637099
    1 0.2421789369 1 0.2452986855
    2 0.2320061772 2 0.2347352757
    3 0.2222630613 3 0.2247418379
    4 0.2130678784 4 0.2152861838
    5 0.2044236959 5 0.2064455645
    6 0.1961344435 6 0.1981261727
    7 0.1888777062 7 0.190239704
    8 0.181950943 8 0.1830554212
    9 0.1748871531 9 0.1762352252
    10 0.1685501907 10 0.1696022308
    11 0.1628686194 11 0.1634056009
    12 0.157326155 12 0.1575844551
    13 0.1521998837 13 0.1522670778
    14 0.1471368176 14 0.1471785274
    15 0.1425767808 15 0.1426206424
    16 0.1382665655 16 0.1382496635
    17 0.134179339 17 0.1341253319
    18 0.1304038773 18 0.1301770699
    19 0.1268538558 19 0.126676502
    20 0.1235813635 20 0.1234497077
    21 0.1204593889 21 0.1204423538
    22 0.1175363572 22 0.1176245535
    23 0.1150111747 23 0.1149619435
    24 0.1125939488 24 0.1124233084
    25 0.1103436472 25 0.1102309191
    26 0.1082570724 26 0.1080246933
    27 0.1063063057 27 0.1059238449
    28 0.1044952449 28 0.1039973633
    29 0.1029832579 29 0.1022539503
    30 0.1015498954 30 0.1007431375
    31 0.1001404331 31 0.09918339958
    32 0.09878088515 32 0.09783971588
    33 0.09748507998 33 0.09659973432
    34 0.09632696319 34 0.09558895542
    35 0.0952354289 35 0.09440461345
    36 0.09428346558 36 0.09350882717
    37 0.09344170585 37 0.09261889224
    38 0.0925400701 38 0.09166620487
    39 0.09178929876 39 0.09087260261
    40 0.09109795137 40 0.09012514378
    41 0.09051927069 41 0.08938393436
    42 0.08986837776 42 0.08873897352
    43 0.08933390598 43 0.08819450957
    44 0.08885739433 44 0.08758719551
    45 0.08839839282 45 0.08706965074
    46 0.08801532107 46 0.08652054816
    47 0.08760195416 47 0.08607896732
    48 0.08726041296 48 0.0857236993
    49 0.0869377522 49 0.08531364285
    50 0.08666720549 50 0.08500192674
    51 0.08635058291 51 0.08465351675
    52 0.08599885619 52 0.08437771358
    53 0.08569343059 53 0.08413321719
    54 0.08538645424 54 0.08384687407
    55 0.08509046355 55 0.08355550223
    56 0.08487754518 56 0.08329215166
    57 0.08464447401 57 0.0830096721
    58 0.08445279498 58 0.08281516011
    59 0.08426527131 59 0.08261800066
    60 0.08398405071 60 0.08242420586
    61 0.08370692388 61 0.08229614782
    62 0.08346160515 62 0.08212012195
    63 0.08333064811 63 0.08199081005
    64 0.08319604768 64 0.08182879522
    65 0.08309198044 65 0.08164175575
    66 0.08285467166 66 0.08149111181
    67 0.08274160405 67 0.08132511476
    68 0.0825886989 68 0.08122733724
    69 0.08249033839 69 0.08110485133
    70 0.08233486605 70 0.08096823573
    71 0.08213217094 71 0.08090528192
    72 0.08197015928 72 0.08083762189
    73 0.08180206187 73 0.08075172498
    74 0.08168486467 74 0.08066042539
    75 0.08156746673 75 0.08055337604
    76 0.0815013622 76 0.08044310227
    77 0.08141598491 77 0.08028527044
    78 0.0813408888 78 0.08015259272
    79 0.08127639087 79 0.08004480074
    80 0.08113164297 80 0.07997259642
    81 0.08099059784 81 0.07989052807
    82 0.08087627006 82 0.0797796664
    83 0.08075661641 83 0.07967353074
    84 0.08069929175 84 0.07950976647
    85 0.08057972171 85 0.07941148172
    86 0.08048008669 86 0.07927176912
    87 0.08036281743 87 0.07920854108
    88 0.08024562069 88 0.07909967369
    89 0.08016512885 89 0.07899793216
    90 0.08007673399 90 0.07893469583
    91 0.0800286202 91 0.07883437593
    92 0.07987654099 92 0.07870124857
    93 0.07979305258 93 0.07860063305
    94 0.07974462719 94 0.07851330737
    95 0.07964014891 95 0.07841702462
    96 0.07956395711 96 0.07828684267
    97 0.0795288619 97 0.07817099236
    98 0.07942930273 98 0.07805445502
    99 0.07932947902 99 0.07793505518
    100 0.07927241425 100 0.0778099338
    101 0.07920289802 101 0.07773153241
    102 0.0791487122 102 0.07766707254
    103 0.07907156993 103 0.07759820448
    104 0.07897886632 104 0.07746256703
    105 0.07892077503 105 0.07741425197
    106 0.07886927058 106 0.07732725987
    107 0.07874606498 107 0.07728502453
    108 0.07864715802 108 0.07723473527
    109 0.07855198177 109 0.0771554947
    110 0.07847276709 110 0.07707072023
    111 0.07833559096 111 0.07702379321
    112 0.07828136535 112 0.07695373436
    113 0.07823908959 113 0.07684387682
    114 0.07811597408 114 0.07676531208
    115 0.07810393829 115 0.07669680806
    116 0.07799897567 116 0.07659122595
    117 0.07789204856 117 0.07645863833
    118 0.07782162889 118 0.07638009317
    119 0.07771067085 119 0.07626169398
    120 0.07763544233 120 0.0761908292
    121 0.07760521643 121 0.07611514923
    122 0.07752694371 122 0.07605608209
    123 0.07746975887 123 0.07599660369
    124 0.07733528432 124 0.07590377446
    125 0.07723795593 125 0.07582469587
    126 0.07715021139 126 0.07576635419
    127 0.07708754202 127 0.07569350041
    128 0.07698865621 128 0.07563936605
    129 0.07693243807 129 0.07555784144
    130 0.07684175325 130 0.07548070106
    131 0.07674736659 131 0.07541597381
    132 0.07672957964 132 0.07536740684
    133 0.0766569002 133 0.07528012368
    134 0.07659621845 134 0.07522015982
    135 0.07650263077 135 0.07517096963
    136 0.0764020329 136 0.07508799033
    137 0.07636715119 137 0.07503938151
    138 0.07629120425 138 0.07495492595
    139 0.07619619004 139 0.07490985753
    140 0.07615462438 140 0.07483318536
    141 0.0760845799 141 0.07478314264
    142 0.07597308631 142 0.07470373103
    143 0.07593040104 143 0.07463737335
    144 0.07587846364 144 0.07455648991
    145 0.07580272342 145 0.07449803581
    146 0.07577459334 146 0.07439257881
    147 0.07572829347 147 0.07432248642
    148 0.0756618626 148 0.07420550851
    149 0.07558069805 149 0.07411485597
    150 0.0755020145 150 0.07405992223
    151 0.07540987917 151 0.07399503972
    152 0.07537497687 152 0.0739099539
    153 0.07528706356 153 0.0738261893
    154 0.07521524304 154 0.07381584621
    155 0.07513330612 155 0.07376984259
    156 0.07505420114 156 0.07368712621
    157 0.07499456863 157 0.07358159296
    158 0.07489999944 158 0.07349223609
    159 0.07484967168 159 0.07342852762
    160 0.07480819763 160 0.07337284628
    161 0.07475926491 161 0.07333978882
    162 0.07469734179 162 0.07324227345
    163 0.07464369918 163 0.073199799
    164 0.07462040544 164 0.07310607721
    165 0.07450137063 165 0.07305036054
    166 0.07448174626 166 0.07298177136
    167 0.07441138853 167 0.07288575865
    168 0.07435959629 168 0.07281012888
    169 0.07427189866 169 0.07277664696
    170 0.07419710045 170 0.07272087731
    171 0.07411839126 171 0.07267438835
    172 0.07409398497 172 0.07260283834
    173 0.0740785215 173 0.07252056415
    174 0.07402792507 174 0.07243115344
    175 0.07396108755 175 0.07233881993
    176 0.07390578951 176 0.07231050863
    177 0.07380462362 177 0.07226651925
    178 0.07373081894 178 0.07219939279
    179 0.0736588369 179 0.07214460737
    180 0.07356566861 180 0.07204624615
    181 0.07346381249 181 0.07195487644
    182 0.07340040207 182 0.07190764221
    183 0.07332633517 183 0.07182346759
    184 0.07329392197 184 0.07177072156
    185 0.07326242515 185 0.0716832163
    186 0.07322153887 186 0.07159419047
    187 0.07315114262 187 0.07154826
    188 0.07307059018 188 0.07147486367
    189 0.07297851042 189 0.07142497754
    190 0.07293169089 190 0.07134990201
    191 0.0728374809 191 0.07123012837
    192 0.07278024335 192 0.0711831045
    193 0.07271033301 193 0.07111565892
    194 0.07262741202 194 0.07104002728
    195 0.07255553448 195 0.07096313264
    196 0.07251399581 196 0.07092557329
    197 0.07239780003 197 0.07083344199
    198 0.07234818482 198 0.07077644993
    199 0.07224186228 199 0.07069799475
    200 0.07219371833 200 0.07063509211
    201 0.07214574042 201 0.07059451139
    202 0.07206345912 202 0.07048594046
    203 0.07198887185 203 0.07041688082
    204 0.071943849 204 0.07034663584
    205 0.07189431519 205 0.07028164163
    206 0.0718191816 206 0.07023859799
    207 0.07173140513 207 0.07018040837
    208 0.07170177514 208 0.07012043085
    209 0.07167814891 209 0.07002197369
    210 0.07161633595 210 0.0699408498
    211 0.07154755686 211 0.06989182674
    212 0.0715130084 212 0.06984131399
    213 0.07146770159 213 0.06979369884
    214 0.07140413032 214 0.06975520238
    215 0.07133820214 215 0.06970978529
    216 0.07128415189 216 0.06964153574
    217 0.07124678707 217 0.06958152996
    218 0.07121125767 218 0.06953977057
    219 0.07117224814 219 0.06950005641
    220 0.07111635814 220 0.06946260127
    221 0.07105572413 221 0.06939802982
    222 0.07100043854 222 0.06936262064
    223 0.07097469139 223 0.0693138812
    224 0.07089595331 224 0.06925035593
    225 0.07080111424 225 0.06918448234
    226 0.07075326648 226 0.06912257096
    227 0.07069060252 227 0.06908883112
    228 0.07060833575 228 0.06903081018
    229 0.07053306871 229 0.06899883344
    230 0.07044004628 230 0.06895564151
    231 0.07037895048 231 0.06891248311
    232 0.07030790291 232 0.06885960761
    233 0.07022961959 233 0.06880995241
    234 0.07018610691 234 0.06875055292
    235 0.07015544604 235 0.06872046322
    236 0.07009759019 236 0.06867473092
    237 0.07002310557 237 0.06857392485
    238 0.07000879806 238 0.06851911026
    239 0.06993752527 239 0.06846350896
    240 0.069863797 240 0.06842398229
    241 0.06980671149 241 0.06833495399
    242 0.06976479544 242 0.06829012693
    243 0.06968975813 243 0.06826144412
    244 0.06966225849 244 0.06823662308
    245 0.06964788227 245 0.06818834953
    246 0.06957129924 246 0.06812431909
    247 0.06953711293 247 0.06810521476
    248 0.06947791343 248 0.06806859053
    249 0.0694214808 249 0.06802431934
    250 0.06936031487 250 0.06799822672
    251 0.06932934773 251 0.06792804372
    252 0.0692792011 252 0.06788063023
    253 0.06922508309 253 0.06783310755
    254 0.06920501353 254 0.06777952271
    255 0.06917682521 255 0.06773431537
    256 0.06914415188 256 0.06768596543
    257 0.06909728035 257 0.06761264966
    258 0.06907519752 258 0.06755156958
    259 0.06902876999 259 0.06752832891
    260 0.06899785129 260 0.06748283827
    261 0.06897151069 261 0.06743032987
    262 0.06891613553 262 0.06739671917
    263 0.06888013473 263 0.06732224875
    264 0.06882596009 264 0.06728969092
    265 0.06879808364 265 0.06725516931
    266 0.06876353608 266 0.06723300356
    267 0.0687183412 267 0.06720887295
    268 0.0686714486 268 0.06718586325
    269 0.0686175628 269 0.06714616988
    270 0.06860462157 270 0.06710827646
    271 0.06858581711 271 0.0670731178
    272 0.06854470767 272 0.06704169236
    273 0.06849211971 273 0.06699485454
    274 0.06842902999 274 0.06690772622
    275 0.06838617538 275 0.06688667598
    276 0.0683671429 276 0.06685713884
    277 0.06832680264 277 0.06682745586
    278 0.06828927444 278 0.06676248038
    279 0.06822384303 279 0.06672611731
    280 0.06820271239 280 0.06668865626
    281 0.06817203402 281 0.06666719068
    282 0.06810496321 282 0.06661724682
    283 0.06806459757 283 0.06655618112
    284 0.06805284487 284 0.06650605897
    285 0.06800161568 285 0.06647273345
    286 0.0679519143 286 0.06645618873
    287 0.06791119229 287 0.06640487797
    288 0.06786264823 288 0.06637404626
    289 0.06782448344 289 0.06633844125
    290 0.06779981264 290 0.06630860942
    291 0.06773677254 291 0.06626677386
    292 0.06770845015 292 0.06620145629
    293 0.06765899272 293 0.06613504904
    294 0.06761138033 294 0.06604521192
    295 0.06753208188 295 0.06595477418
    296 0.06747954888 296 0.06588712921
    297 0.06745326887 297 0.06582504113
    298 0.06741004628 298 0.06579542657
    299 0.06738121255 299 0.06576715644
    300 0.06735477708 300 0.06572663817
    301 0.06730643847 301 0.06566262651
    302 0.06728080111 302 0.06562564449
    303 0.06722277937 303 0.06559859369
    304 0.06718211985 304 0.06558406394
    305 0.06713229431 305 0.06554745475
    306 0.06710197061 306 0.06550011801
    307 0.06706681515 307 0.06542661042
    308 0.06703360582 308 0.06539822525
    309 0.06700867398 309 0.06532794566
    310 0.06695771964 310 0.06528984667
    311 0.0669136606 311 0.06526273588
    312 0.06687038211 312 0.06517352858
    313 0.06684662161 313 0.06513700383
    314 0.06681435576 314 0.0650663878
    315 0.06679182821 315 0.06501049196
    316 0.0667597598 316 0.06498051493
    317 0.06674376854 317 0.06495227448
    318 0.06667144792 318 0.06494714083
    319 0.06664764427 319 0.06488116773
    320 0.0665919053 320 0.06481500881
    321 0.06656307236 321 0.06479020971
    322 0.06649554271 322 0.06475126259
    323 0.06642835472 323 0.06470341329
    324 0.06639806778 324 0.06464397911
    325 0.0663774875 325 0.06460661312
    326 0.06631119406 326 0.06456952566
    327 0.06626463157 327 0.06452710556
    328 0.06622366729 328 0.06446800797
    329 0.06619394844 329 0.06442676522
    330 0.06617156966 330 0.06436842375
    331 0.06614472186 331 0.06428725709
    332 0.06610902015 332 0.06427121669
    333 0.06605814255 333 0.06420961889
    334 0.06602756623 334 0.06417597643
    335 0.06600144652 335 0.06414433453
    336 0.06598239433 336 0.06410928364
    337 0.06593047873 337 0.06404520872
    338 0.0658773282 338 0.06399242091
    339 0.06586201052 339 0.06394186339
    340 0.06582729173 340 0.06387800869
    341 0.06580518284 341 0.06384634403
    342 0.06577744285 342 0.06380115375
    343 0.06576262364 343 0.06375961736
    344 0.06572882673 344 0.06372953291
    345 0.06570024794 345 0.06371485391
    346 0.06566207665 346 0.06369417562
    347 0.06563209515 347 0.06364461773
    348 0.06561447467 348 0.063603238
    349 0.065574145 349 0.06353552081
    350 0.06550492537 350 0.06350700106
    351 0.06545559342 351 0.06344085046
    352 0.06544123623 352 0.06339297584
    353 0.06538302913 353 0.06334372421
    354 0.06535181256 354 0.06330727135
    355 0.06531317938 355 0.06327400821
    356 0.06526974624 356 0.06320762166
    357 0.0652415885 357 0.06315508852
    358 0.06519436117 358 0.06310591213
    359 0.06512076883 359 0.06306853186
    360 0.06508682932 360 0.06303562341
    361 0.06501937404 361 0.06299764081
    362 0.06500445611 362 0.06295532581
    363 0.06496985761 363 0.06292863192
    364 0.0649253546 364 0.06289769881
    365 0.06491111131 365 0.06281713395
    366 0.06489100832 366 0.06279628511
    367 0.06486261205 367 0.06275927738
    368 0.06482922665 368 0.06273539348
    369 0.06479456842 369 0.06271611737
    370 0.0647810957 370 0.06266384426
    371 0.06475374409 371 0.062608929
    372 0.06474615236 372 0.06255246437
    373 0.06471697228 373 0.06249934479
    374 0.06469328698 374 0.06242105108
    375 0.06464879154 375 0.06239144108
    376 0.06463298978 376 0.06236355074
    377 0.06457205909 377 0.06231986181
    378 0.06454829409 378 0.06226054079
    379 0.06452657117 379 0.06221714484
    380 0.06446499396 380 0.06216793217
    381 0.06443840392 381 0.06212736192
    382 0.06438306752 382 0.06210084338
    383 0.06435137494 383 0.0620755381
    384 0.06430737532 384 0.06203982527
    385 0.06428100441 385 0.0619992177
    386 0.0642521913 386 0.0619738053
    387 0.06423726564 387 0.06190238672
    388 0.06418945624 388 0.06188269862
    389 0.06414695869 389 0.06184367939
    390 0.06409826132 390 0.06180150934
    391 0.06406878868 391 0.06176380997
    392 0.06403791517 392 0.06171384851
    393 0.06398260554 393 0.06168389745
    394 0.06393270215 394 0.06164815543
    395 0.06390829826 395 0.06159437901
    396 0.06387900589 396 0.06155125181
    397 0.06387342924 397 0.06151733503
    398 0.06382190615 398 0.06148340121
    399 0.06379526094 399 0.06144372347
    400 0.06375621117 400 0.06138377611
    401 0.06370039892 401 0.06136367194
    402 0.06364061933 402 0.0613366596
    403 0.06362829041 403 0.06129473494
    404 0.06353161708 404 0.06126366408
    405 0.06347240473 405 0.06123461948
    406 0.06344708372 406 0.06120293815
    407 0.06341016155 407 0.06117235051
    408 0.06339822769 408 0.06113512473
    409 0.0633452459 409 0.06109665393
    410 0.0633251406 410 0.06107111457
    411 0.06329061272 411 0.06104359362
    412 0.06327110161 412 0.06103446385
    413 0.0632404322 413 0.06100486437
    414 0.06322370027 414 0.0609796214
    415 0.06320473966 415 0.06093745638
    416 0.06317190553 416 0.06090722809
    417 0.06315350098 417 0.06087102708
    418 0.06312740485 418 0.0608248306
    419 0.06311381539 419 0.06078930399
    420 0.06306166104 420 0.06076113343
    421 0.06303093446 421 0.06074582998
    422 0.06298011475 422 0.0607273368
    423 0.06295362267 423 0.06070257637
    424 0.06292751374 424 0.06065322229
    425 0.06288005747 425 0.06063870197
    426 0.06287335235 426 0.06059277081
    427 0.06284435349 427 0.06055913301
    428 0.06281161684 428 0.06050367492
    429 0.06276822683 429 0.06047605762
    430 0.06274309715 430 0.06045306298
    431 0.06268722944 431 0.06040763795
    432 0.06262965598 432 0.06038106045
    433 0.06259290264 433 0.06035537891
    434 0.06254513432 434 0.06032132603
    435 0.06251090548 435 0.0602969703
    436 0.06248606709 436 0.06026180946
    437 0.06245782452 437 0.06023183194
    438 0.06242021155 438 0.06018876329
    439 0.06240425635 439 0.06013349461
    440 0.06236175726 440 0.06010662805
    441 0.06233394042 441 0.0600807249
    442 0.06231220088 442 0.06005916478
    443 0.06228505204 443 0.06000464278
    444 0.06226407793 444 0.05998212374
    445 0.06222425922 445 0.05995491895
    446 0.06219976578 446 0.05992273466
    447 0.06215549888 447 0.05989235453
    448 0.06213166898 448 0.05986151406
    449 0.06211280556 449 0.05981272229
    450 0.0620715098 450 0.0597830826
    451 0.06202110265 451 0.05974186132
    452 0.06200324714 452 0.05968905234
    453 0.06198200706 453 0.05964365095
    454 0.06196592888 454 0.05961880289
    455 0.06194346354 455 0.05959483857
    456 0.06192605037 456 0.05956341806
    457 0.06189318356 457 0.05952500396
    458 0.06187583613 458 0.05950180459
    459 0.06184378685 459 0.05947023602
    460 0.06183760272 460 0.05946089132
    461 0.06180194328 461 0.05943922225
    462 0.06178375396 462 0.05939166043
    463 0.06176382523 463 0.05936901928
    464 0.06174746155 464 0.05935066006
    465 0.06173158583 465 0.05932094489
    466 0.0617045683 466 0.05930666734
    467 0.06166882041 467 0.05928514643
    468 0.06163610165 468 0.05926864741
    469 0.06160849805 469 0.05924771896
    470 0.06158637375 470 0.05920464505
    471 0.06155231828 471 0.05917766697
    472 0.06153739942 472 0.05912873234
    473 0.06151037653 473 0.05908828615
    474 0.06147714396 474 0.0590516855
    475 0.06145494538 475 0.05900514911
    476 0.06140355491 476 0.05899227452
    477 0.06138195929 477 0.05898854709
    478 0.06136640703 478 0.05895627514
    479 0.0613338295 479 0.0589150352
    480 0.0613058079 480 0.05886960235
    481 0.06129151878 481 0.05885643808
    482 0.06128003178 482 0.05883624417
    483 0.06125641168 483 0.0587932631
    484 0.06120818472 484 0.0587721923
    485 0.06118784721 485 0.05872298888
    486 0.06116181802 486 0.0587080584
    487 0.06113695118 487 0.05867204169
    488 0.06111777367 488 0.05865804016
    489 0.06108592665 489 0.05862780707
    490 0.06105378027 490 0.05859705955
    491 0.06102859558 491 0.05858549634
    492 0.06100426739 492 0.05856944779
    493 0.06097178996 493 0.05856601945
    494 0.06092592209 494 0.05854731988
    495 0.06091249223 495 0.05852679115
    496 0.06090740461 496 0.0584900875
    497 0.0608845507 497 0.0584391937
    498 0.06084748846 498 0.05839378702
    499 0.06082604545 499 0.05837648889
    500 0.06080120024 500 0.0583380073
    501 0.06075754968 501 0.05831550605
    502 0.06073800424 502 0.05827498251
    503 0.06072401642 503 0.05824728632
    504 0.06069345638 504 0.05821996574
    505 0.06066667686 505 0.05819349616
    506 0.06063823864 506 0.05816999645
    507 0.0606119005 507 0.0581281465
    508 0.06059352494 508 0.05810907164
    509 0.06055907744 509 0.05808312763
    510 0.06046993241 510 0.05803959125
    511 0.06045746892 511 0.05801379161
    512 0.06044050871 512 0.05799672488
    513 0.06041961324 513 0.05798297006
    514 0.06038994347 514 0.05795384313
    515 0.06035939825 515 0.05794509916
    516 0.06033975025 516 0.05789980611
    517 0.06028864939 517 0.05787842574
    518 0.06025761998 518 0.05786122753
    519 0.06023582106 519 0.05783621053
    520 0.06022103595 520 0.05778371993
    521 0.060176077 521 0.0577664882
    522 0.06015803043 522 0.05773912204
    523 0.06014097225 523 0.0577208637
    524 0.06012326115 524 0.05769549963
    525 0.06009301533 525 0.05767534805
    526 0.06006714027 526 0.05762609047
    527 0.06003841986 527 0.05760616968
    528 0.05998656609 528 0.05755219961
    529 0.05995742765 529 0.05753587066
    530 0.0598956572 530 0.05748974294
    531 0.05987596626 531 0.05747545637
    532 0.05983535162 532 0.05742986288
    533 0.05981844633 533 0.05740215413
    534 0.05980117021 534 0.05738666492
    535 0.05978442252 535 0.05733530526
    536 0.05976532446 536 0.05731970432
    537 0.0597276666 537 0.05727822784
    538 0.05967698133 538 0.05725954409
    539 0.05965334788 539 0.05724492328
    540 0.05962419644 540 0.05721098923
    541 0.0596116631 541 0.05719684037
    542 0.05959511906 542 0.05717307872
    543 0.05957250623 543 0.05715976163
    544 0.05953261133 544 0.05714005812
    545 0.05951096503 545 0.05708022952
    546 0.059467385 546 0.057024425
    547 0.05945339396 547 0.05697708387
    548 0.05944023967 548 0.05694675934
    549 0.05942752556 549 0.05693060089
    550 0.0593778859 550 0.05690793072
    551 0.05935182061 551 0.05688395165
    552 0.05932434043 552 0.05685202819
    553 0.0592787296 553 0.05680600406
    554 0.05925228819 554 0.05675448262
    555 0.05922141053 555 0.05673578346
    556 0.05919463663 556 0.05668399305
    557 0.05918242595 557 0.05664283433
    558 0.05915414143 558 0.05663370501
    559 0.05910980399 559 0.05659057352
    560 0.05909286073 560 0.05657368969
    561 0.05905957805 561 0.05656501947
    562 0.05903923138 562 0.05653104857
    563 0.05901789252 563 0.05652052126
    564 0.05899634131 564 0.05650059686
    565 0.05895246342 565 0.05647926978
    566 0.05892672023 566 0.056465833
    567 0.05889508593 567 0.05645067746
    568 0.05881186164 568 0.05642200194
    569 0.05879515342 569 0.05639972013
    570 0.05875525311 570 0.05638466223
    571 0.05874041276 571 0.05633574091
    572 0.0587199686 572 0.05629061992
    573 0.05869560487 573 0.05627610676
    574 0.05867152276 574 0.05625819249
    575 0.05864661592 575 0.05621542893
    576 0.05862851264 576 0.05618939271
    577 0.05860761571 577 0.05617533174
    578 0.05856912395 578 0.05615773365
    579 0.05855050626 579 0.05611729172
    580 0.05853076338 580 0.05609840646
    581 0.05847745336 581 0.05606050381
    582 0.05846473512 582 0.05603303108
    583 0.05842339095 583 0.05601483514
    584 0.05840757707 584 0.0560072109
    585 0.05838855678 585 0.05596098033
    586 0.0583730204 586 0.05591659805
    587 0.05834667787 587 0.05589632737
    588 0.05833230761 588 0.05585598783
    589 0.05830857525 589 0.05581570511
    590 0.05828551117 590 0.05580260108
    591 0.05825577455 591 0.05576364351
    592 0.05824726646 592 0.05571903913
    593 0.05820756486 593 0.05567929337
    594 0.05819556881 594 0.05566017868
    595 0.05818499334 595 0.05564324068
    596 0.05816225121 596 0.0555965235
    597 0.05815173068 597 0.05558534302
    598 0.05814709181 598 0.05556904502
    599 0.05813894802 599 0.05556609126
    600 0.05811329531 600 0.05552085058
    601 0.05810183278 601 0.0555075775
    602 0.05806534166 602 0.05546698327
    603 0.05802539562 603 0.05543937922
    604 0.05799091796 604 0.05542205541
    605 0.05792143939 605 0.05538163712
    606 0.0578831569 606 0.05534871701
    607 0.05786765884 607 0.05531139667
    608 0.05784679011 608 0.0552945202
    609 0.05782388674 609 0.05527963775
    610 0.05778762974 610 0.05523650958
    611 0.05777346148 611 0.05522009004
    612 0.05775862853 612 0.05519391814
    613 0.05773740048 613 0.05514659519
    614 0.05772083777 614 0.05511004234
    615 0.05769404276 615 0.05507418249
    616 0.05762098943 616 0.05505010507
    617 0.05760588868 617 0.05500882246
    618 0.05758058483 618 0.05499280194
    619 0.05754642744 619 0.05497017105
    620 0.05752663546 620 0.05492974439
    621 0.05750352162 621 0.05489957153
    622 0.05746386783 622 0.05486604484
    623 0.05743747866 623 0.0548504195
    624 0.05741249523 624 0.05483977291
    625 0.05737516381 625 0.05481818762
    626 0.0573381789 626 0.05480302379
    627 0.05727692362 627 0.05477664642
    628 0.05725469847 628 0.05473873335
    629 0.05721619703 629 0.05471540592
    630 0.05718768398 630 0.05470509603
    631 0.05716753314 631 0.05469534354
    632 0.0571504057 632 0.05466849291
    633 0.05713341153 633 0.05464173254
    634 0.05711820254 634 0.05461943548
    635 0.05705052009 635 0.05460983611
    636 0.0570132681 636 0.05459496292
    637 0.05700071612 637 0.05456446132
    638 0.05698098102 638 0.05455349085
    639 0.05694908438 639 0.05450649527
    640 0.05691322112 640 0.05449631104
    641 0.05690084823 641 0.05448765949
    642 0.05688992161 642 0.05447792029
    643 0.05685888995 643 0.05445300369
    644 0.05683130445 644 0.05442977378
    645 0.05680984616 645 0.05440526842
    646 0.0567968464 646 0.05436616989
    647 0.05678147081 647 0.05435670006
    648 0.05676582199 648 0.05433232982
    649 0.05675086591 649 0.05428553321
    650 0.05673648617 650 0.05426046133
    651 0.05672150126 651 0.05425278899
    652 0.05671271004 652 0.0542273628
    653 0.05669309017 653 0.05421275505
    654 0.0566748066 654 0.05417918458
    655 0.05665476607 655 0.05414731064
    656 0.05663935192 656 0.05414452155
    657 0.05662580991 657 0.05412037061
    658 0.05659282071 658 0.05407761156
    659 0.05656484528 659 0.05406380438
    660 0.05653394226 660 0.05403643515
    661 0.05650879091 661 0.05400300517
    662 0.0564973064 662 0.05398205542
    663 0.05644724186 663 0.05395913741
    664 0.05640494778 664 0.05395028987
    665 0.05634163669 665 0.0539326103
    666 0.05632043519 666 0.05391855665
    667 0.05630267044 667 0.05388735162
    668 0.05627297668 668 0.05387510035
    669 0.05623733816 669 0.0538611439
    670 0.05622296318 670 0.05385299397
    671 0.0561950798 671 0.05384445216
    672 0.05617322294 672 0.05382767769
    673 0.05613294481 673 0.05380900653
    674 0.05611566002 674 0.05377150263
    675 0.05608800061 675 0.0537504293
    676 0.05606538399 676 0.05372662879
    677 0.05603131978 677 0.05368367552
    678 0.05601518748 678 0.05366663487
    679 0.05599689029 679 0.0536243798
    680 0.05596677125 680 0.05358923848
    681 0.05592740043 681 0.05357773659
    682 0.05590645058 682 0.05355344445
    683 0.05589396377 683 0.0535340571
    684 0.05586583433 684 0.05351778914
    685 0.05583849017 685 0.05348658855
    686 0.0558204156 686 0.05346323521
    687 0.05580359154 687 0.05342549406
    688 0.05576954813 688 0.05338516802
    689 0.05576038667 689 0.05334706317
    690 0.05573557606 690 0.05332960519
    691 0.05571831118 691 0.05329767397
    692 0.05570176651 692 0.05328997783
    693 0.05567972015 693 0.05325274386
    694 0.05567539954 694 0.05322926027
    695 0.05565191904 695 0.05319103754
    696 0.05559892863 696 0.05316326287
    697 0.05558826099 697 0.05313151912
    698 0.05554942181 698 0.05310359945
    699 0.05553311208 699 0.05308261369
    700 0.05551507711 700 0.05305812542
    701 0.05550259867 701 0.05302296455
    702 0.05548582194 702 0.0530000221
    703 0.05547795368 703 0.05297659886
    704 0.05547163912 704 0.05293602629
    705 0.05546554222 705 0.05290866311
    706 0.05544744259 706 0.05288905319
    707 0.05542446148 707 0.05287382796
    708 0.05537601504 708 0.05285885343
    709 0.05534893833 709 0.05283878686
    710 0.05532063919 710 0.05281278323
    711 0.05530213174 711 0.05279407157
    712 0.05528252917 712 0.05277551467
    713 0.05525703865 713 0.05275560502
    714 0.05521141779 714 0.05273878527
    715 0.05519381025 715 0.0526985448
    716 0.05518655649 716 0.05267659084
    717 0.05516496689 717 0.05264935386
    718 0.05514295962 718 0.05263142046
    719 0.05512173125 719 0.05260694717
    720 0.0551047411 720 0.05258324499
    721 0.05507831781 721 0.05255707776
    722 0.05505226019 722 0.05252109537
    723 0.05502714505 723 0.05249961599
    724 0.05500521749 724 0.05248241304
    725 0.05498133461 725 0.0524529898
    726 0.05496638074 726 0.05242829341
    727 0.0549542268 727 0.05241520055
    728 0.05491276636 728 0.05239601296
    729 0.05488802347 729 0.05237282833
    730 0.05485469806 730 0.05235431039
    731 0.05484331813 731 0.05233803114
    732 0.0548252011 732 0.05232848867
    733 0.05480257532 733 0.05230036211
    734 0.05477970405 734 0.05229112447
    735 0.05475859612 735 0.05226333
    736 0.05473815594 736 0.05225258796
    737 0.05471674551 737 0.05224087679
    738 0.05467463428 738 0.05222718373
    739 0.05463588878 739 0.052209845
    740 0.05459820969 740 0.05219675054
    741 0.05459006555 741 0.05216762275
    742 0.05455534354 742 0.05213633376
    743 0.05454749532 743 0.05211175465
    744 0.0545144822 744 0.052093788
    745 0.05450369252 745 0.05207770372
    746 0.05446705903 746 0.05206812093
    747 0.05444104955 747 0.05205755284
    748 0.05441635549 748 0.05202879244
    749 0.05440016686 749 0.05201306498
    750 0.05438971927 750 0.05200127045
    751 0.05437270943 751 0.05197999037
    752 0.05436212258 752 0.05196310351
    753 0.05434147025 753 0.05193176677
    754 0.05432428282 754 0.05191044363
    755 0.05430832855 755 0.05189358603
    756 0.05428994739 756 0.05187295618
    757 0.05426772922 757 0.05185272673
    758 0.05423482594 758 0.05182819275
    759 0.05420986354 759 0.05181402689
    760 0.05418851795 760 0.0517939837
    761 0.05415744539 761 0.051772403
    762 0.05414355352 762 0.05174119565
    763 0.0541281288 763 0.05171403368
    764 0.0541135194 764 0.05169884256
    765 0.05410536502 765 0.05168008609
    766 0.05407819056 766 0.05166095345
    767 0.05404933545 767 0.05164675986
    768 0.05400648583 768 0.05162847906
    769 0.05397311507 769 0.05160584088
    770 0.05394526371 770 0.05158727032
    771 0.05392765211 771 0.05157036821
    772 0.05392390176 772 0.05155434202
    773 0.05391006821 773 0.05153705249
    774 0.05389227433 774 0.0515344874
    775 0.05387384369 775 0.05152130678
    776 0.05385572427 776 0.05150319671
    777 0.05383546259 777 0.05147201088
    778 0.05381642728 778 0.05146323252
    779 0.05376762801 779 0.05144142187
    780 0.05374753029 780 0.0514251041
    781 0.05372138949 781 0.05140702089
    782 0.05370346219 782 0.05139047339
    783 0.05369183314 783 0.05137682002
    784 0.05367629562 784 0.05134583902
    785 0.05366194955 785 0.05131439078
    786 0.05364246623 786 0.05128821904
    787 0.05363503607 787 0.05126919369
    788 0.05360718848 788 0.05125075224
    789 0.05359590449 789 0.0512328739
    790 0.05358677448 790 0.05121553886
    791 0.05356985353 791 0.05119139102
    792 0.05354256977 792 0.05116559237
    793 0.0535138874 793 0.05115062337
    794 0.05347630855 794 0.05112743426
    795 0.05345131509 795 0.05109691284
    796 0.05343329987 796 0.05107022176
    797 0.05342029451 797 0.05105403851
    798 0.05338573876 798 0.05103391756
    799 0.05338208875 799 0.05102293215
    800 0.05334866514 800 0.05100969822
    801 0.0533386752 801 0.05099397213
    802 0.05330707815 802 0.05097870549
    803 0.05329073918 803 0.05095661576
    804 0.05327856568 804 0.05094178369
    805 0.05327119591 805 0.050927384
    806 0.05326138696 806 0.05090983889
    807 0.05324425589 807 0.05088903398
    808 0.05322033226 808 0.0508526688
    809 0.0532092082 809 0.05084399814
    810 0.0531867883 810 0.05082651773
    811 0.05317696845 811 0.05081811934
    812 0.05315722861 812 0.05080201318
    813 0.05315391184 813 0.05079096026
    814 0.05314090953 814 0.05078377959
    815 0.05312550417 815 0.05077082008
    816 0.05307697665 816 0.05076045416
    817 0.05306039344 817 0.05075381741
    818 0.05304998421 818 0.05074946269
    819 0.05302119672 819 0.05070992185
    820 0.05299835438 820 0.05070232137
    821 0.0529708812 821 0.0506816004
    822 0.05293768228 822 0.05066212701
    823 0.05291965575 823 0.05065409239
    824 0.05290100865 824 0.05063485213
    825 0.05288051157 825 0.05062666061
    826 0.05285537596 826 0.05061251025
    827 0.05282299759 827 0.05060478402
    828 0.05279594817 828 0.05058794341
    829 0.05278532969 829 0.05057051628
    830 0.05276994715 830 0.05054611086
    831 0.05275708063 831 0.05053289924
    832 0.05273716511 832 0.05051877722
    833 0.05272577296 833 0.0505043759
    834 0.05269956526 834 0.05049191433
    835 0.05268467134 835 0.05046888851
    836 0.05266463868 836 0.05044120703
    837 0.05264952815 837 0.05042701788
    838 0.05263460801 838 0.05041099321
    839 0.05261920374 839 0.05040010666
    840 0.05257439714 840 0.05038616697
    841 0.05256114336 841 0.05036342871
    842 0.0525468638 842 0.05035618149
    843 0.05252109133 843 0.05033930729
    844 0.05249043058 844 0.05033196566
    845 0.05248164473 845 0.05030694268
    846 0.0524716851 846 0.0502836333
    847 0.05245490511 847 0.05026772698
    848 0.05242928518 848 0.05025238715
    849 0.05241577828 849 0.05023079534
    850 0.0523934813 850 0.05021197258
    851 0.05236447967 851 0.05018441543
    852 0.05232586812 852 0.05016156485
    853 0.052309292 853 0.05013557517
    854 0.05229394918 854 0.05011150008
    855 0.05227829328 855 0.05010162974
    856 0.05224532051 856 0.05008771875
    857 0.05221724333 857 0.05008534565
    858 0.05220239389 858 0.05006007488
    859 0.05218794504 859 0.05003623789
    860 0.05216142213 860 0.05001281879
    861 0.05214960206 861 0.04998424242
    862 0.05213971135 862 0.04996914715
    863 0.05211348895 863 0.04996234015
    864 0.0520997049 864 0.04994034091
    865 0.05205202969 865 0.04991180017
    866 0.05203699236 866 0.04988848753
    867 0.05201703357 867 0.04985821913
    868 0.05199462119 868 0.04984531684
    869 0.05198202401 869 0.04983050852
    870 0.05196996861 870 0.04980182982
    871 0.05195065984 871 0.04978309159
    872 0.05192929619 872 0.04977170444
    873 0.05191660095 873 0.04974964405
    874 0.05189117533 874 0.04972405023
    875 0.05187959965 875 0.04970388653
    876 0.051868514 876 0.04969237591
    877 0.0518440003 877 0.04966837593
    878 0.05181390515 878 0.04966014128
    879 0.05180437335 879 0.04964391542
    880 0.05179078187 880 0.04963418903
    881 0.05178083839 881 0.04960457919
    882 0.05177591784 882 0.04958631864
    883 0.05175279151 883 0.04955013938
    884 0.05173465619 884 0.04952676704
    885 0.05171568689 885 0.04951422334
    886 0.05170242637 886 0.04950194466
    887 0.05168914451 887 0.04948640474
    888 0.05167469268 888 0.04946079018
    889 0.05166246234 889 0.04944566436
    890 0.05164046363 890 0.04940128604
    891 0.05160845522 891 0.04938700939
    892 0.05159562888 892 0.04938496319
    893 0.05156707955 893 0.04936503816
    894 0.05155352135 894 0.0493397069
    895 0.05153171615 895 0.04930559236
    896 0.0515068529 896 0.0492909345
    897 0.05148946369 897 0.04927554904
    898 0.05147375913 898 0.04924521755
    899 0.0514627782 899 0.04923385542
    900 0.05144806073 900 0.04922006676
    901 0.05143649498 901 0.04921456985
    902 0.0514206172 902 0.04920106238
    903 0.05139345594 903 0.04918817398
    904 0.05137006722 904 0.04917526552
    905 0.05135003574 905 0.04915037306
    906 0.05133703362 906 0.04912862134
    907 0.05132794669 907 0.04911660276
    908 0.05130193665 908 0.04909250859
    909 0.05127707084 909 0.04906462508
    910 0.0512450204 910 0.0490412708
    911 0.05123260848 911 0.04902327587
    912 0.05121017692 912 0.04899678576
    913 0.05119533254 913 0.04897895124
    914 0.05117243719 914 0.04895404707
    915 0.05116437336 915 0.0489255016
    916 0.05113367815 916 0.04891423675
    917 0.05111562905 917 0.04888820492
    918 0.05109771594 918 0.04887360068
    919 0.0510809242 919 0.04884990043
    920 0.05106914598 920 0.04882523039
    921 0.05105001513 921 0.04880646352
    922 0.05103906401 922 0.04878231187
    923 0.05101740442 923 0.04875872742
    924 0.05100711155 924 0.04873506036
    925 0.0509971472 925 0.04872328088
    926 0.05097380287 926 0.04870424863
    927 0.05096364674 927 0.0486732031
    928 0.05095436833 928 0.04866436654
    929 0.05094299736 929 0.04865449454
    930 0.05090113542 930 0.04863150091
    931 0.05087967734 931 0.04861356339
    932 0.05086814672 932 0.04859173672
    933 0.05085920876 933 0.04857774001
    934 0.05085021513 934 0.04857173717
    935 0.05083206663 935 0.04855659055
    936 0.0508168572 936 0.04853583058
    937 0.05080022308 937 0.04851996191
    938 0.0507917535 938 0.04849616784
    939 0.0507767932 939 0.04846901804
    940 0.05075259285 940 0.04845328857
    941 0.05073360009 941 0.04844211409
    942 0.05071345535 942 0.048430801
    943 0.05069361323 943 0.04841579505
    944 0.0506708425 944 0.04839902752
    945 0.05066266792 945 0.04837602543
    946 0.05064115762 946 0.04834045631
    947 0.05062869197 947 0.0483236697
    948 0.05061281533 948 0.04829893957
    949 0.05060530967 949 0.04828249577
    950 0.05059411059 950 0.04827421882
    951 0.05057808205 951 0.04826647504
    952 0.05056068995 952 0.04824307838
    953 0.05055054646 953 0.04822086369
    954 0.05054376558 954 0.04819583364
    955 0.05053520068 955 0.04816633803
    956 0.0505286816 956 0.04815717794
    957 0.05052344912 957 0.04812880966
    958 0.05051724511 958 0.04811630323
    959 0.05050545293 959 0.04810557805
    960 0.05047202724 960 0.04809606971
    961 0.0504569078 961 0.04806933495
    962 0.05044412061 962 0.04805404146
    963 0.05043861576 963 0.04804222867
    964 0.05042432422 964 0.04802093067
    965 0.05041945224 965 0.04800619778
    966 0.05040767332 966 0.04798091747
    967 0.05039756758 967 0.04796394031
    968 0.05038734298 968 0.04795376252
    969 0.05037148123 969 0.04793087196
    970 0.05035720187 970 0.04791039612
    971 0.05033870185 971 0.0478883379
    972 0.05033289932 972 0.04786222217
    973 0.05030403567 973 0.0478412503
    974 0.05028499155 974 0.04782191286
    975 0.05026191435 975 0.0478037294
    976 0.05025053815 976 0.04778990797
    977 0.05023471442 977 0.04777431577
    978 0.05021303088 978 0.04776367868
    979 0.0501990438 979 0.0477396886
    980 0.05018690257 980 0.04772326032
    981 0.05017308015 981 0.04770609531
    982 0.05015268447 982 0.04768714217
    983 0.05013442538 983 0.0476690391
    984 0.05011020492 984 0.04765173928
    985 0.05008937224 985 0.04763519897
    986 0.05007838255 986 0.04761556024
    987 0.05005229721 987 0.04759074739
    988 0.05003608483 988 0.04756797442
    989 0.05001450939 989 0.04754646736
    990 0.05000901885 990 0.04753456303
    991 0.05000520489 991 0.04751585939
    992 0.04999524073 992 0.04749739859
    993 0.04997237946 993 0.04747675266
    994 0.04995481823 994 0.04746575348
    995 0.04994525495 995 0.04744657533
    996 0.04994129583 996 0.04743312051
    997 0.04992387509 997 0.04741463392
    998 0.04991179772 998 0.04739438905
    999 0.04990110236 999 0.04738376077
    03828489 4659588612
    conf/application.conf
    View file @ 646a534f
    ...@@ -30,6 +30,8 @@ email_sender=$SENDER_EMAIL ...@@ -30,6 +30,8 @@ email_sender=$SENDER_EMAIL
    [MONGO] [MONGO]
    mongo_uri=$MONGO_URI mongo_uri=$MONGO_URI
    project_id=$PROJECT_ID
    query_filter=$QUERY_FILTER
    [TIMEZONE] [TIMEZONE]
    required_tz=$REQUIRED_TZ required_tz=$REQUIRED_TZ
    ......
    config.env
    View file @ 646a534f
    ...@@ -11,6 +11,10 @@ START_RELATIVE=90 ...@@ -11,6 +11,10 @@ START_RELATIVE=90
    END_RELATIVE=0 END_RELATIVE=0
    REQUIRED_TZ="Asia/Kolkata" REQUIRED_TZ="Asia/Kolkata"
    MONGO_URI=mongodb://admin:iLensDevMongo783@192.168.0.220:2717/
    PROJECT_ID=project_101
    QUERY_FILTER=dalmia_string_level_tags
    MLFLOW_TRACKING_URI=https://qa.unifytwin.com/mlflow/ MLFLOW_TRACKING_URI=https://qa.unifytwin.com/mlflow/
    MLFLOW_TRACKING_USERNAME=mlflow MLFLOW_TRACKING_USERNAME=mlflow
    MLFLOW_TRACKING_PASSWORD=MlFlOwQA#4321 MLFLOW_TRACKING_PASSWORD=MlFlOwQA#4321
    ......
    scripts/constants/app_configuration.py
    View file @ 646a534f
    ...@@ -35,10 +35,6 @@ except Exception as e: ...@@ -35,10 +35,6 @@ except Exception as e:
    sys.exit() sys.exit()
    class Mongo:
    mongo_uri = config["MONGO"]["mongo_uri"]
    class KairosDb: class KairosDb:
    uri = config["KAIROS_DB"]["uri"] uri = config["KAIROS_DB"]["uri"]
    metric_name = config['KAIROS_DB']['metric_name'] metric_name = config['KAIROS_DB']['metric_name']
    ...@@ -84,6 +80,12 @@ class PycaretParams: ...@@ -84,6 +80,12 @@ class PycaretParams:
    hyperparameter_tuning_method= config['PYCARET']['hyperparameter_tuning_method'] hyperparameter_tuning_method= config['PYCARET']['hyperparameter_tuning_method']
    class Mongo:
    mongo_uri = config["MONGO"]["mongo_uri"]
    project_id = config["MONGO"]["project_id"]
    query_filter = config["MONGO"]["query_filter"]
    ......
    scripts/constants/app_constants.py
    View file @ 646a534f
    json_file_path = "scripts/utils/" json_file_path = "scripts/utils/"
    class DBConstants:
    class MongoConstants:
    # DB # DB
    db_metadata = "ilens_configuration" db = "ilens_ai"
    # collections # collections
    collection_rule_targets = "rule_targets" collection = "dalmiaStringTags"
    yield_sheet_name = "yield_reports_3cp"
    \ No newline at end of file
    scripts/core/engine/model_training_inference.py 0 → 100644
    View file @ 646a534f
    import numpy as np
    from loguru import logger
    from scripts.core.engine.final_tags import GetFinalDf
    from scripts.core.data_puller_push.kafka_push import CalculatedDataPush
    def ai_modelling(df_train, get_training_inference, df_predicted_tags):
    try:
    get_final_df = GetFinalDf()
    for inv_id in list(df_train.inv_id.unique()):
    for mppt_id in list(df_train.mppt_id.unique()):
    try:
    model, scaler_x, scaler_y = get_training_inference.data_training(inv_id=inv_id, mppt_id=mppt_id)
    x_test, y_test, predictions = get_training_inference.data_inference(scaler_x=scaler_x,
    scaler_y=scaler_y,
    model=model,
    inv_id=inv_id,
    mppt_id=mppt_id)
    df_result = get_final_df.get_final_data(x_test=x_test,
    y_test=y_test,
    predictions=predictions)
    final_dict = get_final_df.get_final_predicted_tags(df_predicted_current_tags=df_predicted_tags,
    inv_id=inv_id, mppt_id=mppt_id)
    df_result["timestamp"] = df_result["datetime"].values.astype(np.int64) / 10 ** 9
    df_result["timestamp"] = df_result["timestamp"].astype('int')
    CalculatedDataPush(df_result=df_result, final_tags_dict=final_dict).kafka_data_push()
    logger.info(f'{final_dict}')
    except Exception as e:
    logger.exception(f'Exception - {e}')
    except Exception as e:
    logger.exception(f'Exception - {e}')
    scripts/core/engine/raw_predicted_tags.py 0 → 100644
    View file @ 646a534f
    import pandas as pd
    from loguru import logger
    import warnings
    from scripts.utils.mongo_utils import MongoConnect
    from scripts.constants.app_configuration import Mongo
    from scripts.constants.app_constants import MongoConstants
    warnings.filterwarnings('ignore')
    def get_raw_predicted_tags():
    try:
    mongo_conn = MongoConnect(uri=Mongo.mongo_uri, database=MongoConstants.db,
    collection=MongoConstants.collection)
    raw_tags_dict = mongo_conn.find_one({"$and": [{"id": "dalmia_string_level_tags"}, {"city": "ariyalur"},
    {"tags_property": "raw"}]})
    req_tags = raw_tags_dict['input_data']
    df_raw_tags = pd.DataFrame.from_dict(req_tags, orient='index')
    predicted_tags_dict = mongo_conn.find_one({"$and": [{"id": "dalmia_string_level_tags"}, {"city": "ariyalur"},
    {"tags_property": "predicted"}]})
    predicted_tags = predicted_tags_dict['input_data']
    df_predicted_tags = pd.DataFrame.from_dict(predicted_tags, orient='index')
    df_raw_tags.reset_index(inplace=True)
    df_raw_tags.rename(columns={'index': 'tag_name'}, inplace=True)
    df_predicted_tags.reset_index(inplace=True)
    df_predicted_tags.rename(columns={'index': 'tag_name'}, inplace=True)
    return df_raw_tags, df_predicted_tags
    except Exception as e:
    logger.exception(f'Exception - {e}')
    scripts/core/engine/tags_data.py
    View file @ 646a534f
    ...@@ -28,7 +28,6 @@ def get_tags_data(mppt_tags, start_timestamp, end_timestamp): ...@@ -28,7 +28,6 @@ def get_tags_data(mppt_tags, start_timestamp, end_timestamp):
    df_merged['hour'] = df_merged['datetime'].dt.hour df_merged['hour'] = df_merged['datetime'].dt.hour
    logger.info(f'Final shape of merged dataframe = {df_merged.shape}') logger.info(f'Final shape of merged dataframe = {df_merged.shape}')
    df_merged.reset_index(drop=True, inplace=True) df_merged.reset_index(drop=True, inplace=True)
    # df_merged.to_csv(f'{base_path}/df_merged.csv', index=False)
    return df_merged return df_merged
    except Exception as e: except Exception as e:
    logger.exception(f'Exception - {e}') logger.exception(f'Exception - {e}')
    ......
    scripts/utils/mongo_utils.py 0 → 100644
    View file @ 646a534f
    from typing import Dict
    from loguru import logger
    from pymongo import MongoClient
    from scripts.constants.app_configuration import Mongo
    class MongoConnect:
    def __init__(self, uri, database, collection):
    try:
    self.uri = uri
    self.client = MongoClient(self.uri, connect=False)
    self.database = database
    self.collection = collection
    except Exception as e:
    logger.exception(f'Exception - {e}')
    @staticmethod
    def data_dict(data, city):
    try:
    req_dict = dict()
    req_dict['project_id'] = Mongo.project_id
    req_dict['id'] = Mongo.query_filter
    req_dict['city'] = city
    req_dict['input_data'] = data
    return req_dict
    except Exception as e:
    logger.exception(f'Exception - {e}')
    def insert_one(self, data, city):
    try:
    db = self.client[self.database]
    collection = db[self.collection]
    req_dict = self.data_dict(data=data, city=city)
    response = collection.insert_one(req_dict)
    return response.inserted_id
    except Exception as e:
    logger.exception(f'Exception - {e}')
    def find_one(self, query, filter_dict=None):
    try:
    if filter_dict is None:
    filter_dict = {"_id": 0}
    db = self.client[self.database]
    collection = db[self.collection]
    response = collection.find_one(query, filter_dict)
    return response
    except Exception as e:
    logger.exception(f'Exception - {e}')
    scripts/utils/preprocessing.py
    View file @ 646a534f
    ...@@ -10,15 +10,15 @@ class DataPreprocessing: ...@@ -10,15 +10,15 @@ class DataPreprocessing:
    @staticmethod @staticmethod
    def remove_outliers(df, param_list): def remove_outliers(df, param_list):
    try: try:
    for col in param_list: # for col in param_list:
    lb = df[col].mean() - 3 * df[col].std() # lb = df[col].mean() - 3 * df[col].std()
    ub = df[col].mean() + 3 * df[col].std() # ub = df[col].mean() + 3 * df[col].std()
    logger.debug(f"Min values of {col} = {df[col].min()} \nLower Bracket of {col} = {lb}") # logger.debug(f"Min values of {col} = {df[col].min()} \nLower Bracket of {col} = {lb}")
    logger.debug(f"Max values of {col} = {df[col].max()} \nUpper Bracket of {col} = {ub}") # logger.debug(f"Max values of {col} = {df[col].max()} \nUpper Bracket of {col} = {ub}")
    logger.debug(f'Shape of df before outlier removal = {df.shape}') # logger.debug(f'Shape of df before outlier removal = {df.shape}')
    df = (df[(df[col] > lb) & (df[col] < ub)]) # df = (df[(df[col] > lb) & (df[col] < ub)])
    logger.debug(f'Shape of df after outlier removal = {df.shape}') # logger.debug(f'Shape of df after outlier removal = {df.shape}')
    logger.debug(f'Shape final df before outlier removal = {df.shape}') # logger.debug(f'Shape final df before outlier removal = {df.shape}')
    return df return df
    except Exception as e: except Exception as e:
    logger.exception(f'Exception - {e}') logger.exception(f'Exception - {e}')
    ......
    Markdown is supported
    0% or
    You are about to add 0 people to the discussion. Proceed with caution.
    Finish editing this message first!
    Please register or to comment