Create app.py

app.py

@@ -0,0 +1,121 @@
+from warnings import filterwarnings
+filterwarnings("ignore")
+import h5py
+import numpy as np
+import pandas as pd
+#f=h5py.File('/content/drive/MyDrive/inputCONFIG02h2NOISE3-5000.mat','r')
+#mat=scipy.io.loadmat('/content/drive/MyDrive/inputCONFIG02h2NOISE3-5000.mat')
+with h5py.File('inputCONFIG02h2NOISE3-5000.mat','r') as file:
+  for key in file.keys():
+      print (key)
+  data=file['Rdnoise'] [:]
+  print(data)
+  print (len(data))
+  data_frame=pd.DataFrame(data)
+  #data_frame.to_csv('data_frame_KH.csv')
+
+#---------------------------------------------------------------------------
+import pandas as pd
+
+# تعداد کل فیچرها
+num_features = 12012
+# تعداد فیچرها در هر دسته
+features_per_category = 1000
+
+# ایجاد لیست جدید برای نام ستون‌ها
+new_column_names = []
+
+# حروف الفبا برای دسته‌بندی
+categories = 'abcdefghijkm'
+
+# تولید نام‌های جدید
+for letter in categories:
+    for i in range(0, features_per_category + 1):
+        new_column_names.append(f"{letter}{i}")
+
+# اطمینان از اینکه تعداد نام‌های جدید مطابق با تعداد ستون‌هاست
+new_column_names = new_column_names[:num_features]
+
+# تغییر نام ستون‌ها
+data_frame.columns = new_column_names
+
+#-----------------------------------------------------------------------
+import scipy.io
+import h5py
+import numpy as np
+import pandas as pd
+#f=h5py.File('/content/drive/MyDrive/inputCONFIG02h2NOISE3-5000.mat','r')
+#mat=scipy.io.loadmat('/content/drive/MyDrive/inputCONFIG02h2NOISE3-5000.mat')
+with h5py.File('targetCONFIG02h2NOISE3-5000.mat','r') as file:
+  for key in file.keys():
+      print (key)
+  data=file['re'] [:]
+  print(data)
+  print (len(data))
+  data_frame_T=pd.DataFrame(data)
+  
+  #data_frame.to_csv('data_frame_KH.csv')
+
+
+
+#---------------------------------------------------------------------------------------
+
+import pandas as pd
+
+# تعداد کل فیچرها
+num_features = 116
+# تعداد فیچرها در هر دسته
+features_per_category = 116
+
+# ایجاد لیست جدید برای نام ستون‌ها
+new_column_names = []
+
+# حروف الفبا برای دسته‌بند
+categories = 't'
+
+# تولید نام‌های جدید
+for letter in categories:
+    for i in range(1, features_per_category + 1):
+        new_column_names.append(f"{letter}{i}")
+
+# اطمینان از اینکه تعداد نام‌های جدید مطابق با تعداد ستون‌هاست
+new_column_names = new_column_names[:num_features]
+
+# تغییر نام ستون‌ها
+data_frame_T.columns = new_column_names
+
+
+
+#---------------------------------------------------------------------------
+
+from sklearn.neighbors import KNeighborsClassifier
+from mlxtend.feature_selection import SequentialFeatureSelector as SFS
+
+# Assuming data_frame and data_frame_T are already defined
+X = data_frame.iloc[:, 0:1002]
+
+knn = KNeighborsClassifier()
+#    y = data_frame_T[column]
+# Loop over each column in data_frame_T
+for column in data_frame_T.columns[80:116]:
+
+   
+    y = data_frame_T[column]
+    sfs = SFS(knn,
+              k_features=50,
+              forward=True,
+              floating=False,
+              verbose=2,
+              scoring='accuracy',
+              cv=0)
+    
+    sfs = sfs.fit(X, y)
+    
+    print(f'Results for target column: {column}')
+    print('Best accuracy score: %.2f' % sfs.k_score_)
+    print('Best subset (indices):', sfs.k_feature_idx_)
+    print('Best subset (corresponding names):', sfs.k_feature_names_)
+    print('-' * 50)
+
+
+