HELP

import pandas as pd
import FuncoesML as fun
from scipy import stats
import numpy as np
import time


#Criando a classe receita que irá conter nome, classe e vetor de ingredientes
class Receita:
    Name = None
    Class = 0
    ingredientes = []
    ingredientesnorm = []


#Método que retorna o vetor de ingredientes
    def getingrednorm(self):
        return self.ingredientesnorm

#Construtor da classe receita
    def __init__(self, name, Class, ingredientes):
        self.Name = name
        self.Class = Class
        self.ingredientes = ingredientes

#Método que adiciona ingredientes no vetor de ingredientes
    def adicionaringrediente(self, ingrediente):
        self.ingredientes.append(ingrediente)

#abrindo o arquivo com a base de dados
reshipe = open('C:/Users/Auricelia/Documents/Ciencia da Computacao/Computação Evolutiva/Base de dados/ReshibaseQ.txt'
               , "rt", encoding="utf8")

#criando o vetor de receitas
receitas = []

# preenchendo o vetor de receitas
for receita in reshipe:
    dividido = receita.split(sep=',')
    dividido[(len(dividido) - 1)] = dividido[(len(dividido) - 1)].replace('\n', '')
    ingredientes = []

    for x in range(2, len(dividido)):
        ingredientes.append(dividido[x])

    receitas.append(Receita(dividido[1], dividido[0], ingredientes))

#vetor que irá receber todos os ingredientes sem repetição para fazer os vetores binários
todosingredientes = []

#preenchendo o vetor 'todosingredientes' sem repetição
for rec in receitas:
    for ingrediente in rec.ingredientes:

        if todosingredientes.__contains__(ingrediente) == False:
            todosingredientes.append(ingrediente)

#ordenando o vetor
todosingredientes = sorted(todosingredientes)

# preenchendo nos objetos receita o vetor binário com 0

for rec in receitas:
    norm = []
    for y in range(0, len(todosingredientes)):
        norm.append(0)
    rec.ingredientesnorm = norm

# Colocando 1 na posição em que existe o ingrediente

for rec in receitas:
    for y in rec.ingredientes:
        pos = todosingredientes.index(y)
        rec.ingredientesnorm[pos] = 1

# Vetor que irá receber os vetores binários de ingreientes de cada receita
arrayingredientesnorm = []

# Preenchendo o vetor com os ingredientes normalizados

for rec in receitas:
    arrayingredientesnorm.append(rec.ingredientesnorm)

# Vetor que irá receber as classes de cada receita
arrayclasse = []

# preenchendo o vetor com as classes de cada receita
for rec in receitas:
    arrayclasse.append(rec.Class)

# criando o dataframe que irá armazenar os ingredientes
df = pd.DataFrame(arrayingredientesnorm)

# Vetor que irá receber as classes de cada receita
arrayclasse = []

# preenchendo o vetor com as classes de cada receita
for rec in receitas:
    arrayclasse.append(rec.Class)

# criando o dataframe que irá armazenar os ingredientes
df = pd.DataFrame(arrayingredientesnorm)

# adicionando a classe ao dataframe
df['Class'] = arrayclasse


#Salvando a base de dados normalizada
df.to_csv('C:/Users/Auricelia/Documents/Ciencia da Computacao/Computação Evolutiva/Base de dados/Receitas_norm.csv')


# separando as receitas por classe
df_1 = df.loc[df['Class'] == '1']
df_2 = df.loc[df['Class'] == '2']
df_3 = df.loc[df['Class'] == '3']
df_4 = df.loc[df['Class'] == '4']

print('df 1')
print('shape df1', df_1.shape)
print(df_1.head())

print()
print('df 2')
print('shape  df2', df_2.shape)
print(df_2.head())
print()
print('df 3')
print('shape df3', df_3.shape)

print(df_3.head())
print()
print('df 4')
print('shape df4', df_4.shape)
print(df_4.head())
print()

# j = 0
# y = df[j:j+1]
# df_2.append(y)
# print(df.at[7, 'Class'])
# print(df[0:1])
# print('adicionando 1 linha ao df_2')
# print(df_2)

# print(df.loc[df['Class']== '1'])

# criando os vetores que irão armazenar as probabilidades de cada ingrediente por classe
p_ingrediente_1 = []
p_ingrediente_2 = []
p_ingrediente_3 = []
p_ingrediente_4 = []

df_noclass = df.copy()
del df_noclass['Class']
total_ing = df_noclass.shape[1]

# gerando as probabilidades para a classe '1'

total_rec_1 = df_1.shape[1]
df_1_noclass = df_1.copy()
del df_1_noclass['Class']

for i in range(total_ing):
    soma = df_1_noclass[i].sum()
    prob_ingrediente = soma / total_rec_1
    p_ingrediente_1.append(prob_ingrediente)

print('len p_ingredientes_1', len(p_ingrediente_1))
print(p_ingrediente_1)

# gerando as probabilidades para a classe '2'

total_rec_2 = df_2.shape[0]
df_2_noclass = df_2.copy()
del df_2_noclass['Class']

for j in range(total_ing):
    soma = df_2_noclass[j].sum()
    prob_ingrediente = soma / total_rec_2
    p_ingrediente_2.append(prob_ingrediente)


print('len p_ingredientes_2', len(p_ingrediente_2))
print(p_ingrediente_2)

# gerando as probabilidades para a classe '3'

total_rec_3 = df_3.shape[0]
df_3_noclass = df_3.copy()
del df_3_noclass['Class']

for k in range(total_ing):
    soma = df_3_noclass[k].sum()
    prob_ingrediente = soma / total_rec_3
    p_ingrediente_3.append(prob_ingrediente)


print('len p_ingredientes_3', len(p_ingrediente_3))
print(p_ingrediente_3)

# gerando as probabilidades para a classe '4'

total_rec_4 = df_4.shape[0]
df_4_noclass = df_4.copy()
del df_4_noclass['Class']

for l in range(total_ing):
    soma = df_4_noclass[l].sum()
    prob_ingrediente = soma / total_rec_4
    p_ingrediente_4.append(prob_ingrediente)

print('len p_ingredientes_4', len(p_ingrediente_4))
print(p_ingrediente_4)

"""
COMECA O ALGORITMO GENETICO
"""

tempototalinicioGA = time.time()
# tamanho do cromossomo (quantidade de ingredientes total)
tamanho = 402

# gerando população de cromossomos
population = fun.create_population(150, 404)

# vetor que irá receber o fitness dos cromossomos
scores = []
scoresfinal = []

for popu in population:

    scores.append(fun.fitness(popu,p_ingrediente_1,p_ingrediente_2,p_ingrediente_3,p_ingrediente_4))

scoresfinal.append(scores[np.argmax(scores)])

for x in range(2):

    population = fun.newgentournement(scores, population)

    scores = []
    for popu in population:
        scores.append(fun.fitness(popu,p_ingrediente_1,p_ingrediente_2,p_ingrediente_3,p_ingrediente_4))

    scoresfinal.append(scores[np.argmax(scores)])
    print("terminou")

tempototalfimGA = time.time()
tempototalGA = tempototalfimGA - tempototalinicioGA
print(np.array(scoresfinal))
print(tempototalGA)
print('len scores final',len(scoresfinal))
print(scoresfinal)
print('len scores', len(scores))
print(scores)
print(population)
print('TERMINOU GA')

"""
TERMINA O ALGORITMO GENETICO
"""

tempoinicialEE = time.time()
sizeEE = 10
populationEE, stdsEE = fun.creatpopuEE(sizeEE, 306)
scoresEE = []
scoresfinalEE = []

for popu in populationEE:
    scoresEE.append(fun.fitness(popu,p_ingrediente_1,p_ingrediente_2,p_ingrediente_3,p_ingrediente_4))

scoresfinalEE.append(scoresEE[np.argmax(scoresEE)])

for x in range(10):

    miEE, mistdEE = fun.newgentournementEE(scoresEE, populationEE, stdsEE, len(populationEE) * 2)
    miEE, mistdEE = fun.mutationEE(miEE, mistdEE)

    scoresEE = []
    for popu in miEE:
        scoresEE.append(fun.fitness(popu,p_ingrediente_1,p_ingrediente_2,p_ingrediente_3,p_ingrediente_4))

    scoresfinalEE.append(scoresEE[np.argmax(scoresEE)])

    bestsEE = fun.bestindEE(scoresEE, sizeEE)
    populationEE = miEE[bestsEE]
    stdsEE = mistdEE[bestsEE]
    scoresEE = np.array(scoresEE)
    bestscoresEE = scoresEE[bestsEE]
    # print("terminou")

tempofinalEE = time.time()
tempototalEE = tempofinalEE - tempoinicialEE
print("TERMINOU EE")