ML задание 4

import pandas as pd
from sklearn.ensemble import ExtraTreesClassifier

# МЕТОД ПОИСКА С АДАПТАЦИЕЙ
dataset_array = pd.read_csv(
    'dataset3.csv',
    delimiter=',',
    names=['NameOfUser', 'Q1', 'Q2',
           'Q3', 'Q4', 'Q5', 'Q6', 'Q7', 'Q8',
           'Q9', 'Q10', 'Q11', 'Q12', 'Q13']
)

print(dataset_array)
dataset_array['average'] = dataset_array.iloc[:, 12:].astype(float).mean(axis=1) # добавление нового столбца с
                                                                                 # средними значениями для каждого чела
dataset_array['R'] = [1 if x > 0.85 else 2 if 0.6 <= x <= 0.85 else 3 if 0.3 <= x <= 0.6 else 4 for x in dataset_array['average']]
                # добавление столбца с классификатором.
                # 1 - талант, 2 - хороший творч. потенц., 3 - есть задатки, 4 - нет творч. потенц.
print(dataset_array)

# раздаем каждому признаку коэф. важности
dataset_values = dataset_array.values
X, Y = dataset_values[:, 1:11], dataset_values[:, 15] # берем Q от 1 до 10
Y = Y.astype('int')                 # целевое значение, чем ближе к average, тем выше коэф. важности у каждого Q
model = ExtraTreesClassifier()      # строим лес
model.fit(X, Y)
ratingArray = model.feature_importances_ # раздаем коэф. важности
ratingArray = list(ratingArray)          # на выходе имеем массив ratingArray с коэф. важности для каждого Q
print(ratingArray)

# удаление признаков с коэф. важности < limit
k = 1
limit = 0.08           # задаем лимит коэф. важности

for x in ratingArray:  # проверяем рейтинг каждого Q (Q1, Q2, Q3, ...)
    if x < limit:
        min = x
        min_index = ratingArray.index(min) + k
        print(dataset_array.columns[min_index])
        dataset_array, k = dataset_array.drop(dataset_array.columns[min_index], axis=1), k-1 # удаляем столбец, уменьшаем k на 1

dataset_array.to_csv('dataset4.csv', index=False) # сохраняем в csv
print(dataset_array)

with open('finish.txt', 'w') as outfile: # сохраняем в txt
    dataset_array.to_string(outfile, columns=dataset_array.columns)