forked from Pedrodpj92/Predicting_DBpedia_types
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathpreparaDatos.R
243 lines (184 loc) · 16.5 KB
/
preparaDatos.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
#preparaDatos.R
#NOTA: traducir todo a inglés, o al menos los comentarios
library(reshape2)
original_resources <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/originals_en39/mappingbased_properties_en.ttl",
header=FALSE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
#en una iteración más limpia, deberiamos eliminar todo recurso que no pertenezca a la dbpedia,
#pero de momento, es suficiente así para comparar con los resultados anteriores
#original_resources <- original_resources[grep('^<http://dbpedia.org/resource/',original_resources$V1),]
#lo suyo sería no tener en cuenta cualquier predicado que estuviera fuera de la ontología de la dbpedia, pero de momento solo vamos a mirar recursos de la dbpedia
#original_resources <- original_resources[grep('^<http://dbpedia.org/ontology/',original_resources$V2),]
original_resources <- original_resources[grep('^<http://dbpedia.org/resource/',original_resources$V3),]
original_resources$V4 <- NULL
names(original_resources) <- c("s","p","o")
#guarda_original_resources <- original_resources
original_resources$s <- as.factor(original_resources$s)
original_resources$p <- as.factor(original_resources$p)
original_resources$o <- as.factor(original_resources$o)
original_types <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/originals_en39/instance_types_en.ttl",
header=FALSE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
original_types <- original_types[grep('^<http://dbpedia.org/resource/',original_types$V1),]
original_types <- original_types[grep('^<http://www.w3.org/1999/02/22-rdf-syntax-ns#type>',original_types$V2),]
original_types <- original_types[grep('^<http://dbpedia.org/ontology/',original_types$V3),]
original_types$V4 <- NULL
names(original_types) <- c("s","p","o")
guarda_original_types <- original_types
original_types$s <- as.factor(original_types$s)
original_types$p <- as.factor(original_types$p)
original_types$o <- as.factor(original_types$o)
#Carga de tipos por niveles, cuidado si estamos en la 3.9 o en otra versión
nivel1 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel1.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
nivel2 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel2.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
nivel3 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel3.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
nivel4 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel4.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
nivel5 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel5.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
nivel6 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/niveles/nivel6.csv",
header=TRUE, sep=" ", encoding = "UTF-8", stringsAsFactors = FALSE)
conversion_Matriz <- original_resources[,c(3,2)]
#tiempo estimado, 20 minutos a media hora (en barajas)
conversion_Matriz <- dcast(conversion_Matriz, o ~ p, fill=0)#ojo, puede tardar bastante
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/objects_properties_Matrix.csv", fileEncoding = "UTF-8", row.names=FALSE)
#se almacenan los archivos intermedios cuya obtención pueda suponer más tiempo que la carga
conversion_Matriz <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/objects_properties_Matrix.csv",
header=FALSE, sep=",", encoding = "UTF-8", stringsAsFactors = FALSE)
colnames(conversion_Matriz) <- conversion_Matriz[1,]
conversion_Matriz <- conversion_Matriz[-1,]
conversion_Matriz[2:ncol(conversion_Matriz)] <- lapply(conversion_Matriz[,2:ncol(conversion_Matriz)], function(x) as.numeric(as.character(x)))
#cuidado, seguramente si son de tipo factor esto no funcione bien, comprobar
checking_brithPlace <- conversion_Matriz[(conversion_Matriz$`<http://dbpedia.org/ontology/birthPlace>`) > 0,c(1, grep('<http://dbpedia.org/ontology/birthPlace>', colnames(conversion_Matriz)))]
#elimina recursos objeto sin tipo para poder empezar a formar el conujunto de entrenamiento
recursos_conTipo <- conversion_Matriz[conversion_Matriz$o %in% original_types$s,]
#En la 3.9: unos 1.204.464 recursos objeto, de ellos 864.631 tienen al menos 1 tipo (aparecen en el conjunto de tipos también)
write.csv(recursos_conTipo, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/objects_properties_typesConditioned_Matrix.csv", fileEncoding = "UTF-8", row.names=FALSE)
#los recursos que no tengan tipo se pueden usar para evaluación manual, o para aprendizaje no supervisado
tipos_todos <- original_types[,c(1,3)]
#Separación de tipos en niveles
tipos_nivel1 <- tipos_todos[tipos_todos$o %in% nivel1$nivel1,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel1.csv", fileEncoding = "UTF-8", row.names=FALSE)
tipos_nivel2 <- tipos_todos[tipos_todos$o %in% nivel2$nivel2,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel2.csv", fileEncoding = "UTF-8", row.names=FALSE)
tipos_nivel3 <- tipos_todos[tipos_todos$o %in% nivel3$nivel3,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel3.csv", fileEncoding = "UTF-8", row.names=FALSE)
tipos_nivel4 <- tipos_todos[tipos_todos$o %in% nivel4$nivel4,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel4.csv", fileEncoding = "UTF-8", row.names=FALSE)
#por pocos datos en principio sólo llegaremos hasta el nivel 4
tipos_nivel5 <- tipos_todos[tipos_todos$o %in% nivel5$nivel5,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel5.csv", fileEncoding = "UTF-8", row.names=FALSE)
tipos_nivel6 <- tipos_todos[tipos_todos$o %in% nivel6$nivel6,]
write.csv(conversion_Matriz, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/tipos_nivel6.csv", fileEncoding = "UTF-8", row.names=FALSE)
#aquí seguramente haya más de un recurso repetido, tratar con cuidado al usar como clase, una posibilidad es crear niveles artificiales
tipos_resto <- tipos_todos[!(tipos_todos$o %in% nivel1$nivel1),]
tipos_resto <- tipos_resto[!(tipos_resto$o %in% nivel2$nivel2),]
tipos_resto <- tipos_resto[!(tipos_resto$o %in% nivel3$nivel3),]
tipos_resto <- tipos_resto[!(tipos_resto$o %in% nivel4$nivel4),]
tipos_resto <- tipos_resto[!(tipos_resto$o %in% nivel5$nivel5),]
tipos_resto <- tipos_resto[!(tipos_resto$o %in% nivel6$nivel6),]
colnames(recursos_conTipo)[1] <- "s"
#primer merge inner join para supeditarlo a nivel 1, el resto de niveles añadir desconocidos al hacer right joins
datosObjetivo <- merge(x = recursos_conTipo, y = tipos_nivel1, by = 's')
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class1"
datosObjetivo$Class1 <- as.character(datosObjetivo$Class1)
datosObjetivo[is.na(datosObjetivo$Class),]$Class1 <- 'desconocido' #para este caso que se ha hecho un inner join no debería haber NA
datosObjetivo$Class1 <- as.factor(datosObjetivo$Class1)
datosObjetivo <- merge(x = datosObjetivo, y = tipos_nivel2, by = 's', all.x = TRUE )
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class2"
datosObjetivo$Class2 <- as.character(datosObjetivo$Class2)
datosObjetivo[is.na(datosObjetivo$Class2),]$Class2 <- 'desconocido'
datosObjetivo$Class2_Bin <- rep(datosObjetivo$Class2)
datosObjetivo[datosObjetivo$Class2_Bin!="desconocido",]$Class2_Bin <- 'conocido'
datosObjetivo$Class2 <- as.factor(datosObjetivo$Class2)
datosObjetivo$Class2_Bin <- as.factor(datosObjetivo$Class2_Bin)
datosObjetivo <- merge(x = datosObjetivo, y = tipos_nivel3, by = 's', all.x = TRUE )
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class3"
datosObjetivo$Class3 <- as.character(datosObjetivo$Class3)
datosObjetivo[is.na(datosObjetivo$Class3),]$Class3 <- 'desconocido'
datosObjetivo$Class3_Bin <- rep(datosObjetivo$Class3)
datosObjetivo[datosObjetivo$Class3_Bin!="desconocido",]$Class3_Bin <- 'conocido'
datosObjetivo$Class3 <- as.factor(datosObjetivo$Class3)
datosObjetivo$Class3_Bin <- as.factor(datosObjetivo$Class3_Bin)
datosObjetivo <- merge(x = datosObjetivo, y = tipos_nivel4, by = 's', all.x = TRUE )
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class4"
datosObjetivo$Class4 <- as.character(datosObjetivo$Class4)
datosObjetivo[is.na(datosObjetivo$Class4),]$Class4 <- 'desconocido'
datosObjetivo$Class4_Bin <- rep(datosObjetivo$Class4)
datosObjetivo[datosObjetivo$Class4_Bin!="desconocido",]$Class4_Bin <- 'conocido'
datosObjetivo$Class4 <- as.factor(datosObjetivo$Class4)
datosObjetivo$Class4_Bin <- as.factor(datosObjetivo$Class4_Bin)
datosObjetivo <- merge(x = datosObjetivo, y = tipos_nivel5, by = 's', all.x = TRUE )
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class5"
datosObjetivo$Class5 <- as.character(datosObjetivo$Class5)
datosObjetivo[is.na(datosObjetivo$Class5),]$Class5 <- 'desconocido'
datosObjetivo$Class5_Bin <- rep(datosObjetivo$Class5)
datosObjetivo[datosObjetivo$Class5_Bin!="desconocido",]$Class5_Bin <- 'conocido'
datosObjetivo$Class5 <- as.factor(datosObjetivo$Class5)
datosObjetivo$Class5_Bin <- as.factor(datosObjetivo$Class5_Bin)
datosObjetivo <- merge(x = datosObjetivo, y = tipos_nivel6, by = 's', all.x = TRUE )
colnames(datosObjetivo)[ncol(datosObjetivo)] <- "Class6"
datosObjetivo$Class6 <- as.character(datosObjetivo$Class6)
datosObjetivo[is.na(datosObjetivo$Class6),]$Class6 <- 'desconocido'
datosObjetivo$Class6_Bin <- rep(datosObjetivo$Class6)
datosObjetivo[datosObjetivo$Class6_Bin!="desconocido",]$Class6_Bin <- 'conocido'
datosObjetivo$Class6 <- as.factor(datosObjetivo$Class6)
datosObjetivo$Class6_Bin <- as.factor(datosObjetivo$Class6_Bin)
write.csv(datosObjetivo, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/learingSet.csv", fileEncoding = "UTF-8", row.names=FALSE)
#siempe, cuidado a la hora de manejar índices
datosObjetivo$auxCountIngoing <- rowSums(datosObjetivo[,2:(ncol(datosObjetivo)-11)])
countingIngoing <- datosObjetivo[,c(1,ncol(datosObjetivo))]
datosObjetivo$auxCountIngoing <- NULL
write.csv(countingIngoing, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/countingIngoings.csv", fileEncoding = "UTF-8", row.names=FALSE)
#####Cargar conjuntos de validación como de sdtypes y retirarlos para sacar el entrenamiento
datosReservados_test1 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/originals_en39/reserva_test1_semilla123.ttl",
header=TRUE, sep=",", encoding = "UTF-8")#, stringsAsFactors = FALSE)
datosReservados_test2 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/originals_en39/reserva_test2_semilla123.ttl",
header=TRUE, sep=",", encoding = "UTF-8")#, stringsAsFactors = FALSE)
datosReservados_test3 <- read.csv(file="/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/originals_en39/reserva_test3_semilla123.ttl",
header=TRUE, sep=",", encoding = "UTF-8")#, stringsAsFactors = FALSE)
training <- datosObjetivo[!(datosObjetivo$s %in% datosReservados_test1$s),]
training <- training[!(training$s %in% datosReservados_test2$s),]
training <- training[!(training$s %in% datosReservados_test3$s),]
#como hemos quitado 10.000 seguro de >24, deberían quedar unos 10.000 también aquí cuando >24 ya que el conjunto total de >24 es unos 20.000 aprox
#training$auxCountIngoing <- rowSums(training[,2:(ncol(training)-10)])
#y funciona bien
#nrow(training[training$auxCountIngoing > 24,])
#[1] 10222
#nrow(training[training$auxCountIngoing > 9,])
#[1] 38518
#nrow(training[training$auxCountIngoing > 0,])
#[1] 851332
#training$auxCountIngoing <- NULL
write.csv(training, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_test1 <- datosObjetivo[datosObjetivo$s %in% datosReservados_test1$s,]
write.csv(validating_test1, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_test1.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_test2 <- datosObjetivo[datosObjetivo$s %in% datosReservados_test2$s,]
write.csv(validating_test2, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_test2.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_test3 <- datosObjetivo[datosObjetivo$s %in% datosReservados_test3$s,]
write.csv(validating_test3, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_test3.csv", fileEncoding = "UTF-8", row.names=FALSE)
#juntos
validating <- datosObjetivo[!(datosObjetivo$s %in% training$s),]
write.csv(validating, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_test1_2_3.csv", fileEncoding = "UTF-8", row.names=FALSE)
####Eliminando desconocidos de nivel 2
training_sinDesc_N2 <- training[training$Class2 != "desconocido",]
write.csv(training_sinDesc_N2, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training_sinDesc_N2.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_sinDesc_N2 <- validating[validating$Class2 != "desconocido",]
write.csv(validating_sinDesc_N2, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_sinDesc_N2.csv", fileEncoding = "UTF-8", row.names=FALSE)
training_sinDesc_N3 <- training[training$Class3 != "desconocido",]
write.csv(training_sinDesc_N3, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training_sinDesc_N3.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_sinDesc_N3 <- validating[validating$Class3 != "desconocido",]
write.csv(validating_sinDesc_N3, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_sinDesc_N3.csv", fileEncoding = "UTF-8", row.names=FALSE)
training_sinDesc_N4 <- training[training$Class4 != "desconocido",]
write.csv(training_sinDesc_N4, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training_sinDesc_N4.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_sinDesc_N4 <- validating[validating$Class4 != "desconocido",]
write.csv(validating_sinDesc_N4, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_sinDesc_N4.csv", fileEncoding = "UTF-8", row.names=FALSE)
training_sinDesc_N5 <- training[training$Class5 != "desconocido",]
write.csv(training_sinDesc_N5, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training_sinDesc_N5.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_sinDesc_N5 <- validating[validating$Class5 != "desconocido",]
write.csv(validating_sinDesc_N5, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_sinDesc_N5.csv", fileEncoding = "UTF-8", row.names=FALSE)
training_sinDesc_N6 <- training[training$Class6 != "desconocido",]
write.csv(training_sinDesc_N6, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/training_sinDesc_N6.csv", fileEncoding = "UTF-8", row.names=FALSE)
validating_sinDesc_N6 <- validating[validating$Class6 != "desconocido",]
write.csv(validating_sinDesc_N6, file = "/opt/files/proyectoHeiko_adaptado/R_proyectos/amelioratingTypes_ESWC2018/inputData/divisionSDtypes/validating_sinDesc_N6.csv", fileEncoding = "UTF-8", row.names=FALSE)