Update app.py

app.py

@@ -90,36 +90,33 @@ def get_model_infomation():
     
     return model_info, feature_impact
 
-def get_featuredrift():
-    deployment = dr.Deployment.get(deployment_id='640d791796a6a52d92c368a0')
-    target_drift = dr.models.TargetDrift.get(deployment.id)
-    feature_drift_list = dr.models.FeatureDrift.list(deployment.id)
-    drift_df = pd.DataFrame(
-                                            {
-                                            'feature_name':[target_drift.target_name], 
-                                            'drift_score':[target_drift.drift_score], 
-                                            'feature_impact':[1]
-                                            }
-                                        )
-    drift_df = pd.concat([
-                                    drift_df,
-                                    pd.DataFrame(
-                                                        [[
-                                                            feature_drift.name,
-                                                            feature_drift.drift_score,
-                                                            feature_drift.feature_impact
-                                                         ] for feature_drift in feature_drift_list
-                                    ],
-                                        columns=[ 'feature_name', 'drift_score', 'feature_impact']
-                                    )
-    ])
-    start_point = (target_drift.period['start']+relativedelta(hours=9)).strftime("%Y / %m / %d %H:%M:%S")
-    end_point = (target_drift.period['end']+relativedelta(hours=9)).strftime("%Y / %m / %d %H:%M:%S")
-#         drift_df.loc[(drift_df['drift_score']>drift_threshold)&(drift_df['feature_impact']>impact_threshold), 'alert'] = '重要性の高く、大きなドリフト'
-#         drift_df.loc[(drift_df['drift_score']>drift_threshold)&(drift_df['feature_impact']<=impact_threshold), 'alert'] = '重要性低いが、大きなドリフト'
-#         drift_df.loc[(drift_df['drift_score']<=drift_threshold), 'alert'] = '正常'
+# def get_featuredrift():
+#     deployment = dr.Deployment.get(deployment_id='640d791796a6a52d92c368a0')
+#     target_drift = dr.models.TargetDrift.get(deployment.id)
+#     feature_drift_list = dr.models.FeatureDrift.list(deployment.id)
+#     drift_df = pd.DataFrame(
+#                                             {
+#                                             'feature_name':[target_drift.target_name], 
+#                                             'drift_score':[target_drift.drift_score], 
+#                                             'feature_impact':[1]
+#                                             }
+#                                         )
+#     drift_df = pd.concat([
+#                                     drift_df,
+#                                     pd.DataFrame(
+#                                                         [[
+#                                                             feature_drift.name,
+#                                                             feature_drift.drift_score,
+#                                                             feature_drift.feature_impact
+#                                                          ] for feature_drift in feature_drift_list
+#                                     ],
+#                                         columns=[ 'feature_name', 'drift_score', 'feature_impact']
+#                                     )
+#     ])
+#     start_point = (target_drift.period['start']+relativedelta(hours=9)).strftime("%Y / %m / %d %H:%M:%S")
+#     end_point = (target_drift.period['end']+relativedelta(hours=9)).strftime("%Y / %m / %d %H:%M:%S")
 
-    return drift_df, start_point, end_point
+#     return drift_df, start_point, end_point
 
 with gr.Blocks() as electoric_ploting:
     gr.Markdown(
@@ -203,45 +200,45 @@ with gr.Blocks() as electoric_ploting:
                                                     y_lim=[0, 1.2],
                                                     width=400,
                                                     height=300)
-    with gr.Tab("データドリフト情報"):
-        result = get_featuredrift()
-        with gr.Row():
-            gr.Markdown(
-                        """
-                        こちらの図はデータドリフトと特徴量の有用性を表した図になっています。  
-                        味方は以下の通り  
-                         * ドリフトスコア：予測データに含まれるデータが、どれぐらい過去のデータに比べてずれが発生しているかを表しており、上に行けば行くほどズレが大きい
-                         * 特徴量の有用性：ターゲットの有用性を1とした時に、どれぐらいそれぞれの特徴量の有用性が高いかを表したもので、右に行くほど有用性が高い
-                         """
-                    )
-        with gr.Row():
-            drift_df = result[0]
-            start_point = result[1]
-            end_point = result[2]
-            gr.Textbox(f"{start_point}〜{end_point}",label=f'データドリフト確認期間')
-        with gr.Row():
-            if len(drift_df["drift_score"].unique())!=1:
-                gr.ScatterPlot(
-                                        drift_df,
-                                        x="feature_impact",
-                                        y="drift_score",
-                                        title="データドリフトとデータの有用性",
-                                        color_legend_title="Species",
-                                        x_title="特徴量の有用性",
-                                        y_title="ドリフトスコア",
-                                        x_lim = [-0.1, drift_df["feature_impact"].max()*1.4],
-                                        y_lim = [-0.1, drift_df["drift_score"].max()*1.4],
-                                        tooltip=["feature_name", "feature_impact", "drift_score"],
-                                        caption="",
-                                        height=500,
-                                        width=500
-                                    )
-            else:
-                gr.Markdown(
-                    """
-                    モデルの入れ替え後に予測が実行されていないためdriftは表示できません。
-                     """
-                )
+    # with gr.Tab("データドリフト情報"):
+    #     result = get_featuredrift()
+    #     with gr.Row():
+    #         gr.Markdown(
+    #                     """
+    #                     こちらの図はデータドリフトと特徴量の有用性を表した図になっています。  
+    #                     味方は以下の通り  
+    #                      * ドリフトスコア：予測データに含まれるデータが、どれぐらい過去のデータに比べてずれが発生しているかを表しており、上に行けば行くほどズレが大きい
+    #                      * 特徴量の有用性：ターゲットの有用性を1とした時に、どれぐらいそれぞれの特徴量の有用性が高いかを表したもので、右に行くほど有用性が高い
+    #                      """
+    #                 )
+    #     with gr.Row():
+    #         drift_df = result[0]
+    #         start_point = result[1]
+    #         end_point = result[2]
+    #         gr.Textbox(f"{start_point}〜{end_point}",label=f'データドリフト確認期間')
+    #     with gr.Row():
+    #         if len(drift_df["drift_score"].unique())!=1:
+    #             gr.ScatterPlot(
+    #                                     drift_df,
+    #                                     x="feature_impact",
+    #                                     y="drift_score",
+    #                                     title="データドリフトとデータの有用性",
+    #                                     color_legend_title="Species",
+    #                                     x_title="特徴量の有用性",
+    #                                     y_title="ドリフトスコア",
+    #                                     x_lim = [-0.1, drift_df["feature_impact"].max()*1.4],
+    #                                     y_lim = [-0.1, drift_df["drift_score"].max()*1.4],
+    #                                     tooltip=["feature_name", "feature_impact", "drift_score"],
+    #                                     caption="",
+    #                                     height=500,
+    #                                     width=500
+    #                                 )
+    #         else:
+    #             gr.Markdown(
+    #                 """
+    #                 モデルの入れ替え後に予測が実行されていないためdriftは表示できません。
+    #                  """
+    #             )
 
     retrain_btn.click(retrain, inputs=None, outputs = [output_model_type, output_acc, output_plot])