app.py

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[:, 0:8002]

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)