Metadata-Version: 2.4
Name: orange_gualbe_pred
Version: 0.1.0
Summary: Método de predicción multivariante (superdatasets a partir de series de eventos) para Orange Data Mining
Author-email: Gualberto <gualbe@gmail.com>
License: GPL-3.0-or-later
Project-URL: Homepage, https://github.com/gualbe/orange_gualbe_pred
Project-URL: Repository, https://github.com/gualbe/orange_gualbe_pred
Project-URL: Issues, https://github.com/gualbe/orange_gualbe_pred/issues
Keywords: orange3 add-on,time series,series temporales,prediction,superdataset
Classifier: Development Status :: 3 - Alpha
Classifier: Intended Audience :: Science/Research
Classifier: Programming Language :: Python :: 3
Classifier: Topic :: Scientific/Engineering :: Visualization
Requires-Python: >=3.9
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: Orange3>=3.32.0
Requires-Dist: numpy
Requires-Dist: pandas>=1.3
Dynamic: license-file

# orange_gualbe_pred

Add-on **Advanced Prediction Toolbox** para [Orange Data Mining](https://orangedatamining.com/):
construcción de *superdatasets* para modelos predictivos de series temporales
multivariantes a partir de series de eventos. Es el port nativo a Python del
punto de entrada `gen_datasets.R` del proyecto **PredictionMethod-R** (y de
sus funciones auxiliares `events_functions.R`, `attributes_functions.R`,
`datasets_functions.R`), reorganizado como widgets de un flujo de trabajo:
no se leen ni escriben ficheros de la estructura `PROJECTS/`, todo entra y
sale por conexiones entre nodos.

## Instalación

Desde Orange: menú **Options → Add-ons…**, botón **Add more…**, escribe
`orange_gualbe_pred` y reinicia Orange.

O con `pip`, en el mismo entorno de Python que Orange:

```bash
pip install orange_gualbe_pred
```

## Widgets (categoría "Advanced Prediction Toolbox")

| Widget | Sustituye a (R) | Función |
|---|---|---|
| **Load Multiple Files** | `File` × N | Carga varios CSV/TSV/XLSX/ARFF, comprueba que comparten estructura y los fusiona con una columna `ARCHIVO` de origen. |
| **Events Fusion** | `events-spec-<EID>.txt`, `buildEventTables` | Une los eventos secundarios de cada spot con los primarios de su estación y apila todo con `SPOT_ID`. |
| **Features Description** | `attributes-spec-<AID>.txt` | Editor visual de las filas `VF`/`OUT`; también importa un fichero de especificación leído con *File*. |
| **SuperDataset** | `gen_datasets.R`, `<Model>.cfg` | Construye el superdataset (atributos + clase en el horizonte) y aplica el tipo de clase. |
| **GA Training** | `ec2ce_ga.R`, `train_ga.R` | Optimiza con un GA la selección de instancias, atributos y algoritmo/hiperparámetros; emite datos reducidos, modelo, learner, predicciones de validación y evolución. |
| **Group-based FS** | `FS_I+D.R` (`dac_fs`) | ReliefF por grupo de variable de origen, CFS + BestFirst por grupo, CFS global con tabú (express) y wrapper opcionales; todo nativo (sin Weka). |

Flujo típico:

```
Load Multiple Files (wea_*.csv) ──┐
Load Multiple Files (bio-*.csv) ──┼─> Events Fusion ──> SuperDataset ──> Impute / Test & Score / Save Data
Features Description ─────────┘                         ▲
  (columna ARCHIVO = spot / estación en Events Fusion)   │
Features Description ───────────────────────────────────┘
```

La lógica de cálculo vive en `orangecontrib/orange_gualbe_pred/core/` (Python
puro con numpy/pandas, sin Qt ni Orange) y se ha validado contra los datasets
generados por el código R (`tests/golden_compare.py`): el proyecto VID
coincide columna a columna; en CAPDER-SMAGINA las únicas diferencias se deben
a que su fichero de referencia es anterior a los cambios "v6" del R
(recuentos vacíos con restricción y fechas de las estaciones).

## Idiomas

Los nombres de los widgets, de la categoría y de las conexiones son fijos en
inglés (Orange los registra al arrancar). Todo lo demás — títulos, etiquetas,
tooltips, botones, mensajes y registro — se muestra en **inglés o español** y
se conmuta al instante con el selector de la **barra de estado** de cualquier
widget; la elección es global (se guarda en
`~/.config/orange_gualbe_pred/settings.json`) y se propaga a todos los widgets
abiertos. La ayuda de F1 / "?" se abre en el idioma activo (el widget escribe la
preferencia en `_help/html/_static/lang_pref.js`) y además tiene botones
English/Español en su cabecera. Las cadenas viven en
`orangecontrib/orange_gualbe_pred/i18n.py` (diccionario inglés → español); el
test `tests/test_i18n_headless.py` comprueba que ninguna clave quede sin
traducir.

## Instalación para desarrollo

```bash
python -m venv .venv
source .venv/bin/activate
pip install Orange3 PyQt5
pip install -e .
python -m Orange.canvas
```

En la instalación de escritorio de Orange (macOS):

```bash
PYTHONNOUSERSITE=1 /Applications/Orange.app/Contents/MacOS/python -m pip install --no-user -e .
# (sin --no-user pip puede instalar en ~/Library/Python y la app, que arranca con PYTHONNOUSERSITE=1, no lo vería)
```

## Ayuda de los widgets

La ayuda (F1 / icono "?") se genera con Sphinx dentro del propio paquete y
debe reconstruirse antes de empaquetar:

```bash
pip install sphinx
python -m sphinx -b html doc orangecontrib/orange_gualbe_pred/_help/html
```

## Pruebas

Cada `tests/test_*.py` es un script que termina con código 1 si alguna
comprobación falla. Los que comparan con R necesitan los datos del proyecto
**PredictionMethod-R**, que no están en este repositorio: por defecto se
buscan en `../../Orange-PredictionMethod/PredictionMethod-R` (respecto a la
carpeta del repo) y se puede indicar otra ruta con la variable de entorno
`PREDICTIONMETHOD_R`.

```bash
python tests/golden_compare.py VID vidrocialmon-H4 reg.vidrocialmon-H4.beforeMVI.csv
python tests/test_widgets_headless.py
```

## Mantenimiento y publicación en PyPI

Este repositorio es la **fuente de verdad** del add-on: todo cambio se
hace aquí (commit y `git push` a `main`), y cada versión publicada en
[PyPI](https://pypi.org/project/orange-gualbe-pred/) corresponde a un estado
de `main` cuyo `version` en `pyproject.toml` es el mismo número.

La publicación en PyPI es automática mediante
[Trusted Publishing](https://docs.pypi.org/trusted-publishers/). Al
publicar una release en GitHub, el workflow
`.github/workflows/publish.yml` genera la ayuda, construye el paquete,
lo sube a PyPI sin tokens y adjunta los ficheros a la release. Así
GitHub y PyPI no pueden quedar desincronizados.

1. Sube `version` en `pyproject.toml`, añade su sección en `CHANGELOG.md`
   y haz commit y push a `main`.
2. Crea la release con una etiqueta `v` + la misma versión:

   ```bash
   gh release create vX.Y.Z --title "vX.Y.Z" --notes "Cambios de esta versión"
   ```

El workflow rechaza la publicación si la etiqueta no coincide con la
versión de `pyproject.toml`. Para validar la construcción sin publicar,
lánzalo a mano desde la pestaña *Actions* o con
`gh workflow run publish.yml`.

## Licencia

[GPL-3.0-or-later](https://github.com/gualbe/orange_gualbe_pred/blob/main/LICENSE).
