Python Erro no script Python

[AlexdePaula]

Não conheço nada de python, usei o chat gpt, para gerar um script em python, mas dá muitos erros... Sinceramente não conheço nada para corrigir esse erro. Será que alguém poderia ajudar? Esse codigo deveria pegar os preço atual do ativo na célula C4  do excel. Treinar e depois me dizer se o preço vai subir ou descer. Desde já agradeço a ajuda...

 

Segue o Código:

 

#Importar bibliotecas necessárias
import pandas as pd
import numpy as np
from sklearn.svm import SVC
from sklearn.modelselection import traintest_split
import matplotlib.pyplot as plt

#Carregar arquivo Excel e extrair dados
data = pd.readexcel('D:\Python-Tela\Indice\Indice.xlsx', sheetname='sheet1', usecols=[3], skiprows=[0], names=['Price'])
X = np.array(data).reshape(-1,1)

#Dividir dados em treino e teste
Xtrain, Xtest, ytrain, ytest = traintestsplit(X, y, testsize=0.2, randomstate=0)

#Criar modelo SVM
model = SVC()

#Treinar modelo
model.fit(Xtrain, ytrain)

#Fazer previsões
predictions = model.predict(X_test)

#Verificar precisão do modelo
accuracy = model.score(Xtest, ytest)

#Criar mensagem para o usuário
if predictions == 'up':
    if price > max(Xtest):
        message = "Esperar até formar um topo duplo para acionar a venda"
    else:
        message = "Compre agora!"
elif predictions == 'down':
    if price < min(Xtest):
        message = "Esperar até formar um fundo duplo para acionar a compra"
    else:
        message = "Venda agora!"

#Criar gráfico para exibir resultados
plt.plot(X_test, predictions, color='red')
plt.title("Previsões do Modelo SVM")
plt.xlabel("Preço")
plt.ylabel("Direção do Preço")
plt.show()

[Swalls]

@AlexdePaula primeiro organize de forma que possamos ver, usando a opção <> quando estiver criando o tópico,  escolhendo python.

segundo, o GPT-3 não é capaz de criar código/estruturas muito complexas, por exemplo, se você pedir para ele fazer uma calculadora, ele consegue, mas se pedir uma calculadora científica, ele vai dar somente a base mais simples e menos custiosa de memória para ele possível, com possibilidade de vir alguns erros.

terceiro, o GPT-3 não comenta, deixa resposivo ou otimiza código a menos que você peça. Por isso ao pedir um código para ele, peça no mínimo o que esteja comentado para você entender o que ele está fazendo. (ps: código limpo não precisa ser comentado, mas estamos falando de uma IA)

 

 

 

# importar biblioteca pandas
import pandas as pd

# importar biblioteca numpy
import numpy as np

# importar classe SVC da biblioteca scikit-learn
from sklearn.svm import SVC

# importar função train_test_split da biblioteca scikit-learn
from sklearn.model_selection import train_test_split

# importar biblioteca matplotlib
import matplotlib.pyplot as plt

# Carregar arquivo Excel e extrair dados
# usando pandas para ler arquivo Excel na localização 'D:\Python-Tela\Indice\Indice.xlsx'
# usando apenas a coluna 3 (indexada em 2)
# pulando a linha 0 (cabeçalho)
# atribuindo o nome 'Price' à coluna de dados
data = pd.read_excel('D:\Python-Tela\Indice\Indice.xlsx', sheet_name='sheet1', usecols=[3], skiprows=[0], names=['Price'])

# transformar os dados em uma matriz numpy
# usando a função reshape para ajustar a forma dos dados para uma matriz bidimensional
# usando -1 como valor de um dos eixos para que o numpy determine automaticamente a dimensão correta
X = np.array(data).reshape(-1,1)

# Dividir dados em treino e teste
# usando a função train_test_split da biblioteca scikit-learn
# passando X como primeiro argumento para ser usado como dados de treino
# passando y como segundo argumento para ser usado como dados de teste
# usando testsize=0.2 para especificar que 20% dos dados serão usados para testes
# usando randomstate=0 para garantir que as mesmas amostras sejam selecionadas a cada execução
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Criar modelo SVM
# instanciando a classe SVC sem argumentos
model = SVC()

# Treinar modelo
# usando o método fit para treinar o modelo SVM com os dados de treino
model.fit(X_train, y_train)

# Fazer previsões
# usando o método predict para fazer previsões com os dados de teste
predictions = model.predict(X_test)

# Verificar precisão do modelo
# usando o método score para avaliar a precisão do modelo com os dados de teste
accuracy = model.score(X_test, y_test)

# Fazer previsões
predictions = model.predict(X_test)

# Verificar precisão do modelo
accuracy = model.score(X_test, y_test)

# Criar mensagem para o usuário
if predictions == 'up':
    if price > max(X_test):
        message = "Esperar até formar um topo duplo para acionar a venda"
    else:
        message = "Compre agora!"
elif predictions == 'down':
    if price < min(X_test):
        message = "Esperar até formar um fundo duplo para acionar a compra"
    else:
        message = "Venda agora!"

# Criar gráfico para exibir resultados
plt.plot(X_test, predictions, color='red')
plt.title("Previsões do Modelo SVM")
plt.xlabel("Preço")
plt.ylabel("Direção do Preço")
plt.show()

 

[AlexdePaula]

6 horas atrás, Swalls disse:

@AlexdePaula primeiro organize de forma que possamos ver, usando a opção <> quando estiver criando o tópico,  escolhendo python.

segundo, o GPT-3 não é capaz de criar código/estruturas muito complexas, por exemplo, se você pedir para ele fazer uma calculadora, ele consegue, mas se pedir uma calculadora científica, ele vai dar somente a base mais simples e menos custiosa de memória para ele possível, com possibilidade de vir alguns erros.

terceiro, o GPT-3 não comenta, deixa resposivo ou otimiza código a menos que você peça. Por isso ao pedir um código para ele, peça no mínimo o que esteja comentado para você entender o que ele está fazendo. (ps: código limpo não precisa ser comentado, mas estamos falando de uma IA)

 

 

 

# importar biblioteca pandas
import pandas as pd

# importar biblioteca numpy
import numpy as np

# importar classe SVC da biblioteca scikit-learn
from sklearn.svm import SVC

# importar função train_test_split da biblioteca scikit-learn
from sklearn.model_selection import train_test_split

# importar biblioteca matplotlib
import matplotlib.pyplot as plt

# Carregar arquivo Excel e extrair dados
# usando pandas para ler arquivo Excel na localização 'D:\Python-Tela\Indice\Indice.xlsx'
# usando apenas a coluna 3 (indexada em 2)
# pulando a linha 0 (cabeçalho)
# atribuindo o nome 'Price' à coluna de dados
data = pd.read_excel('D:\Python-Tela\Indice\Indice.xlsx', sheet_name='sheet1', usecols=[3], skiprows=[0], names=['Price'])

# transformar os dados em uma matriz numpy
# usando a função reshape para ajustar a forma dos dados para uma matriz bidimensional
# usando -1 como valor de um dos eixos para que o numpy determine automaticamente a dimensão correta
X = np.array(data).reshape(-1,1)

# Dividir dados em treino e teste
# usando a função train_test_split da biblioteca scikit-learn
# passando X como primeiro argumento para ser usado como dados de treino
# passando y como segundo argumento para ser usado como dados de teste
# usando testsize=0.2 para especificar que 20% dos dados serão usados para testes
# usando randomstate=0 para garantir que as mesmas amostras sejam selecionadas a cada execução
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Criar modelo SVM
# instanciando a classe SVC sem argumentos
model = SVC()

# Treinar modelo
# usando o método fit para treinar o modelo SVM com os dados de treino
model.fit(X_train, y_train)

# Fazer previsões
# usando o método predict para fazer previsões com os dados de teste
predictions = model.predict(X_test)

# Verificar precisão do modelo
# usando o método score para avaliar a precisão do modelo com os dados de teste
accuracy = model.score(X_test, y_test)

# Fazer previsões
predictions = model.predict(X_test)

# Verificar precisão do modelo
accuracy = model.score(X_test, y_test)

# Criar mensagem para o usuário
if predictions == 'up':
    if price > max(X_test):
        message = "Esperar até formar um topo duplo para acionar a venda"
    else:
        message = "Compre agora!"
elif predictions == 'down':
    if price < min(X_test):
        message = "Esperar até formar um fundo duplo para acionar a compra"
    else:
        message = "Venda agora!"

# Criar gráfico para exibir resultados
plt.plot(X_test, predictions, color='red')
plt.title("Previsões do Modelo SVM")
plt.xlabel("Preço")
plt.ylabel("Direção do Preço")
plt.show()

 

6 horas atrás, Swalls disse:

@AlexdePaula primeiro organize de forma que possamos ver, usando a opção <> quando estiver criando o tópico,  escolhendo python.

segundo, o GPT-3 não é capaz de criar código/estruturas muito complexas, por exemplo, se você pedir para ele fazer uma calculadora, ele consegue, mas se pedir uma calculadora científica, ele vai dar somente a base mais simples e menos custiosa de memória para ele possível, com possibilidade de vir alguns erros.

terceiro, o GPT-3 não comenta, deixa resposivo ou otimiza código a menos que você peça. Por isso ao pedir um código para ele, peça no mínimo o que esteja comentado para você entender o que ele está fazendo. (ps: código limpo não precisa ser comentado, mas estamos falando de uma IA)

 

 

 

# importar biblioteca pandas
import pandas as pd

# importar biblioteca numpy
import numpy as np

# importar classe SVC da biblioteca scikit-learn
from sklearn.svm import SVC

# importar função train_test_split da biblioteca scikit-learn
from sklearn.model_selection import train_test_split

# importar biblioteca matplotlib
import matplotlib.pyplot as plt

# Carregar arquivo Excel e extrair dados
# usando pandas para ler arquivo Excel na localização 'D:\Python-Tela\Indice\Indice.xlsx'
# usando apenas a coluna 3 (indexada em 2)
# pulando a linha 0 (cabeçalho)
# atribuindo o nome 'Price' à coluna de dados
data = pd.read_excel('D:\Python-Tela\Indice\Indice.xlsx', sheet_name='sheet1', usecols=[3], skiprows=[0], names=['Price'])

# transformar os dados em uma matriz numpy
# usando a função reshape para ajustar a forma dos dados para uma matriz bidimensional
# usando -1 como valor de um dos eixos para que o numpy determine automaticamente a dimensão correta
X = np.array(data).reshape(-1,1)

# Dividir dados em treino e teste
# usando a função train_test_split da biblioteca scikit-learn
# passando X como primeiro argumento para ser usado como dados de treino
# passando y como segundo argumento para ser usado como dados de teste
# usando testsize=0.2 para especificar que 20% dos dados serão usados para testes
# usando randomstate=0 para garantir que as mesmas amostras sejam selecionadas a cada execução
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Criar modelo SVM
# instanciando a classe SVC sem argumentos
model = SVC()

# Treinar modelo
# usando o método fit para treinar o modelo SVM com os dados de treino
model.fit(X_train, y_train)

# Fazer previsões
# usando o método predict para fazer previsões com os dados de teste
predictions = model.predict(X_test)

# Verificar precisão do modelo
# usando o método score para avaliar a precisão do modelo com os dados de teste
accuracy = model.score(X_test, y_test)

# Fazer previsões
predictions = model.predict(X_test)

# Verificar precisão do modelo
accuracy = model.score(X_test, y_test)

# Criar mensagem para o usuário
if predictions == 'up':
    if price > max(X_test):
        message = "Esperar até formar um topo duplo para acionar a venda"
    else:
        message = "Compre agora!"
elif predictions == 'down':
    if price < min(X_test):
        message = "Esperar até formar um fundo duplo para acionar a compra"
    else:
        message = "Venda agora!"

# Criar gráfico para exibir resultados
plt.plot(X_test, predictions, color='red')
plt.title("Previsões do Modelo SVM")
plt.xlabel("Preço")
plt.ylabel("Direção do Preço")
plt.show()

 

 

@Swalls muito obrigado pelo retorno, se não coloquei post no lugar ou do jeito certo me perdoe. Aqui dentro do fórum sempre me perco onde colocar as coisas, onde responder e por aí vai…

 

Obrigado por arrumar o código também…  

 

Em 04/02/2023 às 23:26, AlexdePaula disse:

Não conheço nada de python, usei o chat gpt, para gerar um script em python, mas dá muitos erros... Sinceramente não conheço nada para corrigir esse erro. Será que alguém poderia ajudar? Esse codigo deveria pegar os preço atual do ativo na célula C4  do excel. Treinar e depois me dizer se o preço vai subir ou descer. Desde já agradeço a ajuda...

 

Segue o Código:

 

#Importar bibliotecas necessárias
import pandas as pd
import numpy as np
from sklearn.svm import SVC
from sklearn.modelselection import traintest_split
import matplotlib.pyplot as plt

#Carregar arquivo Excel e extrair dados
data = pd.readexcel('D:\Python-Tela\Indice\Indice.xlsx', sheetname='sheet1', usecols=[3], skiprows=[0], names=['Price'])
X = np.array(data).reshape(-1,1)

#Dividir dados em treino e teste
Xtrain, Xtest, ytrain, ytest = traintestsplit(X, y, testsize=0.2, randomstate=0)

#Criar modelo SVM
model = SVC()

#Treinar modelo
model.fit(Xtrain, ytrain)

#Fazer previsões
predictions = model.predict(X_test)

#Verificar precisão do modelo
accuracy = model.score(Xtest, ytest)

#Criar mensagem para o usuário
if predictions == 'up':
    if price > max(Xtest):
        message = "Esperar até formar um topo duplo para acionar a venda"
    else:
        message = "Compre agora!"
elif predictions == 'down':
    if price < min(Xtest):
        message = "Esperar até formar um fundo duplo para acionar a compra"
    else:
        message = "Venda agora!"

#Criar gráfico para exibir resultados
plt.plot(X_test, predictions, color='red')
plt.title("Previsões do Modelo SVM")
plt.xlabel("Preço")
plt.ylabel("Direção do Preço")
plt.show()

 

[Swalls]

@AlexdePaula também espero que isso seja só um trabalho de faculdade ou projetinho rápido, pois a precisão gerada por esses poucos cálculos, sozinha, não gera confiabilidade alguma.