Branch de referência para essa documentação é a branch dev
Estruturação da saida da atividade em um arquivo csv(toCsv.py)
- A saida dos outputs até agora consiste em uma dada estrutura padrão, por isso essa conversão se torna facil.
0,0,,-2147483648,-2147483648,817,555,(NaN, NaN, NaN),(0.0, 0.0, 0.0, 1.0),Edu1,15,2022_04_10 14_12_52.217,834,462,817,554,(NaN, NaN, NaN),(0.0, 0.0, 0.0, 1.0),Edu
O primeiro 0 indica se foi detectado presença de olhar naquele momento ou não, normalmente até agora foi feito somente um filtro para considerar dados somente com o valor 1 nesse campo.
0 ,0,,-2147483648,-2147483648,817,555,(NaN, NaN, NaN),(0.0, 0.0, 0.0, 1.0),Edu
O segundo é o frame de leitura, frame 1,2,3 etc.
1,15,2022_04_10 14_12_52.217,834,462,817,554,(NaN, NaN, NaN),(0.0, 0.0, 0.0, 1.0),Edu
O terceiro é o momento no tempo em que o frame foi tirado, como é possivel ver. Se não foi detectado olhar o momento retorna um valor negativo como por exemplo -2147483648 . Dessa forma realmente não faz sentido trabalhar com valores onde o olhar deu zero.
Os proximos atributos são respectivamente X,Y da tela X,Y do mouse. Os valores do mouse não são usados atualmente, só são mantido para possiveis utilizações. Futuras
O processamento para pandas dataframe e posteriormente um csv serve para dividir melhor os dados. A manipulação de dados em geral é melhor com dataframes pandas.
Por exemplo a formação de colunas do dataframe atualmente segue esse padrão:
CLASSE,INDICE,DATE_TIME,X_TELA,Y_TELA,X_MOUSE,Y_MOUSE,V1,V2,V3,V4,V5,V6,V7,NOME**
As colunas com o nome V1,V2 etc são dados que não estão sendo utilizados no momento
A manipulação se torna bem mais facil dessa forma. É possivel selecionar colunas especificas, contar os valores, realizar agrupamentos etc.
Essa estruturação no geral é feitas com as funções .replace() e .split() do python para separar os campos. Por exemplo:
.replace('(','') - Substitui onde têm a string '(' por ' ' .split(',') utiliza a string ',' para separar a linha em uma lista.
Exemplo 'ad,cd,ef'.split(',') = ['ad','cd','ef']
Exemplo de uma linha de saida:
CLASSE,INDICE,DATE_TIME,X_TELA,Y_TELA,X_MOUSE,Y_MOUSE,V1,V2,V3,V4,V5,V6,V7,NOME 1.0,15.0,2022-04-10 14:12:52.217,834.0,462.0,817.0,554.0,,,,0:0, 0:0, 0:0, 1:0,Edu
#Exemplo de leitura de um arquivo txt
arquivo = []
with open(path_in,'r',encoding=encoding) as file:
arquivo = file.readlines()
file.close()
arquivo = [arquivo[i].split(sep) for i in range(len(arquivo))]
# A linha acima separa as linhas do arquivo por um separador dado, no caso é a ','
# Exemplo de salvamento das listas obtidas acima em um dataframe
df = pd.DataFrame(arquivo)
df.columns = COLUMNS_NAMES_DATAFRAME
df['DATE_TIME'] = pd.to_datetime(df['DATE_TIME'], format="%Y"+date_rpl+"%m"+date_rpl+"%d %H"+time_rpl+"%M"+time_rpl+"%S"+mill_rpl+"%f")
df.to_csv(path_out,sep=sep_dataframe,encoding=encoding,index=False)