yonghong.script.port  编写自定义python脚本的子工具包,包含两个工具类：

                   EntryPoint：当前脚本节点的输入输出端口

                             input:本节点的数据输入，访问某个前置节点的某种数据可以这样：entry.input['数据集节点1'][ResourceType.DATAFRAME] 表示

                                   获取“数据集节点1”的输出数据集；

                             output:本节点的数据输出；

                                    dataset: 待输出的数据集

                                    model: 待输出的模型

                                    pmml: 待输出的pmml

                                    images: 待输出的png图片数据，使用方法 images.put_image_from_plot("图片名字1"，plot)

                   ResourceType： 输入输出数据的枚举类型，DATAFRAME表示数据集，MODEL表示模型

案例1--前置节点为一个数据集节点、一个训练模型节点（Python脚本导出的训练模型）；节点输出为一个数据集

# EntryPoint:当前脚本节点的输入输出端口

# ResourceType:输入输出数据的枚举类型，DATAFRAME表示数据集，MODEL表示模型

from yonghong.script.port import EntryPoint, ResourceType

entry = EntryPoint()  # 持有本节点的输入输出

input_df = entry.input['样例数据集'][ResourceType.DATAFRAME]  # 获取指定的前置节点'样例数据集'的输出数据

input_model = entry.input['决策树模型'][ResourceType.MODEL]  # 获取指定的前置节点‘决策树模型’输出的训练模型

import pandas as pd

entry.output.dataset = pd.DataFrame({'字段名':input_model.predict(input_df)})  # 将预测结果输出，如果有后置节点将被后置节点接收

案例2--前置节点为一个数据集节点、一个插件节点（有输出数据集）；节点输出为一个训练模型

# EntryPoint:当前脚本节点的输入输出端口

# ResourceType:输入输出数据的枚举类型，DATAFRAME表示数据集，MODEL表示模型

from yonghong.script.port import EntryPoint, ResourceType

from xgboost import XGBClassifier

entry = EntryPoint()  # 持有本节点的输入输出

input_dataset1 = entry.input['样例数据集'][ResourceType.DATAFRAME]  # 获取指定的前置节点'样例数据集'的输出数据

input_dataset2 = entry.input['标准化'][ResourceType.DATAFRAME]  # 获取指定的前置节点‘标准化’的输出数据集

features = ['V' + str(i) for i in range(1, 29)] + ['Amount']  # 指定特征字段。

target = 'Class'

train_X = input_dataset1[features]  # 读入训练集特征数据。

train_y = input_dataset1[target]  # 读入训练集分类值。

clf = XGBClassifier(n_jobs=3)

clf.fit(X=train_X, y=train_y)

import pandas as pd

entry.output.dataset = pd.DataFrame({'字段名':clf.predict(input_dataset2[features])})  # 将预测结果输出，如果有后置节点将被后置节点接收

entry.output.model = clf  # 如果需要将分类器clf传递给下一个节点使用，则将clf赋值给model。

entry.output.pmml = to_pmml(clf, features, target)  # 生成模型的PMML文本。

案例3--前置节点为一个数据集节点、一个插件节点（有输出数据集）；节点输出为一个png图片

# EntryPoint:当前脚本节点的输入输出端口

# ResourceType:输入输出数据的枚举类型，DATAFRAME表示数据集，MODEL表示模型

from yonghong.script.port import EntryPoint, ResourceType

from xgboost import XGBClassifier

entry = EntryPoint()  # 持有本节点的输入输出

input_dataset1 = entry.input['样例数据集'][ResourceType.DATAFRAME]  # 获取指定的前置节点'样例数据集'的输出数据

input_dataset2 = entry.input['标准化'][ResourceType.DATAFRAME]  # 获取指定的前置节点‘标准化’的输出数据集

# 绘图部分

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

from sklearn import manifold

df= input_dataset1

df_lle, _ = manifold.locally_linear_embedding(df.drop(columns='ElectricLeakage'), n_neighbors=30, n_components=2)  # 对数据进行降维操作

fig = plt.figure()

ax = fig.add_subplot(211, projection='3d')

ax.scatter(df['LineLoss(%)'], df['ElectricQuantityDowntrend'], df['AlarmNumber'], c=df['ElectricLeakage'], cmap=plt.cm.Spectral)

ax.set_xlabel('LineLoss(%)')

ax.set_ylabel('EQD')

ax.set_zlabel('AlarmNumber')

ax.set_title('Original data')

ax = fig.add_subplot(212)

ax.scatter(df_lle[:, 0], df_lle[:, 1], c=df['ElectricLeakage'], cmap=plt.cm.Spectral)

ax.set_xlabel('x1')

ax.set_ylabel('x2')

ax.set_title('Projected data')

plt.axis('tight')

#绘图参数配置完毕后，不要使用plt.show()显示图片，该函数是无效的

entry.output.images.put_image_from_plot("案例图片名字1",plt) # 配置好绘图参数后将plt传递给images变量，图表就可以绘制到页面中