-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathANR.py
288 lines (221 loc) · 16.2 KB
/
ANR.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
#importer les packages
import requests
import pandas as pd
from code_utils.matcherANR import address,name,description,identifie_structure,identifie_personne,identifiant_prefere,replace_all,nettoie_scanR,orcid_to_idref,recup_id_personne,persons
from tqdm import tqdm
import pprint as pp
tqdm.pandas()
from code_utils.pickle import load_cache,write_cache
import os
from dotenv import load_dotenv
import json
load_dotenv()
Authorization = os.getenv('Authorization')
########################################### amener les partenaires depuis le site de l'anr #########################################################
url_partenaires_10="https://www.data.gouv.fr/fr/datasets/r/9b08ee21-7372-47a4-9831-4c56a8099ee8"
page_partenaires_10 = requests.get(url_partenaires_10).json()
colonnes_partenaires_10 = page_partenaires_10['columns']
donnees_partenaires_10 = page_partenaires_10['data']
df_partenaires=pd.DataFrame(data=donnees_partenaires_10,columns=colonnes_partenaires_10)
df_partenaires['index']=[x for x in range(len(df_partenaires))]
df_partenaires=df_partenaires.set_index('index')
########################################### RECUP2RATION DES IDENTIFIANTS DE STRUCTURES ET DE PERSONNE #########################################################
############cache structures, personnes et orcid avec differentes sources de donnees
cached_anr_data = {}
try:
cached_anr_data = load_cache(cached_anr_data,'cached_anr_data.pkl')
except:
write_cache(cached_anr_data,'cached_anr_data.pkl')
cached_anr_data_persons = {}
try:
cached_anr_data_persons = load_cache(cached_anr_data_persons,'cached_anr_data_persons.pkl')
except:
write_cache(cached_anr_data_persons,'cached_anr_data_persons.pkl')
cached_anr_data_orcid = {}
try:
cached_anr_data_orcid = load_cache(cached_anr_data_orcid,'cached_anr_data_orcid.pkl')
except:
write_cache(cached_anr_data_orcid,'cached_anr_data_orcid.pkl')
######## matcher affiliations ==> id_structure
id_struct=df_partenaires
id_struct['Projet.Partenaire.Nom_organisme2']=id_struct.loc[:,'Projet.Partenaire.Nom_organisme'].apply(lambda x: replace_all(str(x).lower().replace(" d e"," d'e").replace(" d a"," d'a").replace(" d i"," d'i").replace(" d o"," d'o").replace(" d u"," d'u").replace(" d y"," d'y").replace(" d h"," d'h").replace(" l e"," l'e").replace(" l a"," l'a").replace(" l i"," l'i").replace(" l o"," l'o").replace(" l u"," l'u").replace(" l y"," l'y").replace(" l h"," l'h")))
id_struct=id_struct.drop_duplicates(subset=['Projet.Partenaire.Nom_organisme2'])
id_struct.progress_apply(lambda row: identifie_structure(row,cached_anr_data), axis=1) #quelques minutes
write_cache(cached_anr_data,'cached_anr_data.pkl')
id_struct['id_structure_matcher']=id_struct.loc[:,'Projet.Partenaire.Nom_organisme'].apply(lambda x: cached_anr_data[x])
id_struct.to_excel('df_partenaires.xlsx')
id_struct.to_json('df_partenaires.json')
#id_struct=pd.read_json('df_partenaires.json')
id_struct=id_struct[['Projet.Partenaire.Nom_organisme','id_structure_matcher']]
id_struct['Projet.Partenaire.Nom_organisme2']=id_struct.loc[:,'Projet.Partenaire.Nom_organisme'].apply(lambda x: replace_all(str(x).lower().replace(" d e"," d'e").replace(" d a"," d'a").replace(" d i"," d'i").replace(" d o"," d'o").replace(" d u"," d'u").replace(" d y"," d'y").replace(" d h"," d'h").replace(" l e"," l'e").replace(" l a"," l'a").replace(" l i"," l'i").replace(" l o"," l'o").replace(" l u"," l'u").replace(" l y"," l'y").replace(" l h"," l'h")))
df_partenaires['Projet.Partenaire.Nom_organisme2']=df_partenaires.loc[:,'Projet.Partenaire.Nom_organisme'].apply(lambda x: replace_all(str(x).lower().replace(" d e"," d'e").replace(" d a"," d'a").replace(" d i"," d'i").replace(" d o"," d'o").replace(" d u"," d'u").replace(" d y"," d'y").replace(" d h"," d'h").replace(" l e"," l'e").replace(" l a"," l'a").replace(" l i"," l'i").replace(" l o"," l'o").replace(" l u"," l'u").replace(" l y"," l'y").replace(" l h"," l'h")))
df_partenaires_struct=pd.merge(df_partenaires,id_struct[['Projet.Partenaire.Nom_organisme2','id_structure_matcher']], on='Projet.Partenaire.Nom_organisme2', how='left')
df_partenaires_struct
#######scanR ==> id_structure_scanr
url_scanr='https://storage.gra.cloud.ovh.net/v1/AUTH_32c5d10cb0fe4519b957064a111717e3/scanR/projects.json'
#recuperation du dataframe avec id_structure_scanr et Projet.Partenaire.Nom_organisme sur scanr
requete_scanR = requests.get(url_scanr)
page_scanR= requete_scanR.json()
df_scanR=pd.DataFrame(page_scanR)
scanR=df_scanR.explode('participants').loc[:,['id','participants']]
scanR=scanR.rename(columns={'id':'id_anr'})
scanR['index']=[x for x in range(len(scanR))]
scanR=scanR.set_index('index')
scanR['id_structure_scanr']=scanR['participants'].apply(lambda x: x.get(str('structure')) if isinstance(x, dict) else None )
scanR['nom_struct']=scanR['participants'].apply(lambda x: nettoie_scanR(x))
del scanR['participants']
scanR_nettoye=scanR.drop_duplicates(subset='nom_struct')
scanR_nettoye['Projet.Partenaire.Nom_organisme2']=scanR_nettoye.loc[:,'nom_struct'].apply(lambda x: replace_all(str(x).lower()))
scanR_nettoye=scanR_nettoye[['id_structure_scanr','Projet.Partenaire.Nom_organisme2']]
scanR_nettoye=scanR_nettoye.drop_duplicates(subset='Projet.Partenaire.Nom_organisme2')
df_partenaires_struct=pd.merge(df_partenaires_struct,scanR_nettoye, on='Projet.Partenaire.Nom_organisme2', how='left')
df_partenaires_struct
#######fichier avec les identifiants structures rettrouvés à la main par Emmanuel ==> 'code'
scanr_part_nn_id=pd.read_excel('scanr_partenaires_non_identifies.xlsx')
scanr_part_nn_id['Projet.Partenaire.Nom_organisme2']=scanr_part_nn_id.loc[:,'Nom'].apply(lambda x: replace_all(str(x).lower()))
scanr_part_nn_id=scanr_part_nn_id[['Projet.Partenaire.Nom_organisme2','code']]
scanr_part_nn_id=scanr_part_nn_id.drop_duplicates(subset='Projet.Partenaire.Nom_organisme2')
repechage=pd.merge(df_partenaires_struct,scanr_part_nn_id, on='Projet.Partenaire.Nom_organisme2', how='left')
repechage
repechage['index']=[x for x in range(len(repechage))]
repechage=repechage.set_index('index')
#######rassemblement
repechage['id_structure']=repechage.progress_apply(identifiant_prefere, axis=1)
repechage
repechage.to_excel('df_partenaires_id_structures.xlsx')
repechage.to_json('df_partenaires_id_structures.json')
########récupération des structures sans identifiants pour les donner à Emmanuel
repechage2=repechage.loc[(pd.isna(repechage['id_structure']))|(str(repechage['id_structure'])=='None')|(str(repechage['id_structure'])=='nan')]
repechage2
repechage2=repechage2.drop_duplicates(subset='Projet.Partenaire.Nom_organisme2')
repechage2=repechage2[['Projet.Partenaire.Nom_organisme','Projet.Partenaire.Adresse.Ville', 'Projet.Partenaire.Adresse.Region','Projet.Partenaire.Adresse.Pays','id_structure']]
repechage2.to_excel('partenaires_non_identifies.xlsx')
############matcher checheurs
df_partenaires=pd.read_json('df_partenaires_id_structures.json')
df_partenaires['id_personne']=df_partenaires.progress_apply(lambda row: identifie_personne(row, cached_anr_data_persons), axis=1)#environ 5h
write_cache(cached_anr_data_persons,'cached_anr_data_persons.pkl')
df_partenaires.to_excel('df_partenaires_id_personne.xlsx')
df_partenaires.to_json('df_partenaires_id_personne.json')
####récupérer des idref supplémentaires grâce aux ids ORCID fournit par l'ANR
df_partenaires=pd.read_json('df_partenaires_id_personne.json')
df_partenaires['idref_ORCID']=df_partenaires.progress_apply(lambda row: orcid_to_idref(row,cached_anr_data_orcid), axis=1)#environ 1h
write_cache(cached_anr_data_orcid,'cached_anr_data_orcid.pkl')
df_partenaires['id_person']=df_partenaires.apply(lambda row: recup_id_personne(row), axis=1)
df_partenaires.to_json('df_partenaires_id_person_ORCID.json', orient='records')
df_partenaires.to_excel('df_partenaires_id_person_ORCID.xlsx')
############################################################ ENVOI DES PROJETS SUR SCANR #########################################################
df_partenaires=pd.read_json('C:/Users/haallat/Documents/ANR/df_partenaires_id_person_ORCID.json')
df_partenaires.loc[:,'id_structure']=df_partenaires.loc[:,'id_structure'].apply(lambda x: x[0] if isinstance(x,list) else x )
df_partenaires['persons']=df_partenaires.progress_apply(lambda row: persons(row) ,axis=1)
df_partenaires=df_partenaires.groupby(['Projet.Code_Decision_ANR']).agg({'persons': lambda x: x.tolist()}).reset_index()
######## amener les projets depuis le site de l'anr
url_projets_10="https://www.data.gouv.fr/fr/datasets/r/afe3d11b-9ea2-48b0-9789-2816d5785466"
page_projets_10 = requests.get(url_projets_10).json()
colonnes_projets_10 = page_projets_10['columns']
donnees_projets_10 = page_projets_10['data']
df_projets=pd.DataFrame(data=donnees_projets_10,columns=colonnes_projets_10)
df_projets['index']=[x for x in range(len(df_projets))]
df_projets=df_projets.set_index('index')
#######on complete les projets de l'anr avec les personnes qui ont participé au projet
df_projets=pd.merge(df_projets,df_partenaires,on='Projet.Code_Decision_ANR', how='left')
df_projets['type']="ANR"
df_projets['name']=df_projets.progress_apply(lambda row: name(row) ,axis=1)
df_projets['description']=df_projets.progress_apply(lambda row: description(row) ,axis=1)
df_projets=df_projets.rename(columns={'Projet.Code_Decision_ANR': 'id', 'Projet.Acronyme': 'acronym', 'AAP.Edition':'year', 'Projet.Montant.AF.Aide_allouee.ANR':'budget_financed'})
df_projets=df_projets[['id','type','name','description','acronym','year','budget_financed','persons']]
############################################################ POUR METTRE A JOUR LES NOUVEAUX PROJETS ANR - PROJETS #########################################################
nbr_page=int(requests.get('http://185.161.45.213/projects/projects?where={"type":"ANR"}&projection={"id":1}&max_results=500&page=1', headers={"Authorization":Authorization}).json()['hrefs']['last']['href'].split('page=')[1])
list_ids=[]
for i in range(1,nbr_page+1):
print("page",i)
page=requests.get('http://185.161.45.213/projects/projects?where={"type":"ANR"}&projection={"id":1}&max_results=500'+f"&page={i}", headers={"Authorization":Authorization}).json()
for k in range(len(page['data'])):
print("k",k)
list_ids.append(page['data'][k]['id'])
projets_a_ajouter=[x for x in list(df_projets['id']) if x not in list_ids]
projets_a_retirer=[x for x in list_ids if x not in list(df_projets['id'])]
df_projets = df_projets[df_projets['id'].apply(lambda x: x in projets_a_ajouter)]
##envoi
err=[]
for i,row in df_projets.iterrows():
dict_row=row.to_dict()
dict_row2={k:v for k,v in list(dict_row.items()) if ((str(v)!='nan')&(str(v)!='NaN')&(str(v)!='None')&(str(v)!='x'))}
try:
r=requests.post('http://185.161.45.213/projects/projects', json = dict_row2, headers={"Authorization":Authorization})
res= r.json()
if res.get('status')=='ERR':
err.append(res)
if res.get('error').get('code')!=422:
print(err)
pp.pprint(err)
except Exception as e:
pp.pprint(e)
#pd.Series([x.get('issues').get('id')[25:] for x in err]).drop_duplicates().tolist() #si jamais il y a des erreurs
############################################################ ENVOI DES PARTENAIRES SUR SCANR #########################################################
df_partenaires=pd.read_json('df_partenaires_id_structures.json')
df_partenaires['address']=df_partenaires.apply(lambda row: address(row), axis=1)
df_partenaires=df_partenaires[['Projet.Partenaire.Nom_organisme','Projet.Partenaire.Code_Decision_ANR','Projet.Code_Decision_ANR','id_structure','Projet.Partenaire.Est_coordinateur','address']]
df_partenaires=df_partenaires.rename(columns={'Projet.Partenaire.Code_Decision_ANR': 'id','Projet.Partenaire.Nom_organisme': 'name', 'Projet.Code_Decision_ANR': 'project_id', 'id_structure':'participant_id'})
df_partenaires['role']=df_partenaires['Projet.Partenaire.Est_coordinateur'].apply(lambda x: 'coordinator' if str(x) == 'True' else 'participant')
df_partenaires['project_type']='ANR'
df_partenaires['participant_id']=df_partenaires.loc[:,'participant_id'].apply(lambda x: x[0] if isinstance(x,list) else str(x).split(';')[0])
df_partenaires=df_partenaires[['id','project_id', 'project_type', 'participant_id', 'role', 'name','address']]
df_partenaires
############################################################ POUR METTRE A JOUR LES NOUVEAUX PROJETS ANR - PARTENAIRES #########################################################
# n=len(df_partenaires)//100
# list_100_by_100=[int(f"{i}00") for i in range(0,n+1)]
# index_list=list_100_by_100+[list_100_by_100[-1]+(len(df_partenaires)%100)+1]
# dfs_partenaires=[df_partenaires.iloc[index_list[i]:index_list[i+1],:] for i in range(n+1)]
nbr_page=int(requests.get('http://185.161.45.213/projects/participations?where={"project_type":"ANR"}&projection={"project_id":1}&max_results=500&page=1', headers={"Authorization":Authorization}).json()['hrefs']['last']['href'].split('page=')[1])
list_ids=[]
for i in range(1,nbr_page+1):
print("page",i)
page=requests.get('http://185.161.45.213/projects/participations?where={"project_type":"ANR"}&projection={"project_id":1}&max_results=500'+f"&page={i}", headers={"Authorization":Authorization}).json()
for k in range(len(page['data'])):
print("k",k)
list_ids.append(page['data'][k]['project_id'])
# projets_a_ajouter=[]
# for df in dfs_partenaires:
# list_anr_ids=list(df['Projet.Code_Decision_ANR'])
# projets_a_ajouter.append([x for x in list_anr_ids if x not in list_ids])
projets_a_ajouter=[x for x in list(df_partenaires['project_id'].drop_duplicates()) if x not in list(pd.Series(list_ids).drop_duplicates())]
projets_a_retirer=[x for x in list_ids if x not in list(df_partenaires['project_id'])]
df_partenaires = df_partenaires[df_partenaires['project_id'].apply(lambda x: x in projets_a_ajouter)]
dict_row=df_partenaires.iloc[0,:].to_dict()
print(dict_row)
print({k:v for k,v in list(dict_row.items()) if ((str(v)!='nan')&(str(v)!='NaN')&(str(v)!='None')&(str(v)!='x'))})
###envoi
err=[]
for i,row in df_partenaires.iterrows():
dict_row=row.to_dict()
dict_row2={k:v for k,v in list(dict_row.items()) if ((str(v)!='nan')&(str(v)!='NaN')&(str(v)!='None')&(str(v)!='x'))}
try:
r=requests.post('http://185.161.45.213/projects/participations', json = dict_row2, headers={"Authorization":Authorization})
res= r.json()
if res.get('status')=='ERR':
err.append(res)
if res.get('error').get('code')!=422:
print(err)
pp.pprint(err)
except Exception as e:
pp.pprint(e)
#pd.Series([x.get('issues').get('id')[25:] for x in err]).drop_duplicates().tolist() #si jamais il y a des erreurs
############################################ Trouver les structures qui font des projets IA ###################################################
def ia_proj(title_resume):
return any(mot for mot in IA_keywords if mot in str(title_resume).lower())
df_partenaires=pd.read_json('df_partenaires_id_structures.json')
######## amener les projets depuis le site de l'anr
url_projets_10="https://www.data.gouv.fr/fr/datasets/r/afe3d11b-9ea2-48b0-9789-2816d5785466"
page_projets_10 = requests.get(url_projets_10).json()
colonnes_projets_10 = page_projets_10['columns']
donnees_projets_10 = page_projets_10['data']
df_projets=pd.DataFrame(data=donnees_projets_10,columns=colonnes_projets_10)
df_projets['index']=[x for x in range(len(df_projets))]
df_projets=df_projets.set_index('index')
df_projets=pd.merge(df_projets,df_partenaires,on='Projet.Code_Decision_ANR', how='left')
IA_keywords=['machine learning','learning machine','intelligence artificielle','artificial intelligence',' ai-',' ia-',' ai ',' ia ']
df_projets['title_resume']=df_projets['Projet.Titre.Anglais']+' '+df_projets['Projet.Resume.Anglais']
df_projets['oriente_ia']=df_projets['title_resume'].apply(lambda x: ia_proj(x))
print(len(df_projets[(df_projets['oriente_ia'])&(df_projets['AAP.Edition']>2018)&(df_projets['AAP.Edition']<2024)])/len(df_projets[(df_projets['AAP.Edition']>2018)&(df_projets['AAP.Edition']<2024)]))
df_projets_ia=df_projets[(df_projets['oriente_ia'])&(df_projets['AAP.Edition']>2018)&(df_projets['AAP.Edition']<2024)]
df_projets_ia[['Projet.Code_Decision_ANR','Projet.Acronyme','id_structure','persons']].to_excel('df_partenaires_ia.xlsx')