Testauswertung zusammengeführt und in den Testablauf integriert

In excel_processing habe ich nur den Funktionsaufruf der Evaluation hinzugefügt, die evaluation enthält die Funktionalitäten aus dem Testauswertung-Ordner

code/excel_evaluation.py

@@ -0,0 +1,151 @@
+import openpyxl
+
+def excel_row_to_string(file_path):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Erhalte die angegebene Zeile als Liste von Zellen
+    row_values = [cell.value for cell in sheet[2]]
+
+    # Ergebnisse werden ab Spalte 5 eingetragen
+    selected_columns = list(range(4, len(row_values)))
+
+    # Wähle nur die gewünschten Spalten aus
+    selected_values = [row_values[col] for col in selected_columns]
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+    # Konvertiere die Liste von Zellen in einen String
+    row_string = ', '.join(str(value) for value in selected_values)
+
+    return row_string
+
+def write_subdivided_string_to_excel(file_path, input_string):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Teile den String nach jedem Komma auf
+    parts = input_string.split(',')
+
+    # Trage jeden Teil des Strings in eine neue Zeile ein
+    for i, part in enumerate(parts, 1):
+
+        #Spalte 17 kann sich je nach Tabellenstruktur ändern!
+        sheet.cell(row=2 + i - 1, column=17, value=part.strip())  # strip entfernt mögliche Leerzeichen
+
+    # Speichere die Änderungen
+    workbook.save(file_path)
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+def read_columns(file_path):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Lese die Werte der beiden Spalten aus
+    values_column1 = [cell.value for cell in sheet['O']][1:]
+    values_column2 = [cell.value for cell in sheet['Q']][1:]
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+    return values_column1, values_column2
+
+def calculate_deviation(liste1, liste2):
+    # Überprüfe, ob die Listen die gleiche Länge haben
+    if len(liste1) != len(liste2):
+        raise ValueError("Die Listen müssen die gleiche Länge haben")
+
+    # Berechne die prozentuale Abweichung zwischen den Werten
+    deviations = [((abs(float(b) - float(a)) / float(a)) * 100) if float(a) != 0 else None for a, b in zip(liste1, liste2)]
+
+    return deviations
+
+def write_string_to_excel(file_path, input_string, column):
+    # Öffne die Excel-Datei
+    workbook = openpyxl.load_workbook(file_path)
+
+    # Wähle das Arbeitsblatt aus
+    sheet = workbook['Sheet1']
+
+    # Trage jeden Buchstaben des Strings in eine eigene Zeile ein
+    for i, char in enumerate(input_string, 1):
+        sheet.cell(row=2 + i - 1, column=column, value=char)
+
+    # Speichere die Änderungen
+    workbook.save(file_path)
+
+    # Schließe die Excel-Datei
+    workbook.close()
+
+def copy_header(input_sheet, output_sheet):
+    # Kopiere den Header manuell in das Ausgabe-Arbeitsblatt
+    for row in input_sheet.iter_rows(min_row=1, max_row=1, values_only=True):
+        output_sheet.append(row)
+
+def sort_excel(input_file_path, output_file_path, ):
+    # Öffne die Eingabe-Excel-Datei
+    input_workbook = openpyxl.load_workbook(input_file_path)
+    input_sheet = input_workbook['Sheet1']
+
+    # Erstelle eine neue Excel-Tabelle für die sortierten Zeilen
+    output_workbook = openpyxl.Workbook()
+    output_sheet = output_workbook.active
+
+    # Kopiere den Header ins Ausgabe-Arbeitsblatt
+    copy_header(input_sheet, output_sheet)
+
+    # Lese die Daten-Zeilen aus der Tabelle
+    data_rows = list(input_sheet.iter_rows(min_row=2, values_only=True))
+
+    # Sortiere die Daten-Zeilen nach dem Wert der angegebenen Spalte
+    sorted_data_rows = sorted(data_rows, key=lambda x: x[18 - 1])  # -1, da Listenindizes bei 0 beginnen
+
+    # Schreibe die sortierten Daten-Zeilen in die neue Tabelle
+    for row in sorted_data_rows:
+        output_sheet.append(row)
+
+    # Speichere die Änderungen in der neuen Excel-Datei
+    output_workbook.save(output_file_path)
+
+    # Schließe die Excel-Dateien
+    input_workbook.close()
+    output_workbook.close()
+
+
+#Sollten mehrere Testruns ausgewertet werden wollen, müssen die enthaltenen Funktionen umstrukturiert werden
+#Aktuell wird nur der Testrun in Zeile 1 ausgewertet
+#Eine Weitere Funktion, die zwei Tabellenzeilen tauscht, wäre der einfachste workaround
+def evaluation(testcases, testruns):
+    
+    #liest die Ergebnisse des Testruns aus
+    #bei mehreren Testruns muss diese Funktion angepasst werden!
+    input_string = excel_row_to_string(testruns)
+
+    #schreibt die Berechneten Ergebnisse in die Testcases-Tabelle
+    write_subdivided_string_to_excel(testcases, input_string)
+
+    #liest die gemessenen und die errechneten Werte aus den Testcases
+    values_col1, values_col2 = read_columns(testcases)
+
+    #berechnet aus diesen Werten die prozentuale Abweichung
+    deviations = calculate_deviation(values_col1, values_col2)
+
+    #Trägt die prozentualen Abweichungen in die Testcases-Tabelle
+    #je nach Tabellenstruktur kann sich die 18 ändern!
+    write_string_to_excel(testcases, deviations, 18)
+
+    #Gibt die eine Kopie der Testcases-Tabelle sortiert nach Genauigkeit aus
+    sort_excel(testcases, 'Testcases_nach_Genauigkeit.xlsx')
+

code/excel_processing.py

@@ -1,132 +1,139 @@
-"""
-Abhängigkeiten:
-- pyramids (für den Aufbau der Bildpyramiden)
-- heartrate (zur Berechnung der Herzfrequenz)
-- preprocessing (für die Video-Vorverarbeitung)
-- eulerian (für die Euler'sche Video-Magnifikation)
-- tkinter und constants (für die GUI und Konstantenverwaltung)
-
-Autor: Roberto Gelsinger
-Datum: 07.12.2023
-Version: Modulversion
-"""
-
-import pyramids
-import heartrate
-import facedetection
-import eulerian
-from constants import freq_max, freq_min
-import pandas as pd
-from excel_update import color_cells_based_on_deviation
-
-
-def process_video_for_excel(selected_video_name):
-    """
-    Verarbeitet ein ausgewähltes Video, um die Herzfrequenz der abgebildeten Person zu ermitteln.
-
-    Dieser Prozess umfasst die Vorverarbeitung des Videos, den Aufbau einer Laplace-Pyramide,
-    die Anwendung von FFT-Filterung und Euler'scher Magnifikation, und schließlich die Berechnung
-    der Herzfrequenz aus den Video-Daten.
-
-    Args:
-    selected_video_name (str): Der Name des zu verarbeitenden Videos.
-
-    Returns:
-    None: Die Funktion gibt direkt die berechnete Herzfrequenz auf der Konsole aus.
-    """
-
-   
-   
-    print("Reading + preprocessing video...")
-    video_frames, frame_ct, fps = facedetection.read_video("videos/"+selected_video_name)
-
-
-    print("Building Laplacian video pyramid...")
-    lap_video = pyramids.build_video_pyramid(video_frames)
-
-
-
-    for i, video in enumerate(lap_video):
-        if i == 0 or i == len(lap_video)-1:
-            continue
-
-        print("Running FFT and Eulerian magnification...")
-        result, fft, frequencies = eulerian.fft_filter(video, freq_min, freq_max, fps)
-        lap_video[i] += result
-
-
-        print("Calculating heart rate...")
-        heart_rate = heartrate.find_heart_rate(fft, frequencies, freq_min, freq_max)
-
-
-
-
-
-    print("Heart rate: ", heart_rate*0.7, "bpm")
-    return heart_rate *0.7
-
-
-
-def process_all_videos_and_save_results(testcase_excel_file_path, testruns_excel_file_path, code_version, kommentar):
-
-    try:
-        df_testruns = pd.read_excel(testruns_excel_file_path)
-    except FileNotFoundError:
-        df_testruns = pd.DataFrame()
-
-
-    df_testcases = pd.read_excel(testcase_excel_file_path)
-
-    existing_testcases = [col for col in df_testruns.columns if col.startswith('Testcase_')]
-
-    new_testcases = [f'Testcase_{tc}' for tc in df_testcases['Testcase'] if f'Testcase_{tc}' not in existing_testcases]
-
-
-    if df_testruns.empty:
-        df_testruns = pd.DataFrame(columns=['Testnummer', 'Codeversion', 'Kommentar', 'Abweichung'])
-    
-
-    for col in new_testcases:
-        df_testruns[col] = None 
-    
-
-    df_testruns.to_excel(testruns_excel_file_path, index=False)
-
-    if new_testcases:
-        print(f"Folgende neue Testcases wurden hinzugefügt: {new_testcases}")
-    else:
-        print("Keine neuen Testcases zum Hinzufügen gefunden.")
-
-    next_testcase_index = len(df_testruns) + 1
-
-
-    new_run = {
-        'Testnummer': next_testcase_index,
-        'Codeversion': code_version,
-        'Kommentar': kommentar,
-        'Abweichung': 'Wert_für_Abweichung'  
-    }
-
-
-    for index, row in df_testcases.iterrows():
-        video_name = row['VideoName']
-        heart_rate = process_video_for_excel(video_name)
-
-
-        testcase_column_name = f'Testcase_{row["Testcase"]}'
-        new_run[testcase_column_name] = heart_rate
-
-    try:
-
-        df_testruns = df_testruns._append(new_run, ignore_index=True)
-    except TypeError:
-        pass
-
-
-    df_testruns.to_excel(testruns_excel_file_path, index=False)
-
-    print("Testrun wurde verarbeitet und das Ergebnis in der Testruns-Excel-Datei gespeichert.")
-
-    color_cells_based_on_deviation(testruns_excel_file_path, testcase_excel_file_path)
-
-    print("Zellen gefärbt")
+"""
+Abhängigkeiten:
+- pyramids (für den Aufbau der Bildpyramiden)
+- heartrate (zur Berechnung der Herzfrequenz)
+- preprocessing (für die Video-Vorverarbeitung)
+- eulerian (für die Euler'sche Video-Magnifikation)
+- tkinter und constants (für die GUI und Konstantenverwaltung)
+
+Autor: Roberto Gelsinger
+Datum: 07.12.2023
+Version: Modulversion
+"""
+
+import pyramids
+import heartrate
+import facedetection
+import eulerian
+from constants import freq_max, freq_min
+import pandas as pd
+from excel_update import color_cells_based_on_deviation
+from excel_evaluation import evaluation
+
+
+def process_video_for_excel(selected_video_name):
+    """
+    Verarbeitet ein ausgewähltes Video, um die Herzfrequenz der abgebildeten Person zu ermitteln.
+
+    Dieser Prozess umfasst die Vorverarbeitung des Videos, den Aufbau einer Laplace-Pyramide,
+    die Anwendung von FFT-Filterung und Euler'scher Magnifikation, und schließlich die Berechnung
+    der Herzfrequenz aus den Video-Daten.
+
+    Args:
+    selected_video_name (str): Der Name des zu verarbeitenden Videos.
+
+    Returns:
+    None: Die Funktion gibt direkt die berechnete Herzfrequenz auf der Konsole aus.
+    """
+
+   
+   
+    print("Reading + preprocessing video...")
+    video_frames, frame_ct, fps = facedetection.read_video("videos/"+selected_video_name)
+
+    print(len(video_frames))
+    
+    print("Building Laplacian video pyramid...")
+    lap_video = pyramids.build_video_pyramid(video_frames)
+
+    print(len(lap_video))
+
+    for i, video in enumerate(lap_video):
+        print("test")
+        if i == 0 or i == len(lap_video)-1:
+            continue
+
+        print("Running FFT and Eulerian magnification...")
+        result, fft, frequencies = eulerian.fft_filter(video, freq_min, freq_max, fps)
+        lap_video[i] += result
+
+
+        print("Calculating heart rate...")
+        heart_rate = heartrate.find_heart_rate(fft, frequencies, freq_min, freq_max)
+
+
+
+
+
+    print("Heart rate: ", heart_rate*0.7, "bpm")
+    return heart_rate *0.7
+
+
+
+def process_all_videos_and_save_results(testcase_excel_file_path, testruns_excel_file_path, code_version, kommentar):
+
+    try:
+        df_testruns = pd.read_excel(testruns_excel_file_path)
+    except FileNotFoundError:
+        df_testruns = pd.DataFrame()
+
+
+    df_testcases = pd.read_excel(testcase_excel_file_path)
+
+    existing_testcases = [col for col in df_testruns.columns if col.startswith('Testcase_')]
+
+    new_testcases = [f'Testcase_{tc}' for tc in df_testcases['Testcase'] if f'Testcase_{tc}' not in existing_testcases]
+
+
+    if df_testruns.empty:
+        df_testruns = pd.DataFrame(columns=['Testnummer', 'Codeversion', 'Kommentar', 'Abweichung'])
+    
+
+    for col in new_testcases:
+        df_testruns[col] = None 
+    
+
+    df_testruns.to_excel(testruns_excel_file_path, index=False)
+
+    if new_testcases:
+        print(f"Folgende neue Testcases wurden hinzugefügt: {new_testcases}")
+    else:
+        print("Keine neuen Testcases zum Hinzufügen gefunden.")
+
+    next_testcase_index = len(df_testruns) + 1
+
+
+    new_run = {
+        'Testnummer': next_testcase_index,
+        'Codeversion': code_version,
+        'Kommentar': kommentar,
+        'Abweichung': 'Wert_für_Abweichung'  
+    }
+
+
+    for index, row in df_testcases.iterrows():
+        video_name = row['VideoName']
+        heart_rate = process_video_for_excel(video_name)
+
+
+        testcase_column_name = f'Testcase_{row["Testcase"]}'
+        new_run[testcase_column_name] = heart_rate
+
+    try:
+
+        df_testruns = df_testruns._append(new_run, ignore_index=True)
+    except TypeError:
+        pass
+
+
+    df_testruns.to_excel(testruns_excel_file_path, index=False)
+
+    print("Testrun wurde verarbeitet und das Ergebnis in der Testruns-Excel-Datei gespeichert.")
+
+    color_cells_based_on_deviation(testruns_excel_file_path, testcase_excel_file_path)
+
+    print("Zellen gefärbt")
+
+    evaluation(testcase_excel_file_path, testruns_excel_file_path)
+
+    print("Testcases sortiert")