Oil_well_selection.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Выбор локации для скважины"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Предоставлены пробы нефти в трёх регионах: в каждом 10 000 месторождений, где измерили качество нефти и объём её запасов. Необходимо построить модель машинного обучения, которая поможет **определить регион**, где добыча принесёт наибольшую прибыль. Проанализировать **возможную прибыль и риски** техникой *Bootstrap.*"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Шаги для выбора локации:**\n",
    "- В избранном регионе ищут месторождения, для каждого определяют значения признаков;\n",
    "- Строят модель и оценивают объём запасов;\n",
    "- Выбирают месторождения с самым высокими оценками значений. Количество месторождений зависит от бюджета компании и стоимости разработки одной скважины;\n",
    "- Прибыль равна суммарной прибыли отобранных месторождений."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Условия задачи:**\n",
    "- Для обучения модели подходит только **линейная регрессия** (остальные — недостаточно предсказуемые).\n",
    "- При разведке региона исследуют 500 точек, из которых с помощью машинного обучения выбирают 200 лучших для разработки.\n",
    "- Бюджет на **разработку скважин** в регионе — 10 млрд рублей.\n",
    "- При нынешних ценах **доход с каждой единицы продукта** составляет 450 тыс. рублей, поскольку объём указан в тысячах баррелей.\n",
    "- После оценки рисков нужно оставить лишь те регионы, в которых **вероятность убытков** меньше 2.5%. Среди них выбирают регион с наибольшей средней прибылью.\n",
    "- Данные синтетические: детали контрактов и характеристики месторождений не разглашаются."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**План работы:**\n",
    "1. [Загрузка и знакомство с исходными данными.](#section_1)\n",
    "2. [Обучение и проверка модели.](#section_2)\n",
    "3. [Подготовка к расчёту прибыли.](#section_3)\n",
    "4. [Функция для расчёта прибыли.](#section_4)\n",
    "5. [Расчёт прибыли и рисков.](#section_5)\n",
    "6. [Итоговый вывод.](#section_5)\n",
    "___"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_1'></a>\n",
    "## 1. Загрузка и подготовка данных"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "from math import sqrt\n",
    "from matplotlib import pyplot as plt\n",
    "from scipy.stats import  percentileofscore\n",
    "\n",
    "from sklearn.metrics import mean_squared_error\n",
    "from sklearn.linear_model import LinearRegression\n",
    "from sklearn.model_selection import train_test_split"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### 1.1. Чтение и знакомство с данными"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>id</th>\n",
       "      <th>f0</th>\n",
       "      <th>f1</th>\n",
       "      <th>f2</th>\n",
       "      <th>product</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>txEyH</td>\n",
       "      <td>0.705745</td>\n",
       "      <td>-0.497823</td>\n",
       "      <td>1.221170</td>\n",
       "      <td>105.280062</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>2acmU</td>\n",
       "      <td>1.334711</td>\n",
       "      <td>-0.340164</td>\n",
       "      <td>4.365080</td>\n",
       "      <td>73.037750</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>409Wp</td>\n",
       "      <td>1.022732</td>\n",
       "      <td>0.151990</td>\n",
       "      <td>1.419926</td>\n",
       "      <td>85.265647</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>iJLyR</td>\n",
       "      <td>-0.032172</td>\n",
       "      <td>0.139033</td>\n",
       "      <td>2.978566</td>\n",
       "      <td>168.620776</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>Xdl7t</td>\n",
       "      <td>1.988431</td>\n",
       "      <td>0.155413</td>\n",
       "      <td>4.751769</td>\n",
       "      <td>154.036647</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "      id        f0        f1        f2     product\n",
       "0  txEyH  0.705745 -0.497823  1.221170  105.280062\n",
       "1  2acmU  1.334711 -0.340164  4.365080   73.037750\n",
       "2  409Wp  1.022732  0.151990  1.419926   85.265647\n",
       "3  iJLyR -0.032172  0.139033  2.978566  168.620776\n",
       "4  Xdl7t  1.988431  0.155413  4.751769  154.036647"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>id</th>\n",
       "      <th>f0</th>\n",
       "      <th>f1</th>\n",
       "      <th>f2</th>\n",
       "      <th>product</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>kBEdx</td>\n",
       "      <td>-15.001348</td>\n",
       "      <td>-8.276000</td>\n",
       "      <td>-0.005876</td>\n",
       "      <td>3.179103</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>62mP7</td>\n",
       "      <td>14.272088</td>\n",
       "      <td>-3.475083</td>\n",
       "      <td>0.999183</td>\n",
       "      <td>26.953261</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>vyE1P</td>\n",
       "      <td>6.263187</td>\n",
       "      <td>-5.948386</td>\n",
       "      <td>5.001160</td>\n",
       "      <td>134.766305</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>KcrkZ</td>\n",
       "      <td>-13.081196</td>\n",
       "      <td>-11.506057</td>\n",
       "      <td>4.999415</td>\n",
       "      <td>137.945408</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>AHL4O</td>\n",
       "      <td>12.702195</td>\n",
       "      <td>-8.147433</td>\n",
       "      <td>5.004363</td>\n",
       "      <td>134.766305</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "      id         f0         f1        f2     product\n",
       "0  kBEdx -15.001348  -8.276000 -0.005876    3.179103\n",
       "1  62mP7  14.272088  -3.475083  0.999183   26.953261\n",
       "2  vyE1P   6.263187  -5.948386  5.001160  134.766305\n",
       "3  KcrkZ -13.081196 -11.506057  4.999415  137.945408\n",
       "4  AHL4O  12.702195  -8.147433  5.004363  134.766305"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>id</th>\n",
       "      <th>f0</th>\n",
       "      <th>f1</th>\n",
       "      <th>f2</th>\n",
       "      <th>product</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>fwXo0</td>\n",
       "      <td>-1.146987</td>\n",
       "      <td>0.963328</td>\n",
       "      <td>-0.828965</td>\n",
       "      <td>27.758673</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>WJtFt</td>\n",
       "      <td>0.262778</td>\n",
       "      <td>0.269839</td>\n",
       "      <td>-2.530187</td>\n",
       "      <td>56.069697</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>ovLUW</td>\n",
       "      <td>0.194587</td>\n",
       "      <td>0.289035</td>\n",
       "      <td>-5.586433</td>\n",
       "      <td>62.871910</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>q6cA6</td>\n",
       "      <td>2.236060</td>\n",
       "      <td>-0.553760</td>\n",
       "      <td>0.930038</td>\n",
       "      <td>114.572842</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>WPMUX</td>\n",
       "      <td>-0.515993</td>\n",
       "      <td>1.716266</td>\n",
       "      <td>5.899011</td>\n",
       "      <td>149.600746</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "      id        f0        f1        f2     product\n",
       "0  fwXo0 -1.146987  0.963328 -0.828965   27.758673\n",
       "1  WJtFt  0.262778  0.269839 -2.530187   56.069697\n",
       "2  ovLUW  0.194587  0.289035 -5.586433   62.871910\n",
       "3  q6cA6  2.236060 -0.553760  0.930038  114.572842\n",
       "4  WPMUX -0.515993  1.716266  5.899011  149.600746"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "try:\n",
    "    try:\n",
    "        # домашняя версия\n",
    "        df1 = pd.read_csv('datasets\\geo_data_0.csv')\n",
    "        df2 = pd.read_csv('datasets\\geo_data_1.csv')\n",
    "        df3 = pd.read_csv('datasets\\geo_data_2.csv')\n",
    "    except:\n",
    "        # сетевая версия\n",
    "        df1 = pd.read_csv('/datasets/geo_data_0.csv')\n",
    "        df2 = pd.read_csv('/datasets/geo_data_1.csv')\n",
    "        df3 = pd.read_csv('/datasets/geo_data_2.csv')\n",
    "    \n",
    "    # вывод прочитанных данных\n",
    "    display(df1.head())\n",
    "    display(df2.head())\n",
    "    display(df3.head())\n",
    "    \n",
    "except:\n",
    "    print('Не удалось прочесть файл. Возможно, был указан неверный путь.')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Описание данных**\n",
    "\n",
    "Признаки: `f0`, `f1`, `f2` — _три характеристики качества нефти скважины_\n",
    "\n",
    "Целевой признак: `product` — _объём запасов в скважине (тыс. баррелей)_\n",
    "\n",
    "Вспомогательная колонка: `id` — _уникальный идентификатор скважины_\n",
    "\n",
    "Исходные данные: `geo_data_0`, `geo_data_1`, `geo_data_2` сохранены в: `df1` (Регион №1), `df2`(Регион №2), `df3` (Регион №3), соответственно."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### 1.2. Контроль пропусков, дубликатов и типов данных"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "\n",
      "------------< РЕГИОН №1 >------------\n",
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 100000 entries, 0 to 99999\n",
      "Data columns (total 5 columns):\n",
      " #   Column   Non-Null Count   Dtype  \n",
      "---  ------   --------------   -----  \n",
      " 0   id       100000 non-null  object \n",
      " 1   f0       100000 non-null  float64\n",
      " 2   f1       100000 non-null  float64\n",
      " 3   f2       100000 non-null  float64\n",
      " 4   product  100000 non-null  float64\n",
      "dtypes: float64(4), object(1)\n",
      "memory usage: 3.8+ MB\n",
      "None\n",
      "Явные дубликаты: 0\n",
      "Неявные дубликаты: 10\n",
      "\n",
      "------------< РЕГИОН №2 >------------\n",
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 100000 entries, 0 to 99999\n",
      "Data columns (total 5 columns):\n",
      " #   Column   Non-Null Count   Dtype  \n",
      "---  ------   --------------   -----  \n",
      " 0   id       100000 non-null  object \n",
      " 1   f0       100000 non-null  float64\n",
      " 2   f1       100000 non-null  float64\n",
      " 3   f2       100000 non-null  float64\n",
      " 4   product  100000 non-null  float64\n",
      "dtypes: float64(4), object(1)\n",
      "memory usage: 3.8+ MB\n",
      "None\n",
      "Явные дубликаты: 0\n",
      "Неявные дубликаты: 4\n",
      "\n",
      "------------< РЕГИОН №3 >------------\n",
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 100000 entries, 0 to 99999\n",
      "Data columns (total 5 columns):\n",
      " #   Column   Non-Null Count   Dtype  \n",
      "---  ------   --------------   -----  \n",
      " 0   id       100000 non-null  object \n",
      " 1   f0       100000 non-null  float64\n",
      " 2   f1       100000 non-null  float64\n",
      " 3   f2       100000 non-null  float64\n",
      " 4   product  100000 non-null  float64\n",
      "dtypes: float64(4), object(1)\n",
      "memory usage: 3.8+ MB\n",
      "None\n",
      "Явные дубликаты: 0\n",
      "Неявные дубликаты: 4\n"
     ]
    }
   ],
   "source": [
    "for df, reg in zip([df1, df2, df3], ['РЕГИОН №1','РЕГИОН №2','РЕГИОН №3']):\n",
    "    print(f'\\n------------< {reg} >------------')\n",
    "    print(df.info())\n",
    "    print('Явные дубликаты:', df.duplicated().sum())\n",
    "    print('Неявные дубликаты:', df['id'].duplicated().sum())    "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Вывод:** Пропуски и явные дубликаты объектов - отсутствую. Встречается дублирование скважин (колонка `id`), но кол-во повторов невелико: 4-10 из 10 тыс. объектов. Возможно, это повторные измерения. Эти объекты можно оставить, т.к. если их присутствие и вносит ошибку, то небольшую, а модель будет их рассматривать как индивидуальные объекты.\n",
    "Необходимости в кодировании и масштабировании данных нет.\n",
    "___"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_2'></a>\n",
    "## 2. Обучение и проверка модели"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Необходимо:\n",
    "- Разбить данные на обучающую и валидационную выборки в соотношении 75:25.\n",
    "- Обучить модель и сделайте предсказания на валидационной выборке.\n",
    "- Сохранить предсказания и правильные ответы на валидационной выборке.\n",
    "- Напечатать на экране средний запас предсказанного сырья и RMSE модели.\n",
    "- Проанализировать результаты."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "\n",
      "-----------------------------< РЕГИОН №1 >-----------------------------\n",
      "Средний запас предсказанного сырья для одной точки: 92.4 тыс. баррелей,\n",
      "                         с абсолютной погрешностью ±37.56 тыс. баррелей,\n",
      "                                 или относительной ±40.6%\n",
      "\n",
      "-----------------------------< РЕГИОН №2 >-----------------------------\n",
      "Средний запас предсказанного сырья для одной точки: 68.8 тыс. баррелей,\n",
      "                         с абсолютной погрешностью ±0.89 тыс. баррелей,\n",
      "                                 или относительной ±1.3%\n",
      "\n",
      "-----------------------------< РЕГИОН №3 >-----------------------------\n",
      "Средний запас предсказанного сырья для одной точки: 94.9 тыс. баррелей,\n",
      "                         с абсолютной погрешностью ±40.10 тыс. баррелей,\n",
      "                                 или относительной ±42.3%\n"
     ]
    }
   ],
   "source": [
    "targets = []\n",
    "predictions = []\n",
    "\n",
    "for df, reg in zip([df1, df2, df3], ['РЕГИОН №1','РЕГИОН №2','РЕГИОН №3']):\n",
    "    \n",
    "    # выделение признаков\n",
    "    main_features = df[['f0', 'f1', 'f2']]\n",
    "    main_target = df['product']\n",
    "    \n",
    "    # разделение данных на обучающую и валидационные выборки\n",
    "    features_train, features_valid, target_train, target_valid = train_test_split(main_features,\n",
    "                                                                                  main_target,\n",
    "                                                                                  train_size=0.75,\n",
    "                                                                                  random_state=1234)\n",
    "    \n",
    "    # обучение модели и предсказание объёмов сырья\n",
    "    model = LinearRegression()\n",
    "    model.fit(features_train, target_train)\n",
    "    prediction_valid = model.predict(features_valid)\n",
    "    rmse = sqrt(mean_squared_error(target_valid, prediction_valid))\n",
    "    \n",
    "    # сохранение целевых признаков и предсказаний на валидационной выборке.\n",
    "    targets.append(list(target_valid))\n",
    "    predictions.append(prediction_valid)\n",
    "    \n",
    "    # вывод результатов\n",
    "    print(f'\\n-----------------------------< {reg} >-----------------------------')\n",
    "    print('Средний запас предсказанного сырья для одной точки: {:.1f} тыс. баррелей,'.format(prediction_valid.mean()))\n",
    "    print('                         с абсолютной погрешностью ±{:.2f} тыс. баррелей,'.format(rmse))\n",
    "    print('                                 или относительной ±{:.1f}%'.format(rmse / prediction_valid.mean() * 100))\n",
    "\n",
    "# сохранение цел. признаков по регионам\n",
    "target_valid_1 = pd.Series(targets[0])\n",
    "target_valid_2 = pd.Series(targets[1])\n",
    "target_valid_3 = pd.Series(targets[2])\n",
    "\n",
    "# сохранение предсказаний по регионам\n",
    "prediction_valid_1 = pd.Series(predictions[0])\n",
    "prediction_valid_2 = pd.Series(predictions[1])\n",
    "prediction_valid_3 = pd.Series(predictions[2])"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Вывод:** Из исходных данных, значения колонки `id` не будут приниматься в качестве признаков - т.к. они представляют из себя _уникальные имена_ скважин. Каждый датафрейм обрабатывается индивидуально, последовательно друг за другом. Исходная выборка разделена на **обучающую** (75%) и **валидационную** (25%), на которой спрогнозирован объём сырья и расчитано отклонение (_RMSE_). Результаты сохранены. Средний запас сырья и погрешность предсказаний выведены на экран.\n",
    "\n",
    "**Регион №1** и **№3** - _средние запасы_ скважины одинаково высокий (92 и 94 тыс.бар., соответственно), но предсказание имеет большую _погрешность_ (±40%), в отличии от **региона №2** в котором _средние запасы_ скважины значительно меньше, но их объём получилось предсказать весьма точно: ±1.3% (0.89 тыс.бар.)\n",
    "___"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_3'></a>\n",
    "## 3. Подготовка к расчёту прибыли"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Раздел содержит следующие пункты:\n",
    "- Все ключевые значения для расчётов сохранить в отдельных переменных.\n",
    "- Рассчитать достаточный объём сырья для безубыточной разработки новой скважины. Сравнить полученный объём сырья со средним запасом в каждом регионе. \n",
    "- Написать выводы по этапу подготовки расчёта прибыли."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Объявленные переменные, их описание и значения:**\n",
    "- `oil_price` (_стоимость готовой продукции_)  =  450 000₽ / тыс.баррелей.\n",
    "- `wells_price` (_себестоимость добычи_)  =  10 000 000 000₽ / 200 скважин.\n",
    "- `wells_count` (_количество скважин_)  = 200 шт.\n",
    "- `revenue` (_оборот_)  =  стоимость продукции * объём продукции\n",
    "- `gross_profit` (_валовая прибыль_)  =  оборот - себестоимости\n",
    "- `operating_cost` (_операционные расходы_): неизвестны, из-за чего не получится рассчитать _чистую прибыль_.\n",
    "\n",
    "*все денежные значения измеряются в _российских рублях_ (₽)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Достаточный объём сырья для безубыточной разработки новой скважины: 111.11 тыс.бар.\n"
     ]
    }
   ],
   "source": [
    "oil_price = 450000   # доход с тысячи баррелей продукта (значение в рублях)\n",
    "wells_price = 10**10 # стоимость разработки скважин для одного региона (значение в рублях)\n",
    "wells_count = 200    # кол-во скважин в пределах одного региона\n",
    "\n",
    "oil_min_count = wells_price / wells_count / oil_price\n",
    "print('Достаточный объём сырья для безубыточной разработки новой скважины: {:.2f} тыс.бар.'.format(oil_min_count))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Вывод:** Это начальный этап расчёта прибыли, на котором были **введены ключевые величины** для расчёта прибыли. Их значения и формула расчёта были описаны в соответствующем разделе, выше. Так же высчитан **минимальный объём сырья**, который компенсирует себестоимость добычи: **111.(1) тыс.бар.**\n",
    "___"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_4'></a>\n",
    "## 4. Функция для расчёта прибыли"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Этапы:\n",
    "- `sorted_prediction` - отбор 200 лучших скважин по объёму сырья\n",
    "- `selected_target` - значения объёма сырья для отобранных скважин\n",
    "- `product_sum` - суммирования объёма сырья\n",
    "- `profit` - величина прибыли за вычетом затрат на разработку месторождений (значение в млн.₽)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [],
   "source": [
    "def profit_calculation(prediction, target, oil_price, wells_price, wells_count):\n",
    "    sorted_prediction = prediction.sort_values(ascending=False)[0:wells_count]\n",
    "    selected_target = target[sorted_prediction.index]\n",
    "    product_sum = sum(selected_target)\n",
    "    profit = (product_sum * oil_price - wells_price) / (10**6)\n",
    "    return profit"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "___"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_5'></a>\n",
    "## 5. Расчёт прибыли и рисков "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Раздел содержит следующие пункты:\n",
    "- Выбор скважины с максимальными значениями предсказаний. \n",
    "- Суммирование целевого значения объёма сырья, соответствующее этим предсказаниям.\n",
    "- Расчёт прибыли для полученного объёма сырья.\n",
    "- Применение техники _Bootstrap_ с 1000 выборок, чтобы найти распределение прибыли.\n",
    "- Поиск средней прибыли, 95%-й доверительный интервал и риска убытков."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {
    "scrolled": false
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "\n",
      "--------------------------< РЕГИОН №1 >--------------------------\n",
      "Средняя прибыль региона: 387.5 млн.₽\n",
      "95% вероятной прибыли находится в интервале: [-164.6; 872.4] млн.₽\n",
      "Риск убытков: 6.9%\n",
      "\n",
      "--------------------------< РЕГИОН №2 >--------------------------\n",
      "Средняя прибыль региона: 419.1 млн.₽\n",
      "95% вероятной прибыли находится в интервале: [26.0; 803.8] млн.₽\n",
      "Риск убытков: 1.8%\n",
      "\n",
      "--------------------------< РЕГИОН №3 >--------------------------\n",
      "Средняя прибыль региона: 354.7 млн.₽\n",
      "95% вероятной прибыли находится в интервале: [-172.9; 889.2] млн.₽\n",
      "Риск убытков: 10.6%\n"
     ]
    },
    {
     "data": {
      "image/png": "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",
      "text/plain": [
       "<Figure size 576x360 with 1 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "profit_list = []\n",
    "state = np.random.RandomState(12345)\n",
    "\n",
    "for prediction, target, reg in zip([prediction_valid_1, prediction_valid_2, prediction_valid_3],\n",
    "                                   [target_valid_1, target_valid_2, target_valid_3],\n",
    "                                   ['РЕГИОН №1', 'РЕГИОН №2', 'РЕГИОН №3']):\n",
    "    \n",
    "    # примените техники Bootstrap для 1000 выборок\n",
    "    profit_list = []\n",
    "    for i in range(1000):\n",
    "        subsample = prediction.sample(n=500, replace=True, random_state=state) # создание случайной подвыборки на 500 объектов\n",
    "        gross_profit = profit_calculation(subsample, target, oil_price, wells_price, wells_count) # расчёт валовой прибыли\n",
    "        profit_list.append(gross_profit) # сохранение результата\n",
    "    \n",
    "    # вывод результатов \n",
    "    profits = pd.Series(profit_list).sort_values(ignore_index=True)\n",
    "    print(f'\\n--------------------------< {reg} >--------------------------')\n",
    "    print('Средняя прибыль региона: {:.1f} млн.₽'.format(profits.mean()))\n",
    "    print('95% вероятной прибыли находится в интервале: [{:.1f}; {:.1f}] млн.₽'.format(profits.quantile(0.025),\n",
    "                                                                                          profits.quantile(0.975)))\n",
    "    print('Риск убытков: {:.1f}%'.format(percentileofscore(profits, -0)))\n",
    "    \n",
    "    # изображение распределение прибыли\n",
    "    profits.plot(label=reg, legend=True,\n",
    "                 figsize=(8, 5), grid=True,\n",
    "                 ylabel='Валовая прибыль, млн.₽',\n",
    "                 title='График распределения прибыли')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "<a id='section_6'></a>\n",
    "**ИТОГ:** техникой _Bootstrap_ были перебраны 1000 комбинаций выборок по 500 случайных скважин, из числа которых отбирались 200 лучших (по объёму предсказанных запасов) и на их примере рассчитывалась возможная прибыль. Функция расчёта прибыли описана в предыдущем разделе. Из тысячи полученных значений прибыли получилось распределение, которое изображено на графике. Для оценки возможных значений прибыли был взят 95% доверительный интервал.\n",
    "\n",
    "**Регион №1** и **№3** имеют наибольший диапазон значений прибыли, часть которого лежит в зоне убытков, риск которого: 6.9% и 10.6%, соответственно.\n",
    "**Регион №2** имеет наибольшую _среднюю прибыль_ **419 млн.₽**, и минимальную долю _риска_: **1.8%**, что соответствует ключевому условию выбора региона, и определяет его, как единственный регион для добычи с наибольшей прибылью."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.8"
  },
  "toc": {
   "base_numbering": 1,
   "nav_menu": {},
   "number_sections": true,
   "sideBar": true,
   "skip_h1_title": true,
   "title_cell": "Table of Contents",
   "title_sidebar": "Contents",
   "toc_cell": false,
   "toc_position": {},
   "toc_section_display": true,
   "toc_window_display": false
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}