Guía de automatización y scripts Python

de IBM SPSS Modeler 18.3

IBM
 Nota
Antes de utilizar esta información y el producto al que da soporte, lea la información del apartado
“Avisos” en la página 483.

Información del producto

Esta edición se aplica a la versión 18, release 3, modificación 0 de IBM® SPSS Modeler y a todos los releases y las
modificaciones posteriores, hasta que se indique lo contrario en nuevas ediciones.
© Copyright International Business Machines Corporation .
Contenido

Capítulo 1. Scripts y lenguaje de scripts................................................................. 1

Conceptos básicos de scripts...................................................................................................................... 1
Tipos de scripts............................................................................................................................................ 1
Scripts de ruta.............................................................................................................................................. 1
Ejemplo de script de ruta: entrenamiento de una red neuronal........................................................... 3
Límites de tamaño de código Jython..................................................................................................... 3
Scripts autónomos....................................................................................................................................... 4
Ejemplo de script autónomo: guardar y cargar un modelo................................................................... 4
Ejemplo de script autónomo: Generación de un modelo de selección de características...................5
Scripts de Supernodo...................................................................................................................................5
Script de supernodo de ejemplo............................................................................................................ 6
Creación de bucles y ejecución condicional en rutas................................................................................. 6
Bucles en rutas....................................................................................................................................... 7
Ejecución condicional en rutas............................................................................................................ 10
Ejecutar e interrumpir scripts ................................................................................................................... 12
Buscar y reemplazar.................................................................................................................................. 12

Capítulo 2. Language de scripts............................................................................15

Conceptos básicos de lenguaje de script.................................................................................................. 15
Python y Jython......................................................................................................................................... 15
Scripts de Python....................................................................................................................................... 16
Operaciones..........................................................................................................................................16
Listas.....................................................................................................................................................16
Cadenas................................................................................................................................................ 17
Observaciones...................................................................................................................................... 19
Sintaxis de las sentencias.................................................................................................................... 19
Identificadores..................................................................................................................................... 19
Bloques de código................................................................................................................................ 20
Pasar argumentos a un script.............................................................................................................. 20
Ejemplos............................................................................................................................................... 20
Métodos matemáticos..........................................................................................................................21
Utilización de caracteres no ASCII...................................................................................................... 23
Programación orientada a objetos............................................................................................................ 24
Definición de una clase........................................................................................................................ 24
Creación de una instancia de clase......................................................................................................25
Añadir atributos a una instancia de clase............................................................................................25
Definición de atributos de clase y métodos........................................................................................ 25
Variables ocultas.................................................................................................................................. 26
Heredado.............................................................................................................................................. 26

Capítulo 3. Scripts de IBM SPSS Modeler..............................................................27

Tipos de scripts..........................................................................................................................................27
Rutas, rutas de supernodo y diagramas....................................................................................................27
Rutas.....................................................................................................................................................27
Rutas de Supernodo............................................................................................................................. 27
Diagramas.............................................................................................................................................27
Ejecución de una ruta................................................................................................................................ 27
El contexto de los scripts...........................................................................................................................28
Referencia a nodos existentes.................................................................................................................. 29
Buscar nodos........................................................................................................................................ 29

iii
 Establecimiento de propiedades......................................................................................................... 30
Creación de nodos y modificación de rutas.............................................................................................. 31
Creación de nodos................................................................................................................................31
Enlazar y desenlazar nodos..................................................................................................................32
Importar, sustituir y eliminar nodos.................................................................................................... 33
Atravesar los nodos de una ruta.......................................................................................................... 34
Borrado o eliminación de elementos........................................................................................................ 35
Obtener información sobre los nodos....................................................................................................... 35

Capítulo 4. API de scripts.................................................................................... 39

Introducción a la API de scripts................................................................................................................ 39
Ejemplo 1: buscar nodos utilizando un filtro personalizado.................................................................... 39
Ejemplo 2: permitir a los usuarios obtener información de directorio o archivo basándose en sus
privilegios..............................................................................................................................................39
Metadatos: información sobre datos........................................................................................................ 40
Acceso a objetos generados......................................................................................................................43
Manejo de errores...................................................................................................................................... 44
Parámetros de ruta, sesión y Supernodo.................................................................................................. 45
Valores globales.........................................................................................................................................48
Trabajar con varias rutas: Scripts autónomos...........................................................................................49

Capítulo 5. Sugerencias para scripts.................................................................... 51

Modificación de ejecución de rutas...........................................................................................................51
Nodos de recorrido en bucle..................................................................................................................... 51
Acceso a objetos en el Repositorio de IBM SPSS Collaboration and Deployment Services ...................51
Generación de una contraseña codificada................................................................................................54
Comprobación de script.............................................................................................................................54
Scripts desde la línea de comandos..........................................................................................................54
Compatibilidad con releases anteriores................................................................................................... 55
Acceder a resultados de ejecución de la ruta .......................................................................................... 55
Modelo de contenido de tabla .............................................................................................................56
Modelo de contenido XML ................................................................................................................... 57
Modelo de contenido JSON .................................................................................................................59
Modelo de contenido de estadísticas de columna y modelo de contenido de estadísticas por
pares................................................................................................................................................ 61

Capítulo 6. Argumentos de la línea de comandos.................................................. 65

Invocación del software............................................................................................................................ 65
Utilización de argumentos de la línea de comandos................................................................................ 65
Argumentos del sistema...................................................................................................................... 66
Argumentos de parámetros................................................................................................................. 67
Argumentos de conexión del servidor................................................................................................. 68
Repositorio de IBM SPSS Collaboration and Deployment Services Argumentos de conexión..........69
Argumentos de conexión de IBM SPSS Analytic Server......................................................................70
Combinación de varios argumentos.................................................................................................... 70

Capítulo 7. Referencia de propiedades................................................................. 73

Conceptos básicos de referencia de propiedades....................................................................................73
Sintaxis para propiedades....................................................................................................................73
Ejemplos de las propiedades node y stream.......................................................................................75
Conceptos básicos de propiedades de nodo............................................................................................ 75
Propiedades de nodos comunes..........................................................................................................76

Capítulo 8. Propiedades de ruta ..........................................................................77

Capítulo 9. Propiedades de nodos de origen......................................................... 83

iv
 Propiedades comunes de nodos de origen............................................................................................... 83
Propiedades de asimport...........................................................................................................................90
Propiedades del nodo cognosimport........................................................................................................ 91
propiedades de databasenode..................................................................................................................95
Propiedades de datacollectionimportnode...............................................................................................96
Propiedades de excelimportnode........................................................................................................... 100
Propiedades de extensionimportnode....................................................................................................101
Propiedades de fixedfilenode..................................................................................................................103
Propiedades del nodo gsdata_import.....................................................................................................108
Propiedades jsonimportnode.................................................................................................................. 108
Propiedades de sasimportnode.............................................................................................................. 109
propiedades de simgennode................................................................................................................... 109
Propiedades de statisticsimportnode..................................................................................................... 111
Propiedades del nodo tm1odataimport..................................................................................................111
Propiedades del nodo tm1import (en desuso)....................................................................................... 112
Propiedades del nodo twcimport............................................................................................................ 113
propiedades de userinputnode............................................................................................................... 114
Propiedades de variablefilenode.............................................................................................................115
Propiedades de xmlimportnode..............................................................................................................121

Capítulo 10. Propiedades de nodos de operaciones con registros........................ 123

propiedades de appendnode.................................................................................................................. 123
propiedades de aggregatenode.............................................................................................................. 123
propiedades de balancenode..................................................................................................................125
Propiedades cplexoptnode......................................................................................................................125
Propiedades derive_stbnode...................................................................................................................129
propiedades de distinctnode...................................................................................................................131
Propiedades de extensionprocessnode..................................................................................................133
propiedades de mergenode.................................................................................................................... 134
propiedades rfmaggregatenode..............................................................................................................136
propiedades de samplenode...................................................................................................................139
propiedades de selectnode.....................................................................................................................141
propiedades de sortnode........................................................................................................................ 141
Propiedades de spacetimeboxes............................................................................................................ 142
Propiedades streamingtimeseries.......................................................................................................... 144

Capítulo 11. Propiedades de nodos de operaciones con campos.......................... 155

propiedades de anonymizenode............................................................................................................. 155
properties autodataprepnode................................................................................................................. 156
propiedades de astimeintervalsnode..................................................................................................... 160
propiedades de binningnode...................................................................................................................161
propiedades de derivenode.....................................................................................................................164
propiedades de ensemblenode...............................................................................................................168
propiedades de fillernode....................................................................................................................... 169
propiedades de filternode....................................................................................................................... 170
propiedades de historynode................................................................................................................... 171
propiedades de partitionnode.................................................................................................................172
propiedades de reclassifynode............................................................................................................... 173
propiedades de reordernode...................................................................................................................174
propiedades de reprojectnode................................................................................................................ 175
propiedades de restructurenode............................................................................................................ 175
propiedades de rfmanalysisnode............................................................................................................176
propiedades de settoflagnode................................................................................................................ 178
propiedades de statisticstransformnode................................................................................................178
Propiedades timeintervalsnode (en desuso).......................................................................................... 179
propiedades de transposenode.............................................................................................................. 185
propiedades de typenode........................................................................................................................187

v
 Capítulo 12. Propiedades de nodos Gráfico.........................................................195
Propiedades comunes del nodo Gráfico................................................................................................. 195
Propiedades de collectionnode...............................................................................................................196
Propiedades de distributionnode............................................................................................................197
Propiedades de evaluationnode..............................................................................................................198
Propiedades de graphboardnode............................................................................................................200
Propiedades de histogramnode.............................................................................................................. 205
Propiedades de mapvisualization........................................................................................................... 206
Propiedades de multiplotnode................................................................................................................211
Propiedades de plotnode........................................................................................................................ 212
Propiedades de timeplotnode.................................................................................................................215
Propiedades eplotnode........................................................................................................................... 216
Propiedades tsnenode.............................................................................................................................217
Propiedades de webnode........................................................................................................................219

Capítulo 13. Propiedades de nodos de modelado................................................ 221

Propiedades comunes de nodos de modelado.......................................................................................221
propiedades de anomalydetectionnode................................................................................................. 222
Propiedades de apriorinode.................................................................................................................... 223
propiedades associationrulesnode......................................................................................................... 225
propiedades de autoclassifiernode.........................................................................................................228
Propiedades de ajustes de algoritmo................................................................................................ 230
propiedades de nodo de agrupación en clústeres automática.............................................................. 231
propiedades de autonumericnode.......................................................................................................... 233
Propiedades de bayesnetnode................................................................................................................235
propiedades de c50node.........................................................................................................................237
propiedades de carmanode.................................................................................................................... 239
propiedades de cartnode........................................................................................................................ 240
propiedades de chaidnode......................................................................................................................243
propiedades de coxregnode....................................................................................................................246
Propiedades de decisionlistnode............................................................................................................ 248
propiedades de discriminantnode.......................................................................................................... 250
Propiedades de extensionmodelnode.................................................................................................... 252
propiedades de factornode..................................................................................................................... 255
propiedades de featureselectionnode.................................................................................................... 257
propiedades de genlinnode.....................................................................................................................259
Propiedades de glmmnode..................................................................................................................... 265
Propiedades de gle.................................................................................................................................. 270
propiedades de kmeansnode..................................................................................................................278
Propiedades kmeansasnode................................................................................................................... 279
propiedades de knnnode.........................................................................................................................280
propiedades de kohonennode.................................................................................................................282
Propiedades de linearnode..................................................................................................................... 283
Propiedades de linearasnode..................................................................................................................285
Propiedades de logregnode.................................................................................................................... 287
propiedades de lsvmnode....................................................................................................................... 293
propiedades de neuralnetnode............................................................................................................... 294
Propiedades de neuralnetwork............................................................................................................... 297
propiedades de questnode......................................................................................................................299
propiedades randomtrees....................................................................................................................... 302
Propiedades de regressionnode............................................................................................................. 304
propiedades de sequencenode...............................................................................................................307
propiedades de slrmnode....................................................................................................................... 308
propiedades de statisticsmodelnode......................................................................................................309
propiedades de stpnode..........................................................................................................................310
propiedades de svmnode........................................................................................................................ 316

vi
 Propiedades de tcmnode........................................................................................................................ 318
propiedades ts......................................................................................................................................... 323
propiedades de treeas.............................................................................................................................334
Propiedades de twostepnode................................................................................................................. 337
Propiedades de twostepAS..................................................................................................................... 338

Capítulo 14. Propiedades del nodo de nugget de modelo.....................................341

Propiedades de applyanomalydetectionnode........................................................................................ 341
Propiedades de applyapriorinode........................................................................................................... 341
Propiedades de applyassociationrulesnode........................................................................................... 342
Propiedades de applyautoclassifiernode................................................................................................343
Propiedades de applyautoclusternode................................................................................................... 345
Propiedades de applyautonumericnode................................................................................................. 345
Propiedades de applybayesnetnode.......................................................................................................345
Propiedades de applyc50node............................................................................................................... 346
Propiedades de applycarmanode........................................................................................................... 346
Propiedades de applycartnode............................................................................................................... 346
Propiedades de applychaidnode.............................................................................................................347
Propiedades de applycoxregnode...........................................................................................................347
Propiedades de applydecisionlistnode................................................................................................... 348
Propiedades de applydiscriminantnode................................................................................................. 348
Propiedades de applyextension.............................................................................................................. 349
Propiedades de applyfactornode............................................................................................................ 350
Propiedades de applyfeatureselectionnode...........................................................................................350
Propiedades de applygeneralizedlinearnode......................................................................................... 351
Propiedades de applyglmmnode............................................................................................................ 351
Propiedades de applygle......................................................................................................................... 352
Propiedades applygmm...........................................................................................................................352
Propiedades de applykmeansnode.........................................................................................................353
Propiedades de applyknnnode................................................................................................................353
Propiedades de applykohonennode....................................................................................................... 353
Propiedades de applylinearnode............................................................................................................ 353
Propiedades de applylinearasnode.........................................................................................................354
Propiedades de applylogregnode........................................................................................................... 354
Propiedades de applylsvmnode.............................................................................................................. 354
Propiedades de applyneuralnetnode......................................................................................................355
propiedades de applyneuralnetworknode..............................................................................................355
Propiedades de applyocsvmnode........................................................................................................... 356
Propiedades de applyquestnode............................................................................................................ 356
Propiedades applyrandomtrees..............................................................................................................357
Propiedades de applyregressionnode.................................................................................................... 358
propiedades de applyselflearningnode.................................................................................................. 358
Propiedades de applysequencenode......................................................................................................358
Propiedades de applysvmnode............................................................................................................... 359
Propiedades de applystpnode.................................................................................................................359
Propiedades de applytcmnode............................................................................................................... 359
Propiedades applyts................................................................................................................................ 359
Propiedades applytimeseriesnode (en desuso)..................................................................................... 360
Propiedades de applytreeas....................................................................................................................360
Propiedades de applytwostepnode........................................................................................................ 361
Propiedades de applytwostepAS............................................................................................................ 361
Propiedades de applyxgboosttreenode.................................................................................................. 361
Propiedades de applyxgboostlinearnode............................................................................................... 362
Propiedades de hdbscannugget..............................................................................................................362
Propiedades kdeapply............................................................................................................................. 362

Capítulo 15. Propiedades del nodo de modelado de base de datos...................... 363

vii
 Propiedades de nodos de modelado de Microsoft................................................................................. 363
Propiedades de nodos de modelado de Microsoft............................................................................363
Propiedades de nugget de modelo de Microsoft ..............................................................................365
Propiedades de nodos de modelado de Oracle......................................................................................368
Propiedades de nodos de modelado de Oracle ............................................................................... 368
Propiedades de nugget de modelo de Oracle .................................................................................. 374
Propiedades de nodos de modelado de IBM Netezza Analytics............................................................375
Propiedades de nodos de modelado de Netezza..............................................................................375
Propiedades de nugget de modelo de Netezza.................................................................................392

Capítulo 16. Propiedades del nodo de resultados................................................395

propiedades de analysisnode..................................................................................................................395
propiedades de dataauditnode............................................................................................................... 396
Propiedades de extensionoutputnode....................................................................................................398
propiedades kdeexport........................................................................................................................... 400
propiedades de matrixnode.................................................................................................................... 401
propiedades de meansnode....................................................................................................................403
propiedades de reportnode.....................................................................................................................405
propiedades de setglobalsnode.............................................................................................................. 407
propiedades de simevalnode.................................................................................................................. 408
propiedades de simfitnode......................................................................................................................409
propiedades de statisticsnode................................................................................................................ 410
Propiedades de statisticsoutputnode..................................................................................................... 411
propiedades de tablenode...................................................................................................................... 411
propiedades de transformnode...............................................................................................................414

Capítulo 17. Propiedades de nodos Exportar...................................................... 417

Propiedades de nodos Exportar comunes.............................................................................................. 417
Propiedades de asexport.........................................................................................................................417
Propiedades del nodo de exportación Cognos....................................................................................... 418
propiedades de databaseexportnode..................................................................................................... 420
Propiedades de datacollectionexportnode.............................................................................................426
Propiedades de excelexportnode........................................................................................................... 426
Propiedades de extensionexportnode.................................................................................................... 427
Propiedades jsonexportnode.................................................................................................................. 428
Propiedades de outputfilenode...............................................................................................................429
Propiedades de sasexportnode...............................................................................................................430
Propiedades de statisticsexportnode..................................................................................................... 431
Propiedades del nodo tm1odataexport.................................................................................................. 431
Propiedades del nodo tm1export (en desuso)....................................................................................... 433
Propiedades de xmlexportnode.............................................................................................................. 436

Capítulo 18. Propiedades de nodos de IBM SPSS Statistics................................ 437

Propiedades de statisticsimportnode..................................................................................................... 437
propiedades de statisticstransformnode................................................................................................437
propiedades de statisticsmodelnode......................................................................................................438
Propiedades de statisticsoutputnode..................................................................................................... 439
Propiedades de statisticsexportnode..................................................................................................... 439

Capítulo 19. Propiedades de nodo Python..........................................................441

Propiedades gmm....................................................................................................................................441
Propiedades hdbscannode......................................................................................................................442
Propiedades kdemodel............................................................................................................................444
propiedades kdeexport........................................................................................................................... 445
Propiedades gmm....................................................................................................................................446
ocsvmnode, propiedades........................................................................................................................ 447
Propiedades rfnode................................................................................................................................. 450

viii
 Propiedades de smotenode.................................................................................................................... 452
Propiedades tsnenode.............................................................................................................................453
Propiedades xgboostlinearnode............................................................................................................. 455
Propiedades de xgboosttreenode........................................................................................................... 456

Capítulo 20. Propiedades del nodo Spark...........................................................459

Propiedades isotonicasnode................................................................................................................... 459
Propiedades kmeansasnode................................................................................................................... 459
Propiedades multilayerperceptronnode................................................................................................. 461
Propiedades xgboostasnode................................................................................................................... 461

Capítulo 21. Propiedades de supernodo............................................................. 465

Apéndice A. Referencia de nombres de nodo...................................................... 467

Nombres de nugget de modelo............................................................................................................... 467
Evitar nombres duplicados del modelo.................................................................................................. 469
Nombres de tipo de resultado.................................................................................................................469

Apéndice B. Migración desde scripts de herencia a scripts Python.......................471

Visión general de la migración de scripts de herencia........................................................................... 471
Diferencias generales.............................................................................................................................. 471
El contexto de los scripts........................................................................................................................ 471
Comparativa de comandos y funciones.................................................................................................. 471
Literales y comentarios........................................................................................................................... 472
Operadores.............................................................................................................................................. 472
Comandos condicionales y de bucle.......................................................................................................473
Variables.................................................................................................................................................. 474
Tipos modelo, resultado y nodo.............................................................................................................. 474
Nombres de propiedades........................................................................................................................ 475
Referencias de nodos.............................................................................................................................. 475
Obtener y establecer propiedades..........................................................................................................475
Edición de rutas....................................................................................................................................... 476
Operaciones de nodo......................................................................................................................... 477
Bucle........................................................................................................................................................ 477
Ejecución de rutas................................................................................................................................... 478
Acceso a objetos mediante el sistema de archivos y el repositorio.......................................................479
Operaciones de ruta...........................................................................................................................479
Operaciones de modelo..................................................................................................................... 480
Operaciones de resultado de documento......................................................................................... 480
Otras diferencias entre scripts heredados y scripts Python.................................................................. 481

Avisos............................................................................................................... 483
Marcas comerciales................................................................................................................................. 484
Términos y condiciones para la documentación del producto...............................................................484

Índice............................................................................................................... 487

ix
x
Capítulo 1. Scripts y lenguaje de scripts

Conceptos básicos de scripts

Los scripts en IBM SPSS Modeler son una herramienta potente para automatizar procesos en la interfaz
de usuario. Los scripts pueden realizar los mismos tipos de acciones que se realizan con el ratón o
el teclado y se utilizan para automatizar tareas que resultarían extremadamente repetitivas o llevarían
mucho tiempo si se realizaran manualmente.
Puede utilizar los scripts para:
• Imponer un orden concreto para la ejecución de nodos en una ruta.
• Establecer propiedades de los nodos y realizar derivaciones usando un subconjunto de CLEM (Control
Language for Expression Manipulation).
• Especificar una secuencia automática de acciones que normalmente implican la interacción del usuario
(por ejemplo, puede generar un modelo y comprobarlo a continuación).
• Configurar procesos complejos que requieren una interacción sustancial del usuario, como los
procedimientos de validación cruzada que requieren una repetitiva generación y comprobación de
modelo.
• Configurar procesos que manipulen rutas; por ejemplo, puede tomar una ruta de entrenamiento de
modelo, ejecutarla y producir la ruta de comprobación del modelo automáticamente.
Este capítulo proporciona descripciones de alto nivel y ejemplos de scripts de nivel de ruta, scripts
autónomos y scripts en Supernodos en la interfaz de IBM SPSS Modeler. Para obtener más información
sobre el lenguaje, la sintaxis y los comandos consulte los capítulos siguientes.
Nota:
No puede importar y ejecutar scripts creados en IBM SPSS Statistics dentro de IBM SPSS Modeler.

Tipos de scripts
IBM SPSS Modeler utiliza tres tipos de scripts:
• Los scripts de la ruta se guardan como una propiedad de ruta y se guardan y se cargan con una ruta
específica. Por ejemplo, puede escribir un script de ruta que automatice el proceso de entrenamiento
y aplicación de un nugget de modelo. También puede especificar que cuando se ejecute una ruta
particular, se ejecute el script, en lugar del contenido del lienzo de la ruta.
• Los scripts autónomos no están asociados a ninguna ruta en particular y se guardan en archivos de
texto externos. Puede utilizar un script autónomo, por ejemplo, para manipular varias rutas a la vez.
• Los scripts Supernodos se guardan como una propiedad de ruta de supernodo. Los scripts Supernodos
sólo están disponibles en supernodos terminales. Puede utilizar un script de supernodo para controlar
la secuencia de ejecución del contenido del supernodo. En supernodos no terminales (origen o
proceso), puede definir propiedades del supernodo o los nodos que contiene en su script de ruta
directamente.

Scripts de ruta
Los scripts se pueden utilizar para personalizar operaciones dentro de una ruta particular y se guardan
con esa ruta. Los scripts de la ruta se pueden utilizar para especificar un orden de ejecución particular
para los nodos terminales de una ruta. El cuadro de diálogo del script de ruta se utiliza para editar el
script que está guardado con la ruta actual.
Para acceder a la pestaña de scripts de ruta en el cuadro de diálogo propiedades de ruta:
1. Desde el menú Herramientas, elija:
 Propiedades de la ruta > Ejecución.
2. Pulse en la pestaña Ejecución para trabajar con scripts en la ruta actual.
Utilice los iconos de barra de herramientas en la parte superior del recuadro de diálogo del script de ruta
para las operaciones siguientes:
• Importar el contenido de un script autónomo preexistente en la ventana.
• Guardar un script como archivo de texto.
• Imprimir un script.
• Añadir script predeterminado.
• Editar un script (deshacer, cortar, copiar, pegar y otras funciones de edición comunes).
• Ejecutar el script completo actual.
• Ejecutar líneas concretas de un script.
• Detener un script durante la ejecución. (Este icono sólo está habilitado cuando un script se está
ejecutando).
• Comprobar la sintaxis del script y, si se encuentra algún error, mostrarlos para la revisión en el panel
inferior del recuadro de diálogo.
Nota: A partir de la versión 16.0, SPSS Modeler utiliza el lenguaje de scripts Python. Todas las versiones
anteriores a la 16.0 utilizaban un lenguaje de script exclusivo para SPSS Modeler, al que ahora se
denomina como script de herencia. Según el tipo de script con el que trabaje, en la pestaña Ejecución
seleccione la modalidad de ejecución Predeterminada (script opcional) y, a continuación, seleccione
Python o Legacy.
Puede especificar si un script se va a ejecutar o no cuando se ejecuta la ruta. Para ejecutar el script cada
vez que se ejecuta la ruta, respectando el orden de ejecución del script, seleccione Ejecutar este script.
De este modo se proporciona una automatización a nivel de ruta para acelerar la generación del modelo.
Sin embargo, la configuración predeterminada es omitir el script durante la ejecución de la ruta. Incluso si
selecciona la opción Omitir este script, siempre puede ejecutar la ruta directamente desde este cuadro
de diálogo.
El editor de scripts incluye las siguientes características que ayudan a crear scripts:
• Resaltado de sintaxis. Se resaltan las palabras claves, los valores literales (tales como cadenas y
números) y los comentarios.
• Numeración de líneas.
• Coincidencia de bloques. Cuando se coloca el cursor al inicio de un bloque de programa, también se
resalta el bloque final correspondiente.
• Finalización automática sugerida.
Los colores y los estilos de texto que utiliza la función de resaltado de la sintaxis se pueden personalizar
utilizando las preferencias de visualización de IBM SPSS Modeler. Para acceder a las preferencia de
visualización, elija Herramientas > Opciones > Opciones de usuario y seleccione la pestaña Sintaxis.
Se puede acceder a una lista de finalizaciones de sintaxis sugeridas seleccionando la Sugerencia
automática en el menú de contexto o pulsando Ctrl más espacio. Utilice las teclas de cursor para
desplazarse hacia arriba y hacia abajo por la lista y, a continuación, pulse Intro para insertar el texto
seleccionado. Para salir de la modalidad de sugerencia automática sin modificar el texto existente, pulse
Esc.
La pestaña Depurar muestra mensajes de depuración y se puede utilizar para evaluar el estado del script
una vez que se haya ejecutado. La pestaña Depurar está formada por un área de texto de solo lectura y
un campo de texto de entrada de una sola línea. El área de texto muestra el texto que se envía a la salida
estándar o un error estándar mediante los scripts, por ejemplo, a través del texto del mensaje de error.
El campo de texto de entrada toma la entrada del usuario. Esta entrada se evalúa dentro del contexto del
script que se ha ejecutado más recientemente en el diálogo (conocido como el contexto de los scripts).
El área de texto contiene el comando y la salida resultante, de modo que el usuario puede ver un rastreo

2 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 de los comandos. El campo de entrada de texto siempre contiene el indicador de comandos (--> para el
script de herencia).
Un contexto de script nuevo se crea en las circunstancias siguientes:
• Se ejecuta un script utilizando Ejecutar este script o Ejecutar líneas seleccionadas.
• Se modifica el lenguaje de script.
Si se crea un nuevo contexto de script, el área de texto se borra.
Nota: La ejecución de una ruta fuera del panel del script no modifica el contexto del script del panel del
script. Los valores de las variables que se han creado como parte de la ejecución no son visibles dentro
del recuadro de diálogo de script.

Ejemplo de script de ruta: entrenamiento de una red neuronal

Una ruta se puede usar para entrenar un modelo de red neuronal cuando se ejecute. Normalmente, para
comprobar el modelo, se inserta el nodo de modelado para agregar el modelo a la ruta, realizar las
conexiones adecuadas y ejecutar el nodo Análisis.
Mediante un script de IBM SPSS Modeler se puede automatizar el proceso de comprobar el nugget
de modelo tras crearlo. Por ejemplo, el siguiente script de ruta para la ruta de demostración
druglearn.str (disponible en la carpeta /Demos/streams/ de su instalación de IBM SPSS Modeler)
se puede ejecutar desde el cuadro de diálogo de propiedades de ruta (Herramientas > Propiedades de
ruta > Ruta):

ruta = modeler.script.stream()
neuralnetnode = stream.findByType("neuralnetwork", None)
results = []
neuralnetnode.run(results)
appliernode = stream.createModelApplierAt(results[0], "Drug", 594, 187)
analysisnode = stream.createAt("analysis", "Drug", 688, 187)
typenode = stream.findByType("type", None)
stream.linkBetween(appliernode, typenode, analysisnode)
analysisnode.run([])

Los puntos siguientes describen cada línea de este ejemplo de script.

• La primera línea define una variable que apunta a la ruta actual.
• En la línea 2, el script busca el nodo generador Red neuronal.
• En la línea 3, el script crea una lista donde los resultados de la ejecución se pueden almacenar.
• En la línea 4, se crea el nugget de modelo Red neuronal. Se almacena en la lista definida en línea 3.
• En la línea 5, se crea un nodo de aplicación de modelo para el nugget de modelo y se coloca en el lienzo
de rutas.
• En la línea 6, se crea un nodo de análisis denominado Drug.
• En la línea 7, el script busca el nodo Type.
• En la línea 8, el script conecta el nodo de aplicación de modelo creado en la línea 5 entre el nodo Type y
el nodo Analysis.
• Finalmente, el nodo Análisis se ejecuta para producir el informe Análisis.
Es posible utilizar un script para crear y ejecutar una ruta desde cero, comenzando con un lienzo vacío.

Límites de tamaño de código Jython

Jython compila cada script para el código de bytes Java que, a continuación, es ejecutado por la máquina
virtual Java (JVM). Sin embargo, Java impone un límite en el tamaño de un único archivo de código de
bytes. Así, cuando Jython intenta cargar el código de bytes, puede hacer que la JVM se bloquee. IBM
SPSS Modeler no puede evitar que esto suceda.

Capítulo 1. Scripts y lenguaje de scripts 3

 Asegúrese de escribir los scripts Jython utilizando buenas prácticas de codificación (por ejemplo
minimizando el código duplicado utilizando variables o funciones para calcular valores intermedios
comunes). Si es necesario, puede que sea necesario dividir el código en varios archivos de origen o
definirlo utilizando módulos porque éstos se compilan en archivos de código de bytes independientes.

Scripts autónomos
El cuadro de diálogo script autónomo se usa para crear o editar un script que se ha guardado como
archivo de texto. En él se muestra el nombre del archivo y se proporcionan recursos para la carga,
almacenamiento, importación y ejecución de scripts.
Para acceder al cuadro de diálogo del script autónomo:
En el menú principal, elija:
Herramientas > Script autónomo
Los scripts autónomos y los de ruta comparten las mismas opciones de comprobación de sintaxis de
scripts y barra de herramientas. Consulte el tema “Scripts de ruta” en la página 1 para obtener más
información.

Ejemplo de script autónomo: guardar y cargar un modelo

Los scripts autónomos son útiles para la manipulación de rutas. Presuponga que tiene dos rutas, una que
crea un modelo y otra que usa diagramas para examinar el conjunto de reglas generado a partir de la
primera ruta con campos de datos existentes. Un script autónomo para este escenario tendría un aspecto
similar a éste:

taskrunner = modeler.script.session().getTaskRunner()

# Modify this to the correct Modeler installation Demos folder.

# Note use of forward slash and trailing slash.
installation = "C:/Archivos de programa/IBM/SPSS/Modeler/19/Demos/"

# First load the model builder stream from file and build a model
druglearn_stream = taskrunner.openStreamFromFile(installation + "streams/druglearn.str", True)
results = []
druglearn_stream.findByType("c50", None).run(results)

# Save the model to file

taskrunner.saveModelToFile(results[0], "rule.gm")

# Now load the plot stream, read the model from file and insert it into the stream
drugplot_stream = taskrunner.openStreamFromFile(installation + "streams/drugplot.str", True)
model = taskrunner.openModelFromFile("rule.gm", True)
modelapplier = drugplot_stream.createModelApplier(model, "Drug")

# Now find the plot node, disconnect it and connect the

# model applier node between the derive node and the plot node
derivenode = drugplot_stream.findByType("derive", None)
plotnode = drugplot_stream.findByType("plot", None)
drugplot_stream.disconnect(plotnode)
modelapplier.setPositionBetween(derivenode, plotnode)
drugplot_stream.linkBetween(modelapplier, derivenode, plotnode)
plotnode.setPropertyValue("color_field", "$C-Drug")
plotnode.run([])

Nota: Para obtener más información sobre el lenguaje de scripts en general, consulte “Conceptos básicos
de lenguaje de script” en la página 15.

4 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Ejemplo de script autónomo: Generación de un modelo de selección de
características
Comenzando con un lienzo vacío, este ejemplo crea una ruta que genera un modelo de selección de
características, aplica el modelo y crea una tabla que indica los 15 campos más importantes respecto al
objetivo especificado.

stream = modeler.script.session().createProcessorStream("featureselection",
True)

statisticsimportnode = stream.createAt("statisticsimport", "Statistics

File", 150, 97)
statisticsimportnode.setPropertyValue("full_filename", "$CLEO_DEMOS/
customer_dbase.sav")

typenode = stream.createAt("type", "Type", 258, 97)

typenode.setKeyedPropertyValue("direction", "response_01", "Target")

featureselectionnode = stream.createAt("featureselection", "Feature

Selection", 366, 97)
featureselectionnode.setPropertyValue("top_n", 15)
featureselectionnode.setPropertyValue("max_missing_values", 80.0)
featureselectionnode.setPropertyValue("selection_mode", "TopN")
featureselectionnode.setPropertyValue("important_label", "Check Me Out!")
featureselectionnode.setPropertyValue("criteria", "Likelihood")

stream.link(statisticsimportnode, typenode)
stream.link(typenode, featureselectionnode)
models = []
featureselectionnode.run(models)

# Assumes the stream automatically places model apply nodes in the stream
applynode = stream.findByType("applyfeatureselection", None)
tablenode = stream.createAt("table", "Table", applynode.getXPosition() + 96,
applynode.getYPosition())
stream.link(applynode, tablenode)
tablenode.run([])

El script crea un nodo de origen para leer en los datos, utiliza un nodo Tipo para definir el rol del campo
response_01 hacia Destino y, a continuación, crea y ejecuta un nodo Selección de características.
Este script también conecta cada nodo y posiciones en el lienzo de la ruta para producir un diseño
legible. El nugget de modelo resultante se conecta al nodo Tabla, que indica los 15 campos más
importantes, tal y como determinan las propiedades selection_mode y top_n. Consulte “propiedades
de featureselectionnode” en la página 257 para obtener más información.

Scripts de Supernodo
Puede crear y guardar scripts en cualquier supernodo de terminal utilizando el lenguaje de script
de IBM SPSS Modeler. Estos scripts sólo están disponibles para supernodos terminales y se suelen
utilizar cuando crea rutas de plantilla o para imponer un orden de ejecución especial del contenido del
supernodo. Los scripts de supernodo también permiten ejecutar más de un script en una ruta.
Por ejemplo, supongamos que necesita especificar el orden de ejecución de una ruta compleja y su
supernodo contiene varios nodos, incluyendo un nodo Val. globales, que se debe ejecutar antes de derivar
un nuevo campo utilizado en un nodo Gráfico. En este caso, puede crear un script de supernodo que
ejecute el nodo Val. globales en primer lugar. Los valores calculados por este nodo, como la media o la
desviación estándar, se pueden usar posteriormente cuando se ejecute el nodo Gráfico.
En un script de Supernodo, puede especificar las propiedades del nodo de la misma manera que
otros scripts. También puede cambiar y definir las propiedades de cualquier supernodo o sus nodos
encapsulados directamente desde un script de ruta. Consulte Capítulo 21, “Propiedades de supernodo”,

Capítulo 1. Scripts y lenguaje de scripts 5

 en la página 465 para obtener más información. Este método funciona para supernodos de origen y
proceso y supernodos terminales.
Nota: Puesto que solo los supernodos de terminal pueden ejecutar sus propios scripts, la pestaña Scripts
del recuadro de diálogo Supernodo solo está disponible para los supernodos de terminal.

Para abrir el cuadro de diálogo de script de supernodo desde el lienzo principal:

Seleccione un supernodo terminal en el lienzo de rutas y, en el menú de supernodo, seleccione:
Script de Supernodo...

Para abrir el cuadro de diálogo de script de supernodo desde el lienzo de supernodo

aumentado:
Pulse con el botón derecho del ratón en el lienzo del supernodo y en el menú contextual elija:
Script de Supernodo...

Script de supernodo de ejemplo

El siguiente script de supernodo establece el orden en que se ejecutarán los nodos terminales del
supernodo. Este orden garantiza que el nodo Val. globales se ejecuta primero para que los valores que
calcula este nodo se puedan utilizar cuando se ejecute otro nodo.

execute 'Val. globales'

execute 'gains'
execute 'profit'
execute 'age v. $CC-pep'
execute 'Table'

Bloquear y desbloquear supernodos

El ejemplo siguiente ilustra cómo puede bloquear y desbloquear un supernodo:

ruta = modeler.script.stream()
superNode=stream.findByID('id854RNTSD5MB')
# desbloquear un supernodo
print 'unlock the super node with password abcd'
if superNode.unlock('abcd'):
print 'unlocked.'
else:
print 'invalid password.'
# bloquear un supernodo
print 'lock the super node with password abcd'
superNode.lock('abcd')

Creación de bucles y ejecución condicional en rutas

A partir de la versión 16.0, SPSS Modeler permite crear scripts básicos desde dentro de una ruta
seleccionando valores en varios cuadros de diálogo en lugar de tener que escribir instrucciones
directamente en lenguaje de script. Los dos principales tipos de script que pueden crearse de este modo
son los bucles sencillos y un modo de ejecutar nodos si se cumple una condición.
En una misma ruta pueden combinarse bucles y reglas de ejecución condicional. Por ejemplo, suponga
que tiene datos relativos a ventas de vehículos de fabricantes de todo el mundo. Podría crearse un bucle
para procesar los datos en una ruta, identificando los detalles por país del fabricante, y sacar los datos a
distintas gráficas para mostrar detalles tales como volumen de ventas por modelo, niveles de emisión por
fabricante y cilindrada, etc. Si solo le interesara analizar la información procedente de Europa, también
podría añadir condiciones al bucle que impidieran la creación de gráficas de fabricantes procedentes de
América y Asia.

6 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Nota: Puesto que tanto un bucle como una ejecución condicional están basados en scripts de segundo
plano, solo se aplican a una ruta entera cuando se ejecuta.
• Bucles Los bucles pueden utilizarse para automatizar tareas repetitivas. Por ejemplo, esto podría
suponer añadir un determinado número de nodos a una ruta y modificar un parámetro del nodo cada
vez. De forma opcional, podría controlarse la ejecución de una ruta o rama varias veces, como en los
ejemplos siguientes:
– Ejecutar la ruta un determinado número de veces y cambiar el origen cada vez.
– Ejecutar la ruta un determinado número de veces cambiando el valor de una variable cada vez.
– Ejecutar la ruta un determinado número de veces especificando un campo adicional en cada
ejecución.
– Construir un modelo un determinado número de veces y cambiar la configuración del modelo cada
vez.
• Ejecución condicional Puede utilizarse para controlar cómo ejecutan los nodos en función de
condiciones definidas previamente como, por ejemplo:
– Dependiendo de si un determinado valor es verdadero o falso, se controla la ejecución de un nodo.
– Definir si la iteración de nodos se ejecutará en paralelo o de forma secuencial.
Tanto bucles ejecuciones condicionales se configuran en la pestaña Ejecución dentro del cuadro de
diálogo Propiedades de ruta. Los nodos que se utilicen en bucles o de forma condicional aparecerán con
un símbolo adicional en el lienzo de rutas para indicar que forman parte de una ejecución por bucles o
condicional.
Puede accederse a la pestaña Ejecución de tres maneras:
• Mediante los menús de la parte superior del cuadro de diálogo principal:
1. En el menú Herramientas, seleccione:
Propiedades de la ruta > Ejecución.
2. Pulse en la pestaña Ejecución para trabajar con los scripts de la ruta actual.
• Dentro de una ruta:
1. Pulse con el botón derecho en un nodo y seleccione Bucles/Ejecución condicional.
2. Seleccione la opción de submenú que corresponda.
• En la barra de herramientas gráfica de la parte superior del cuadro de diálogo principal, pulse en el
icono de propiedades de ruta.
Si es la primera vez que configura los detalles de un bucle o de una ejecución condicional, en la pestaña
Ejecución seleccione el modo de ejecución Ejecución de bucles/condicional y después seleccione la
subpestaña Condicional o Bucles.

Bucles en rutas
Con la creación de bucles puede automatizar las tareas repetitivas en las rutas, por ejemplo:
• Ejecutar la ruta un determinado número de veces y cambiar el origen cada vez.
• Ejecutar la ruta un determinado número de veces cambiando el valor de una variable cada vez.
• Ejecutar la ruta un determinado número de veces especificando un campo adicional en cada ejecución.
• Construir un modelo un determinado número de veces y cambiar la configuración del modelo cada vez.
Configurar las condiciones que deben cumplirse en la subpestaña Bucle de la pestaña Ejecución de la
ruta. Para visualizar la subpestaña, seleccione el modo de ejecución Ejecución en bucle/condicional.
Los requisitos de bucle que defina entrarán en vigor cuando se ejecute la ruta, si se ha establecido la
modalidad de ejecución Ejecución en bucle/condicional. De forma opcional, puede generar el código
de script para los requisitos de bucle y pegarlo en el editor de scripts pulsando Pegar... en el ángulo
inferior derecho de la subpestaña Bucle y la visualización de la pestaña Ejecución principal cambiará para

Capítulo 1. Scripts y lenguaje de scripts 7

 mostrar la modalidad de ejecución Predeterminada (script opcional) con el script en la parte superior
de la pestaña. Esto significa que puede definir bucles utilizando las diferentes opciones del cuadro de
diálogo de bucle antes de generar un script que puede personalizar adicionalmente en el editor de scripts.
Tenga en cuenta que cuando pulsa Pegar... los requisitos de bucle que ha definido también se mostrarán
en el script generado.
Importante: Las variables de bucle que establezca en una ruta de SPSS Modeler pueden sustituirse si
se ejecuta la ruta en un trabajo IBM SPSS Collaboration and Deployment Services. Esto se debe a que la
entrada del editor del trabajo IBM SPSS Collaboration and Deployment Services sobrescribe la entrada
de SPSS Modeler. Por ejemplo, si se establece una variable de bucle en la ruta para crear un nombre de
archivo de salida diferente para cada bucle, los archivos se especifican correctamente en SPSS Modeler,
pero son sustituidos por la entrada fija especificada en la pestaña Resultado del Gestor de despliegue de
IBM SPSS Collaboration and Deployment Services.

Para configurar un bucle

1. Cree una clave de iteración para definir la estructura principal del bucle principal que se creará en una
ruta. Consulte el tema Crear una clave de iteración para obtener más información.
2. Si es necesario, defina una o varias variables de iteración. Consulte el tema Crear una variable de
iteración para obtener más información.
3. Las iteraciones y las variables que cree se muestran en el cuerpo principal de la subpestaña. De
forma predeterminada, las iteraciones se ejecutan en el orden en que aparecen. Para subir o bajar una
iteración en la lista, pulse la iteración para seleccionarla y, a continuación, utilice la flecha arriba o la
flecha abajo de la columna de la derecha de la subpestaña para cambiar el orden.

Creación de una clave de iteración para bucles de rutas

Utilice una clave de iteración para definir la estructura principal del bucle principal que se creará en una
ruta. Por ejemplo, si está analizando las ventas de automóviles, puede crear un parámetro de ruta País de
fabricación y utilizarlo como la clave de la iteración. Cuando se ejecute la ruta, esta clave se establece en
cada valor de país diferente de sus datos durante cada iteración. Utilice el cuadro de diálogo Definir clave
de iteración para configurar la clave.
Para abrir el cuadro de diálogo, seleccione el botón Clave de iteración... en el ángulo inferior izquierdo
de la subpestaña Bucle o pulse con el derecho cualquier nodo de la ruta y seleccione Ejecución en
bucle/condicional > Definir clave de iteración (campos) o Ejecución en bucle/condicional > Definir
clave de iteración (valores). Si abre el cuadro de diálogo desde la ruta, algunos campos se completan
automáticamente, tales como el nombre del nodo.
Para configurar una clave de iteración, complete los campos siguientes:
Iterar en. Puede seleccionar entre una de las opciones siguientes:
• Parámetro de ruta - Campos. Utilice esta opción para crear un bucle que establezca el valor de un
parámetro de ruta existente en cada campo especificado de forma ordenada.
• Parámetro de ruta - Valores. Utilice esta opción para crear un bucle que establezca el valor de un
parámetro de ruta existente en cada valor especificado de forma ordenada.
• Propiedad del nodo - Campos. Utilice esta opción para crear un bucle que establezca el valor de una
propiedad de nodo en cada campo especificado de forma ordenada.
• Propiedad del nodo - Valores. Utilice esta opción para crear un bucle que establezca el valor de una
propiedad de nodo en cada valor especificado de forma ordenada.
Qué se ha de establecer. Elija el elemento cuyo valor se establecerá cada vez que se ejecute el bucle.
Puede seleccionar entre una de las opciones siguientes:
• Parámetro. Solo está disponible si se selecciona Parámetro de ruta - Campos o Parámetro de ruta -
Valores. Seleccione el parámetro necesario en la lista disponible.
• Nodo. Solo está disponible si se selecciona Propiedad del nodo - Campos o Propiedad del nodo -
Valores. Seleccione el nodo para el que desee configurar un bucle. Pulse el botón Examinar para abrir

8 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 el diálogo Seleccionar nodo y elija el nodo que desee. Si hay demasiados nodos en la lista, puede filtrar
la visualización para que únicamente se muestren los nodos de una de las siguientes categorías: Origen,
Proceso, Gráfico, Modelado, Resultados o Aplicar modelo.
• Propiedad. Solo está disponible si se selecciona Propiedad del nodo - Campos o Propiedad del nodo -
Valores. Seleccione la propiedad del nodo en la lista disponible.
Campos de uso. Solo está disponible si se selecciona Parámetro de ruta - Campos o Propiedad del
nodo - Campos. Seleccione el campo o los campos de un nodo que se utilizarán para proporcionar los
valores de iteración. Puede seleccionar entre una de las opciones siguientes:
• Nodo. Solo está disponible si se selecciona Parámetro de ruta - Campos. Seleccione el nodo que
contiene los detalles para los que desea configurar un bucle. Pulse el botón Examinar para abrir el
diálogo Seleccionar nodo y elija el nodo que desee. Si hay demasiados nodos en la lista, puede filtrar la
visualización para que únicamente se muestren los nodos de una de las siguientes categorías: Origen,
Proceso, Gráfico, Modelado, Resultados o Aplicar modelo.
• Lista de campos. Pulse el botón de lista de la columna derecha para visualizar el cuadro de diálogo
Seleccionar campos, donde puede seleccionar los campos del nodo para proporcionar los datos de
iteración. Para obtener más información, consulte “Selección de campos en iteraciones” en la página
10.
Valores de uso. Solo está disponible si se selecciona Parámetro de ruta - Valores o Propiedad del
nodo - Valores. En el campo seleccionado, seleccione el o los valores que se utilizarán como valores de
iteración. Puede seleccionar entre una de las opciones siguientes:
• Nodo. Solo está disponible si se selecciona Parámetro de ruta - Valores. Seleccione el nodo que
contiene los detalles para los que desea configurar un bucle. Pulse el botón Examinar para abrir el
diálogo Seleccionar nodo y elija el nodo que desee. Si hay demasiados nodos en la lista, puede filtrar la
visualización para que únicamente se muestren los nodos de una de las siguientes categorías: Origen,
Proceso, Gráfico, Modelado, Resultados o Aplicar modelo.
• Lista de campos. Seleccione el campo del nodo para proporcionar los datos de iteración.
• Lista de valores. Pulse el botón de lista de la columna derecha para visualizar el cuadro de diálogo
Seleccionar valores, donde puede seleccionar los valores del campo para proporcionar los datos de
iteración.

Creación de una variable de iteración para bucles de rutas

Puede utilizar variables de iteración para cambiar los valores de los parámetros o las propiedades de ruta
de los nodos seleccionados en una ruta, cada vez que se ejecute un bucle. Por ejemplo, si el bucle de ruta
está analizando los datos de ventas de automóviles y utiliza País de fabricación como clave de iteración,
puede tener un gráfico de resultados que muestre las ventas por modelo y otro gráfico de resultados que
muestre información sobre emisiones contaminantes. En estos casos puede crear variables de iteración
que creen nuevos títulos para los gráficos resultantes, tales como Emisiones de vehículos suecos y Ventas
de automóviles japoneses por modelo. Utilice el cuadro de diálogo Definir variable de iteración para
configurar las variables que necesite.
Para abrir el cuadro de diálogo, seleccione el botón Añadir variable... en el ángulo superior izquierdo de
la subpestaña Bucle, o pulse con el botón derecho cualquier nodo de la ruta y seleccione Ejecución en
bucle/condicional > Definir variable de iteración.
Para configurar una variable de iteración, complete los campos siguientes:
Cambiar. Seleccione el tipo de atributo que desea enmendar. Puede elegir Parámetro de ruta o
Propiedad del nodo.
• Si selecciona Parámetro de ruta, elija el parámetro necesario y, a continuación, utilizando una de las
opciones siguientes, si están disponibles en su ruta, defina cómo se debe establecer el valor de dicho
parámetro con cada iteración del bucle:
– Variable global. Seleccione la variable global en la que se debe establecer el parámetro de ruta.

Capítulo 1. Scripts y lenguaje de scripts 9

 – Casilla de resultados de tabla. Para que un parámetro de ruta sea el valor de una casilla de
resultados de tabla, seleccione la tabla en la lista y especifique la Fila y la Columna que se han de
utilizar.
– Especificar manualmente. Seleccione esta opción si desea especificar manualmente el valor que
tomará este parámetro en cada iteración. Cuando regrese a la subpestaña Bucle se habrá creado una
columna nueva en la que puede especificar el texto necesario.
• Si selecciona Propiedad del nodo, elija el nodo necesario y una de sus propiedades, a continuación,
establezca el valor que desea que se utilice para dicha propiedad. Establezca el nuevo valor de la
propiedad utilizando una de las opciones siguientes:
– Solo. El valor de la propiedad utilizará el valor de la clave de iteración. Para obtener más información,
consulte “Creación de una clave de iteración para bucles de rutas” en la página 8.
– Como prefijo de tallo. Utiliza el valor de la clave de iteración como un prefijo para lo que especifique
en el campo Tallo.
– Como sufijo de tallo. Utiliza el valor de la clave de iteración como un sufijo para lo que especifique en
el campo Tallo.
Si selecciona la opción de prefijo o de sufijo se le solicitará que añada el texto adicional en el campo
Tallo. Por ejemplo, si el valor de la clave de iteración es País de fabricación y selecciona Como prefijo
de tallo, puede entrar - ventas por modelo en este campo.

Selección de campos en iteraciones

Cuando se crean iteraciones pueden seleccionarse uno o más campos mediante el cuadro de diálogo
Seleccionar campos.
Ordenar por: puede ordenar campos disponibles para su visualización eligiendo una de las siguientes
opciones:
• Natural: el orden de los campos es aquél en que pasaron desde la parte anterior de la ruta de datos al
nodo actual.
• Nombre: ordena los campos siguiendo un orden alfabético para su visualización.
• Tipo: ordena los campos en función de su nivel de medición. Esta opción es útil cuando se seleccionan
campos con un nivel de medición en particular.
Seleccione los campos de la lista de uno en uno o mantenga pulsada la tecla Mayús o Ctrl mientras
selecciona otros campos para seleccionar varios campos. También puede utilizar los botones que
se muestran bajo la lista para seleccionar grupos de campos en función de su nivel de medición o
seleccionar y anular la selección de todos los campos de la tabla.
Tenga en cuenta que los campos disponibles para su selección se filtran para mostrar solo los campos
que son adecuados para el parámetro de ruta o la propiedad de nodo que se están utilizando. Por
ejemplo, si se está utilizando un parámetro de ruta que tiene un tipo de almacenamiento de cadena, solo
se mostrarán los campos que tengan un tipo de almacenamiento de cadena.

Ejecución condicional en rutas

Con la ejecución condicional puede controlar cómo se ejecutan los nodos terminales, en función de las
condiciones de coincidencia de contenido de ruta que defina. Ejemplos de ello pueden ser los siguientes:
• Dependiendo de si un determinado valor es verdadero o falso, se controla la ejecución de un nodo.
• Definir si la iteración de nodos se ejecutará en paralelo o de forma secuencial.
Configurar las condiciones que deben cumplirse en la subpestaña Condicional de la pestaña Ejecución de
la ruta. Para visualizar la subpestaña, seleccione el modo de ejecución Ejecución en bucle/condicional.
Los requisitos de ejecución condicional que defina entrarán en vigor cuando se ejecute la ruta, si se
ha establecido la modalidad de ejecución Ejecución en bucle/condicional. De forma opcional, puede
generar el código de script para los requisitos de ejecución condicional y pegarlo en el editor de scripts
pulsando Pegar... en el ángulo inferior derecho de la subpestaña Condicional; la visualización de la

10 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

pestaña Ejecución principal cambiará para mostrar la modalidad de ejecución Predeterminada (script
opcional) con el script en la parte superior de la pestaña. Esto significa que puede definir condiciones
utilizando las diferentes opciones del cuadro de diálogo de bucle antes de generar un script que puede
personalizar adicionalmente en el editor de scripts. Tenga en cuenta que cuando pulsa Pegar... los
requisitos de bucle que ha definido también se mostrarán en el script generado.
Para configurar una condición:
1. En la columna de la derecha de la subpestaña Condicional, pulse el botón Añadir condición nueva

para abrir el cuadro de diálogo Añadir sentencia de ejecución condicional. En este diálogo
especifica la condición que se debe cumplir para que se ejecute el nodo.
2. En el cuadro de diálogo Sentencia de ejecución condicional, especifique lo siguiente:
a. Nodo. Seleccione el nodo para el que desee configurar una ejecución condicional. Pulse el botón
Examinar para abrir el diálogo Seleccionar nodo y elija el nodo que desee. Si hay demasiados nodos
en la lista, puede filtrar la visualización para que únicamente se muestren los nodos de una de las
siguientes categorías: Exportar, Gráfico, Modelado o Resultados.
b. Condición basada en. Especifique la condición que se debe cumplir para que se ejecute el
nodo. Puede elegir una de estas cuatro opciones: Parámetro de ruta, Variable global, Casilla
de resultados de tabla o Siempre verdadero. Los detalles que especifique en la mitad inferior del
cuadro de diálogo están controlados por la condición que elija.
• Parámetro de ruta. Seleccione el parámetro de la lista disponible y, a continuación, seleccione
el Operador para ese parámetro; por ejemplo, el operador puede ser Más, Igual, Menor que,
Entre, etc. A continuación especifique el Valor, o los valores mínimos o máximos, dependiendo
del operador seleccionado.
• Variable global. Seleccione la variable de la lista disponible; por ejemplo, esto podría incluir:
Media, Suma, Valor mínimo, Valor máximo o Desviación estándar. A continuación, seleccione
Operador y los valores necesarios.
• Casilla de resultados de tabla. Seleccione el nodo de tabla de la lista disponible y, a
continuación, seleccione la Fila y la Columna en la tabla. A continuación, seleccione Operador y
los valores necesarios.
• Siempre verdadero. Seleccione esta opción si siempre se ha de ejecutar el nodo. Si selecciona
esta opción, no hay parámetros adicionales que seleccionar.
3. Repita los pasos 1 y 2 tantas veces como sea necesario hasta que haya configurado todas las
condiciones que requiere. El nodo que ha seleccionado y la condición que se debe cumplir antes de
que se ejecute el nodo se muestran en el cuerpo principal de la subpestaña de las columnas Ejecutar
nodo y Si esta condición es verdadera respectivamente.
4. De forma predeterminada, los nodos y las condiciones se ejecutan en el orden en que aparecen. Para
subir o bajar un nodo y condición en la lista, pulse el nodo para seleccionarlo y, a continuación, utilice
la flecha arriba o la flecha abajo en la columna de la derecha de la subpestaña para cambiar el orden.
Además, puede establecer las siguientes opciones en la parte inferior de la subpestaña Condicional:
• Evaluar todo en orden. Seleccione esta opción para evaluar cada condición en el orden en que se
muestra en la subpestaña. Los nodos para los que se han encontrado condiciones que son "True" se
ejecutarán una vez evaluadas todas las condiciones.
• Ejecutar uno por uno. Sólo está disponible si se selecciona Evaluar todo en orden. Si se selecciona
significa que si la condición se evalúa como "True", el nodo asociado con esa condición se ejecutará
antes de que se evalúe la siguiente condición.
• Evaluar hasta primer acierto. Si se selecciona, significa que solo se ejecutará el primer nodo cuya
evaluación de las condiciones devuelva el valor "True".

Capítulo 1. Scripts y lenguaje de scripts 11

Ejecutar e interrumpir scripts
Existen diversas formas de ejecutar scripts. Por ejemplo, en el script de ruta o en el cuadro de diálogo del
script, el botón "Ejecutar este script" ejecuta el script completo:

Figura 1. Botón Ejecutar este script

El botón "Ejecutar líneas seleccionadas" ejecuta una única línea, o un bloque de líneas adyacentes, que
ha seleccionado en el script:

Figura 2. Botón Ejecutar líneas seleccionadas

Un script se puede ejecutar mediante cualquiera de los siguientes métodos:

• Pulse en el botón "Ejecutar este script" o "Ejecutar líneas seleccionadas" dentro de un script de ruta o
un cuadro de diálogo de script.
• Ejecutando una ruta donde Ejecutar este script esté establecido como el método de ejecución
predeterminado.
• Utilizando la marca -execute al inicio en modo interactivo. Consulte “Utilización de argumentos de la
línea de comandos” en la página 65 para obtener más información.
Nota: Un script de supernodo se ejecuta cuando el supernodo se ejecuta, siempre que haya seleccionado
Ejecutar este script en el recuadro de diálogo Script de supernodo.

Interrumpir ejecución de script

En el cuadro de diálogo de scripts de ruta, se activará el botón rojo de detención durante la ejecución de
scripts. Pulsando este botón, puede abandonar la ejecución del script y de cualquier ruta actual.

Buscar y reemplazar
El cuadro de diálogo Buscar/reemplazar está disponible en lugares donde edita texto de script o de
expresión, incluido el editor de scripts, el generador de expresiones CLEM o cuando define una plantilla
en el nodo Informe. Cuando edite texto en cualquiera de estas áreas, pulse Ctrl para acceder al cuadro
de diálogo, asegurándose de que el cursor está centrado en un área de texto. Por ejemplo, si trabaja en un
nodo Rellenar, puede acceder al cuadro de diálogo desde cualquiera de las áreas de texto de la pestaña
Configuración o desde el campo de texto del generador de expresiones.
1. Con el cursor en un área de texto, pulse Ctrl+F para acceder al cuadro de diálogo Buscar/reemplazar.
2. Introduzca el texto que desee buscar o selecciónelo de la lista desplegable de elementos buscados
recientemente.
3. Introduzca el texto de reemplazo, si lo tiene.
4. Pulse en Buscar siguiente para iniciar la búsqueda.
5. Pulse en Reemplazar para reemplazar la sección actual o en Reemplazar todos para actualizar todas
las instancias o sólo las seleccionadas.
6. El cuadro de diálogo se cierra después de cada operación. Pulse F3 desde cualquier área de texto
para repetir la operación de búsqueda más reciente o pulse Ctrl+F para volver a acceder al cuadro de
diálogo.
Opciones de búsqueda

12 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Coincidir mayúsculas y minúsculas. Especifica si la operación de búsqueda hace distinción entre
mayúsculas y minúsculas; por ejemplo, si mivar es igual que miVar. El texto de reemplazo siempre se
introduce exactamente como se ha introducido, independientemente de este ajuste.
Sólo palabras completas. Especifica si la operación de búsqueda tiene en cuenta el texto incluido dentro
de las palabras. Por ejemplo, si se selecciona, la búsqueda de fuego no será igual que cortafuegos ni que
corta-fuegos.
Expresiones regulares. Especifica si se utiliza la sintaxis de expresiones regulares (consulte la sección
siguiente). Si está seleccionado, la opción Sólo palabras completas está desactivada y su valor se ignora.
Sólo texto seleccionado. Controla el ámbito de la búsqueda al utilizar la opción Reemplazar todos.
Sintaxis de expresiones regulares
Las expresiones regulares le permiten buscar caracteres especiales como caracteres de tabulador o de
nueva línea, clases o rangos de caracteres como de la a a la d, cualquier dígito o no dígito y límites como
el principio o el final de una línea. Se admiten los siguientes tipos de expresiones.

Tabla 1. Coincidencias de caracteres

Caracteres Coincidencias
x El carácter x
\\ El carácter de barra inclinada invertida
\0n El carácter con valor octal 0n (0 <= n <= 7)
\0nn El carácter con valor octal 0nn (0 <= n <= 7)
\0mnn El carácter con valor octal 0mnn (0 <= m <= 3, 0 <= n <= 7)
\xhh El carácter con valor hexadecimal 0xhh
\uhhhh El carácter con valor hexadecimal 0xhhhh
\t El carácter de tabulador ('\u0009')
\n El carácter de nueva línea (avance de línea) ('\u000A')
\r El carácter de retorno de carro ('\u000D')
\f El carácter de avance de página ('\u000C')
\a El carácter de alerta (campana) ('\u0007')
\e El carácter de escape ('\u001B')
\cx El carácter de control correspondiente a x

Tabla 2. Clases de caracteres coincidentes

Clases de caracteres Coincidencias
[abc] a, b o c (clase simple)
[^abc] Cualquier carácter excepto a, b o c (resta)
[a-zA-Z] De la a a la z o de la A a la Z, ambas inclusive (rango)
[a-d[m-p]] De la a a la d o de la m a la p (unión). Esto también puede especificarse
como [a-dm-p].
[a-z&&[def]] De la a a la z y d, e o f (intersección)
[a-z&&[^bc]] De la a a la z, excepto b y c (resta). Esto también puede especificarse
como [ad-z].

Capítulo 1. Scripts y lenguaje de scripts 13

 Tabla 2. Clases de caracteres coincidentes (continuación)
Clases de caracteres Coincidencias
[a-z&&[^m-p]] De la a a la z y no de la m a la p (resta). Esto también puede
especificarse como [a-lq-z].

Tabla 3. Clases de caracteres predefinidas

Clases de caracteres Coincidencias
predefinidas
. Cualquier carácter (puede o no coincidir con los terminadores de línea)
\d Cualquier dígito: [0-9]
\D Un no dígito: [^0-9]
\s Un carácter de espacio en blanco: [ \t\n\x0B\f\r]
\S Un carácter de espacio en blanco: [^\s]
\w Un carácter de palabra: [a-zA-Z_0-9]
\W Un carácter que no sea de palabra: [^\w]

Tabla 4. Coincidencias de límite

Reconocedores de límite Coincidencias
^ El comienzo de una línea
$ El final de una línea
\b Un límite alfabético
\B Un límite no alfabético
\A El comienzo de la entrada
\Z El final de la entrada pero para el terminador final, si lo hay
\z El final de la entrada

14 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 2. Language de scripts

Conceptos básicos de lenguaje de script

El recurso de scripts para IBM SPSS Modeler le permite crear scripts que funcionen en la interfaz de
usuario de SPSS Modeler, manipular los objetos de salida y ejecutar la sintaxis de comandos. Puede
ejecutar scripts directamente desde SPSS Modeler.
Los scripts de IBM SPSS Modeler están escritos en el lenguaje de script Python. La implementación Java
de Python que IBM SPSS Modeler se denomina Jython. El lenguaje de script consta de las siguientes
características:
• Un formato para hacer referencia a nodos, rutas, proyectos, resultados y otros objetos de IBM SPSS
Modeler.
• Un conjunto de instrucciones o comandos de scripts que se puede utilizar para manipular tales objetos.
• Un lenguaje de expresión de script para establecer los valores de las variables, los parámetros y otros
objetos.
• Compatibilidad con comentarios, continuaciones y bloques de texto literal.
Las secciones siguientes describen el lenguaje de scripts Python, la implementación de Jython por
parte de Python y la sintaxis básica para empezar a crear scripts en IBM SPSS Modeler. Las secciones
siguientes recogen información sobre comandos y propiedades específicas.

Python y Jython
Jython es una implementación del lenguaje de scripts Python, escrito en el lenguaje Java e integrado
con la plataforma Java. Python es un potente lenguaje de script orientado a objetos. Jython es útil
porque proporciona las características de productividad de un lenguaje de script maduro y, a diferencia
de Python, se ejecuta en cualquier entorno que soporte una máquina virtual Java (JVM). Esto significa
que las bibliotecas Java de la máquina virtual Java están disponibles para utilizarlas cuando se escriben
programas. Con Jython, puede beneficiarse de esta diferencia y utilizar la sintaxis y la mayoría de las
características del lenguaje Python.
Como lenguaje de script, Python (y su implementación Jython) es fácil de aprender y ofrece una
codificación eficaz con la estructura mínima necesaria para crear un programa de ejecución. El código
se puede entrar de forma interactiva, es decir, una línea cada vez. Python es un lenguaje de script
interpretado; no hay ningún paso de precompilación, tal como existe en Java. Los programas de Python
simplemente son archivos de texto que se interpretan a medida que se entran (después de analizar los
errores de sintaxis). Las expresiones simples, tales como los valores definidos, y también las acciones
más complejas, tales como las definiciones de función, se ejecutan y están disponibles para su uso de
forma inmediata. Los cambios realizados en el código se pueden probar fácilmente. Sin embargo, la
interpretación del script tiene algunas desventajas. Por ejemplo, utilizar una variable no definida no es un
error del compilador, por lo tanto solo se detecta si (y cuando) se ejecuta la sentencia en la que se utiliza
la variable. En este caso, se puede editar y ejecutar el programa para depurar el error.
Python lo ve todo como un objeto, incluidos todos los datos y el código. Por lo tanto, puede manipular
estos objetos con líneas de código. Algunos tipos de selección, tales como los números y cadenas, se
consideran valores y no objetos, lo cual resulta más práctico, y Python da soporte a todo ello. Se da
soporte a un valor nulo. Este valor nulo tiene el nombre reservado de None.
Para obtener una introducción más detallada del lenguaje de script Python y Jython y algunos scripts de
ejemplo, consulte el tema http://www.ibm.com/developerworks/java/tutorials/j-jython1/j-jython1.html y
el tema http://www.ibm.com/developerworks/java/tutorials/j-jython2/j-jython2.html.
Scripts de Python
Esta guía del lenguaje de script de Python es una introducción a los componentes que tienen más
probabilidad de ser utilizados cuando se ejecutan scripts en IBM SPSS Modeler, incluidos conceptos
y principios básicos de programación. Le proporcionará los conocimientos suficientes para comenzar a
desarrollar sus propios scripts Python y utilizarlos en IBM SPSS Modeler.

Operaciones
a asignación se realiza mediante un signo de igual (=). Por ejemplo, para asignar el valor "3" a una variable
llamada "x" debe utilizar la siguiente sentencia:

x = 3

El signo igual también se utiliza para asignar datos de tipo de cadena a una variable. Por ejemplo, para
asignar el valor "a string value" a la variable "y" utilice la sentencia siguiente:

y = "a string value"

La tabla siguiente enumera algunas de las operaciones numéricas y de comparación utilizadas con más
frecuencia y sus descripciones.

Tabla 5. Operaciones numéricas y de comparación comunes

Operación Descripción
x < y ¿Es x menor que y?
x > y ¿Es x mayor que y?
x <= y ¿Es x menor que o igual a y?
x >= y ¿Es x mayor que o igual a y?
x == y ¿Es x igual a y?
x != y ¿Es x no igual a y?
x <> y ¿Es x no igual a y?
x + y Sumar y a x
x - y Restar y de x
x * y Multiplicar x por y
x / y Dividir x por y
x ** y Elevar x a la potencia de y

Listas
Las listas son secuencias de elementos. Una lista puede contener cualquier número de elementos, y los
elementos de la lista pueden ser cualquier tipo de objeto. Las listas también se pueden considerar como
matrices. El número de elementos de una lista puede aumentar o disminuir a medida que se añaden,
eliminan o sustituyen elementos.
Ejemplos

[] Cualquier lista vacía.

[1] Una lista con un solo elemento, un entero.
["Mike", 10, "Don", 20] Una lista con cuatro elementos, dos elementos de
cadena y dos elementos de entero.

16 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 [[],[7],[8,9]] Una lista de listas. Cada sublista es una lista vacía o
una lista de elementos de enteros.
Una lista de enteros. Este ejemplo muestra el uso
x = 7; y = 2; z = 3;
[1, x, y, x + y] de variables y expresiones.

Puede asignar una lista a una variable, por ejemplo:

mylist1 = ["one", "two", "three"]

A continuación, puede acceder a los elementos específicos de la lista, por ejemplo:

mylist[0]

Esto genera el resultado siguiente:

one

El número entre corchetes ([]) se considera un index y hace referencia a un elemento concreto de la lista.
Los elementos de una lista se indexan a partir de 0.
También puede seleccionar un rango de elementos de una lista; esto se denomina porciones. Por ejemplo,
x[1:3] selecciona el segundo y el tercer elemento de x. El índice final es uno más allá de la selección.

Cadenas
Una cadena es una secuencia inmutable de caracteres que se trata como un valor. Las cadenas dan
soporte a todas las funciones de secuencias inmutables y operadores que generan como resultado una
nueva serie. Por ejemplo, "abcdef"[1:4] da como resultado la salida "bcd".
En Python, los caracteres se representan mediante cadenas de caracteres de longitud uno.
Los literales de cadenas se definen mediante comillas simples o triples. Las cadenas definidas mediante
comillas simples no pueden abarcar líneas, mientras que las series definidas mediante comillas triples sí
que pueden. Una cadena puede estar entre comillas simples (') o entre comillas dobles ("). Un carácter
entrecomillado puede contener el otro carácter entrecomillado o el carácter entrecomillado de escape,
que es el carácter de barra invertida (\).
Ejemplos

"Esta es una cadena"

'Esta también es una cadena'
"Es una cadena"
'Este manual se titula "Guía de scripts y automatización Python".'
"Estas son comillas de escape (\") en una cadena entrecomillada"

El analizador de Python automáticamente concatena varias cadenas separadas por un espacio en blanco.
Esto facilita la entrada se cadenas largas y la combinación de tipos de comillas en una sola cadena, por
ejemplo:

"Esta cadena utiliza ' y " 'esta cadena utiliza ".'

Esto resulta en la siguiente salida:

Esta cadena utiliza ' y esa cadena utiliza ".

Las cadenas dan soporte a varios métodos útiles. Algunos de estos métodos se proporcionan en la tabla
siguiente.

Capítulo 2. Language de scripts 17

 Tabla 6. Métodos de serie
Método Uso
s.capitalize() Mayúscula inicial s
s.count(ss {,start {,end}}) Recuento de apariciones de ss en s[start:end]

s.startswith(str {, start {, end}}) Probar si s comienza por str

s.endswith(str {, start {, end}}) Probar si s acaba en str

s.expandtabs({size}) Sustituir tabulaciones por espacios, el valor

predeterminado de size es 8
Busca el primer índice de str en s; si no se
s.find(str {, start {, end}})
s.rfind(str {, start {, end}}) encuentra, el resultado es -1. rfind busca de
derecha a izquierda.
Busca el primer índice de str en s; si no se
s.index(str {, start {, end}})
s.rindex(str {, start {, end}}) encuentra: se genera ValueError. rindex busca
de derecha a izquierda.
s.isalnum Probar si la cadena es alfanumérica
s.isalpha Probar si la cadena es alfabética
s.isnum Probar si la cadena es numérica
s.isupper Probar si la cadena está toda en mayúsculas
s.islower Probar si la cadena está toda en minúsculas
s.isspace Probar si la cadena está toda en espacios en
blanco
s.istitle Probar si la cadena es una secuencia de cadenas
alfanuméricas con mayúscula inicial

s.lower() Convertir todo a minúsculas

s.upper() Convertir todo a mayúsculas
s.swapcase()
s.title() Convertir de mayúsculas a minúsculas o viceversa
Convertir todo a mayúsculas o minúsculas del
título

s.join(seq) Unir las cadenas de seq con s como separador

s.splitlines({keep}) Dividir s en líneas, si keep es true, mantener las
nuevas líneas
s.split({sep {, max}}) Dividir s en "palabras" utilizando sep (el valor
predeterminado de sep es un espacio en blanco)
para un máximo de max veces

s.ljust(width) Justificar la cadena a la izquierda con un ancho de

s.rjust(width) campo de width
s.center(width)
s.zfill(width) Justificar la cadena a la derecha con un ancho de
campo de width
Justificar la cadena al centro con un ancho de
campo de width
Rellenar con 0.

18 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 6. Métodos de serie (continuación)
Método Uso

s.lstrip() Eliminar espacios en blanco iniciales

s.rstrip() Eliminar espacios en blanco de cola
s.strip()
Eliminar espacios en blanco iniciales y de cola

s.translate(str {,delc}) Traducir s utilizando la tabla, después eliminar

cualquier carácter de delc. str debe ser una
cadena con una longitud de == 256.
s.replace(old, new {, max}) Sustituye todas las apariciones de max de la
cadena old por la cadena new

Observaciones
Los comentarios se introducen con el signo de almohadilla (#) o hash. Todo el texto que sigue al signo
de almohadilla en la misma línea se considera parte del comentario y se omite. Un comentario puede
comenzar en cualquier columna. El ejemplo siguiente muestra el uso de los comentarios:

#The HelloWorld application is one of the most simple

print 'Hello World' # print the Hello World line

Sintaxis de las sentencias

La sintaxis de las sentencias para Python es muy sencilla. En general, cada línea de origen es una sola
sentencia. A excepción de las sentencias expression y assignment, cada sentencia se introduce
mediante un nombre de palabra clave, tal como if o for. Las líneas en blanco o las líneas de
comentarios se pueden insertar en cualquier lugar entre cualquier sentencia del código. Si existe más
de una sentencia en una línea, cada sentencia debe estar separada por un signo de punto y coma (;).
Las sentencias muy largas puede continuar en más de una línea. En este caso, la sentencia que ha de
continuar en la línea siguiente debe acabar con una barra invertida (\), por ejemplo:

x = "A loooooooooooooooooooong string" + \

"another looooooooooooooooooong string"

Cuando una estructura está encerrada entre paréntesis (()), corchetes ([]) o llaves ({}), la sentencia
puede continuar en una línea nueva después de cualquier coma, sin tener que insertar una barra
invertida, por ejemplo:

x = (1, 2, 3, "hello",
"goodbye", 4, 5, 6)

Identificadores
Los identificadores se utilizan para el nombre de las variables, funciones, clases y palabras clave.
Los identificadores pueden tener cualquier longitud, pero debe empezar con un carácter alfabético en
mayúsculas o minúsculas o el carácter de subrayado (_). Los nombres que empiezan con un carácter
de subrayado están generalmente reservados para los nombres internos o privados. Después del primer
carácter, el identificador puede contener cualquier número y combinación de caracteres alfabéticos, los
números del 0-9, y el carácter de subrayado.
Existen algunas palabras reservadas en Jython que no se pueden utilizar para el nombre de variables,
funciones o clases. Estas palabras entran en las siguientes categorías:
• Introducciones de sentencias: assert, break, class, continue, def, del, elif, else, except,
exec, finally, for, from, global, if, import, pass, print, raise, return, try y while
• Introducciones de parámetros: as, import y in

Capítulo 2. Language de scripts 19

 • Operadores: and, in, is, lambda, not y or
El uso incorrecto de palabras claves suele generar SyntaxError.

Bloques de código
Bloques de código son grupos de sentencias que se utilizan donde se esperan sentencias individuales.
Los bloques de código pueden seguir a cualquiera de las sentencias siguientes: if, elif, else, for,
while, try, except, def y class. Estas sentencias introducen el bloque de código con el carácter de
dos puntos (:), por ejemplo:

if x == 1:
y = 2
z = 3
elif:
y = 4
z = 5

Se utiliza la indentación para delimitar los bloques de código (en lugar de las llaves que se utilizan en
Java). Todas las líneas de un bloque han de indentarse en la misma posición. Esto es debido a que un
cambio en la indentación indica el final de un bloque de código. Normalmente la indentación es de cuatro
espacios por nivel. Se recomienda utilizar espacios para la indentación, en lugar de tabulaciones. No se
deben combinar espacios y tabulaciones. Las líneas del bloque de un módulo situado más al extremo
deben comenzar en la columna uno, de lo contrario, se genera el error SyntaxError.
Las sentencias que componen un bloque de código (y siguen el signo de dos puntos) también deben estar
en una sola línea, separadas por signos de punto y coma, por ejemplo:

if x == 1: y = 2; z = 3;

Pasar argumentos a un script

Pasar argumentos a un script puede resultar útil para poder utilizar un script reiteradamente sin
modificarlo. Los argumentos se pasan en la línea de comandos como valores de la lista sys.argv. El
número de valores que se pasan se puede obtener mediante el comando len(sys.argv). Por ejemplo:

import sys
print "test1"
print sys.argv[0]
print sys.argv[1]
print len(sys.argv)

En este ejemplo, el comando import importa toda la clase sys, por lo que se pueden utilizar los métodos
existentes para esta clase, tales como argv.
El script de este ejemplo se puede invocar utilizando la línea siguiente:

/u/mjloos/test1 mike don

Esto genera el resultado siguiente:

/u/mjloos/test1 mike don

test1
mike
don
3

Ejemplos
La palabra clave print imprime los argumentos situados inmediatamente después de la misma. Si la
sentencia va seguida de una coma, no se incluye una línea nueva en los resultados. Por ejemplo:

print "Esto muestra el uso de una",

print " coma al final de una sentencia de impresión."

20 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Esto genera el resultado siguiente:

Esto muestra el uso de una coma al final de una sentencia de impresión.

La sentencia for se utiliza para la iteración por un bloque de código. Por ejemplo:

mylist1 = ["one", "two", "three"]

for lv in mylist1:
print lv
continue

En este ejemplo, se asignan tres cadenas a la lista mylist1. Los elementos de la lista se imprimen a
continuación, con un elemento de cada línea. Esto genera el resultado siguiente:

uno
two
tres

En este ejemplo, el iterador lv toma el valor de cada elemento de la lista mylist1 por orden, mientras el
bucle for implementa el bloque de código de cada elemento. Un iterador puede ser cualquier identificador
válido de cualquier longitud.
La sentencia if es una sentencia condicional. Evalúa la condición y devuelve true o false, en función del
resultado de la evaluación. Por ejemplo:

mylist1 = ["one", "two", "three"]

for lv in mylist1:
if lv == "two"
print "The value of lv is ", lv
else
print "The value of lv is not two, but ", lv
continue

En este ejemplo, se evalúa el valor del iterador lv. Si el valor de lv es two se devuelve una cadena
diferente a la cadena que se devuelve si el valor de lv no es two. Esto resulta en la siguiente salida:

The value of lv is not two, but one

The value of lv is two
The value of lv is not two, but three

Métodos matemáticos
Desde el módulo matemáticas puede acceder a métodos matemáticos útiles. Algunos de estos métodos
se proporcionan en la tabla siguiente. A menos que se especifique lo contrario, todos los valores se
devuelven como valores flotantes.

Tabla 7. Métodos matemáticos

Método Uso
math.ceil(x) Devuelve el punto más alto de x como un valor
flotante, que es el entero más pequeño mayor o
igual a x
math.copysign(x, y) Devuelve x con el signo de y. copysign(1,
-0.0) devuelve -1
math.fabs(x) Devuelve el valor absoluto de x
math.factorial(x) Devuelve el factor de x. Si x es negativo o no es un
entero, se genera ValueError.
math.floor(x) Devuelve el punto más bajo de x como un valor
flotante, que es el entero más alto menor o igual a
x

Capítulo 2. Language de scripts 21

 Tabla 7. Métodos matemáticos (continuación)
Método Uso
math.frexp(x) Devuelve la mantisa (m) y el exponente (e) de
x como el par (m, e). m es un valor flotante
y e es un entero, tal como x == m * 2**e
exactamente. Si x es cero, devuelve (0,0, 0), de
lo contrario 0,5 <= abs(m) < 1.
math.fsum(iterable) Devuelve una suma de coma flotante precisa de los
valores de iterable
math.isinf(x) Comprueba si el valor flotante x es positivo o
negativo infinito
math.isnan(x) Comprueba si el valor flotante x es NaN (no es un
número)
math.ldexp(x, i) Devuelve x * (2**i). Esencialmente es la
función inversa de frexp.
math.modf(x) Devuelve las partes de fracción y entero de x. Los
dos resultados llevan el signo de x y son flotantes.
math.trunc(x) Devuelve el valor Real de x, que se ha truncado en
un Integral.
math.exp(x) Devuelve e**x
math.log(x[, base]) Devuelve el logaritmo de x para el valor dado de
base. Si no se especifica base, se devuelve el
logaritmo natural de x.
math.log1p(x) Devuelve el logaritmo natural de 1+x (base e)
math.log10(x) Devuelve el logaritmo de base-10 de x
math.pow(x, y) Devuelve x elevado a la potencia de y. pow(1.0,
x) y pow(x, 0.0) siempre devuelve 1, incluso si
x es cero o NaN.
math.sqrt(x) Devuelve la raíz cuadrada de x

Además de las funciones matemáticas, hay algunos métodos trigonométricos útiles. Estos métodos se
muestran en la siguiente tabla.

Tabla 8. Métodos trigonométricos

Método Uso
math.acos(x) Devuelve el arco coseno de x en radianes
math.asin(x) Devuelve el arcoseno de x en radianes
math.atan(x) Devuelve el arco tangente de x en radianes
math.atan2(y, x) Devuelve atan(y / x) en radianes.
math.cos(x) Devuelve el coseno de x en radianes.
math.hypot(x, y) Devuelve la norma euclidiana de sqrt(x*x +
y*y). Esta es la longitud del vector desde el origen
al punto (x, y).
math.sin(x) Devuelve el seno de x en radianes

22 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 8. Métodos trigonométricos (continuación)
Método Uso
math.tan(x) Devuelve la tangente de x en radianes
math.degrees(x) Convierte el ángulo x de radianes a grados
math.radians(x) Convierte el ángulo x de grados a radianes
math.acosh(x) Devuelve el coseno hiperbólico inverso de x
math.asinh(x) Devuelve el seno hiperbólico inverso de x
math.atanh(x) Devuelve la tangente hiperbólica inversa de x
math.cosh(x) Devuelve el coseno hiperbólico de x
math.sinh(x) Devuelve el coseno hiperbólico de x
math.tanh(x) Devuelve la tangente hiperbólica de x

También hay constantes matemáticas. El valor de math.pi es la constante matemática pi. El valor de
math.e es la constante matemática e.

Utilización de caracteres no ASCII

Para utilizar caracteres no ASCII, Python requiere la codificación y descodificación explícitas de las
cadenas en Unicode. En IBM SPSS Modeler, se presupone que los scripts Python están codificados UTF-8,
la cual es una codificación Unicode estándar que da soporte a caracteres no ASCII. El script siguiente se
compilará porque SPSS Modeler ha establecido el compilador Python en UTF-8.

Sin embargo, el nodo resultante tendrá una etiqueta incorrecta.

Figura 3. Etiqueta del nodo que contiene caracteres no ASCII, visualiza incorrectamente

La etiqueta es incorrecta porque Python ha convertido el propio literal de serie en una cadena ASCII.
Python permite que los literales de cadenas Unicode se especifiquen añadiendo un prefijo con el carácter
u antes del literal de cadena:

Esto crear una cadena Unicode y la etiqueta aparecerá correctamente.

Capítulo 2. Language de scripts 23

 Figura 4. Etiqueta de nodo que contiene caracteres no ASCII, visualizados correctamente

La utilización de Python y Unicode es un tema de gran volumen que no entra dentro del ámbito de este
documento. Existen muchas publicaciones y recursos en línea disponibles que describen detalladamente
este tema.

Programación orientada a objetos

La programación orientada a objetos se basa en el concepto de crear un modelo del problema de
destino en sus programas. La programación orientada a objetos disminuye los errores y promociona la
reutilización del código. Python es un lenguaje orientado a objetos. Los objetos definidos en Python tienen
las características siguientes:
• Identidad. Cada objeto debe ser distinguido y ello debe poder demostrarse mediante pruebas. Las
pruebas is e is not existen para este fin.
• Estado Cada objeto debe ser capaz de almacenar el estado. Para este fin, existen atributos, tales como
variables de instancias y campos.
• Comportamiento. Cada objeto debe ser capaz de manipular su estado. Para este fin existen métodos.
Python incluye las características siguientes para dar soporte a la programación orientada a objetos:
• Creación de objetos basada en clases. Las clases son plantillas para la creación de objetos. Los
objetos son estructuras de datos con el comportamiento asociado.
• Herencia con polimorfismo. Python da soporte a la herencia individual y múltiple. Todos los métodos
de instancias de Python son polimórficos y se pueden alterar temporalmente mediante subclases.
• Encapsulación con ocultación de datos. Python permite ocultar los atributos. Cuando se ocultan los
atributos, se puede acceder a los mismos desde fuera de la clase únicamente mediante los métodos de
la clase. Las clases implementan métodos para modificar los datos.

Definición de una clase

En una clase Python, se pueden definir tanto variables como métodos. A diferencia de Java, en Python
puede definir cualquier número de clases públicas por archivo de origen (o module). Por lo tanto, un
módulo en Python puede considerarse similar a un paquete en Java.
En Python, las clases se definen utilizando la sentencia class. La sentencia class tiene el formato
siguiente:

class name (superclasses): statement

class name (superclasses):

assignment
.
.
function
.
.

Cuando define una clase tiene la opción de proporcionar cero o más sentencias assignment. Estos crean
atributos de clase que comparten todas las instancias de la clase. Puede proporcionar cero o más
definiciones de function. Estas definiciones de función crean métodos. La lista de superclases es opcional.

24 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 El nombre de clase debe ser exclusivo en el mismo ámbito, esto es, dentro de un módulo, función o clase.
Puede definir varias variables para que hagan referencia a la misma clase.

Creación de una instancia de clase

Las clases se utilizan para contener (o compartir) los atributos de clase o para crear instancias de clase.
Para crear una instancia de una clase, debe llamar a la clase como si fuera una función. Por ejemplo,
considere las clases siguientes:

class MyClass:
pass

Aquí, se utiliza la sentencia pass por que se requiere una sentencia para completar la clase, pero no se
requiere ninguna acción de programación.
La sentencia siguiente crea una instancia de la clase MyClass:

x = MyClass()

Añadir atributos a una instancia de clase

A diferencia de Java, en Python los clientes pueden añadir atributos a una instancia de una clase. Solo se
cambia la instancia. Por ejemplo, para añadir atributos a una instancia de x, establezca valores nuevos en
dicha instancia:

x.attr1 = 1
x.attr2 = 2
.
.
x.attrN = n

Definición de atributos de clase y métodos

Cualquier variable enlazada a una clase es un atributo de clase. Cualquier función definida en una
clase es un método. Los métodos reciben como primer argumento una instancia de la clase, que
convencionalmente se denomina self. Por ejemplo, para definir algunos atributos de clase y métodos,
puede entrar el siguiente código:

class MyClass
attr1 = 10 #class attributes
attr2 = "hello"

def method1(self):
print MyClass.attr1 #reference the class attribute

def method2(self):
print MyClass.attr2 #reference the class attribute

def method3(self, text):

self.text = text #instance attribute
print text, self.text #print my argument and my attribute

method4 = method3 #make an alias for method3

Dentro de una clase, debe cualificar todas las referencias a los atributos de clase con el nombre de clase;
por ejemplo, MyClass.attr1. Todas las referencias a los atributos de la instancia deben cualificarse con
la variable self, por ejemplo, self.text. Fuera de la clase, debe cualificar todas las referencias a los
atributos de clase con el nombre de clase (por ejemplo, MyClass.attr1) o con una instancia de la clase
(por ejemplo, x.attr1, donde x es una instancia de la clase). Fuera de la clase, todas las referencias a
las variables de la instancia deben cualificarse con una instancia de la clase, por ejemplo, x.text.

Capítulo 2. Language de scripts 25

Variables ocultas
Los datos se pueden ocultar creando variables privadas. Solo la propia clase puede acceder a las
variables privadas. Si declara nombres con el formato __xxx o __xxx_yyy, estos es, con dos signos
de subrayado antes de los nombres, el analizador Python automáticamente añadirá el nombre de clase al
nombre declarado y creará las variables ocultas, por ejemplo:

class MyClass:
__attr = 10 #private class attribute

def method1(self):
pass

def method2(self, p1, p2):

pass

def __privateMethod(self, text):

self.__text = text #private attribute

A diferencia de Java, en Python todas las referencias a variables de instancia deben estar calificadas con
self; no existe un uso implícito de this.

Heredado
La posibilidad de herencia de las clases es fundamental en la programación orientada a objetos. Python
da soporte a la herencia individual y múltiple. Herencia individual significa que solo puede haber una
superclase. Herencia múltiple significa que puede haber más de una superclase.
La herencia se implementa generando subclases de otras clases. Cualquier número de clases Python
pueden ser superclases. En la implementación de Jython en Python, solo se puede heredar directa o
indirectamente de una clase Java. No es necesario suministrar una superclase.
Cualquier atributo o método de una superclase también está en cualquier subclase y lo puede utilizar
la propia clase o cualquier cliente, siempre que el atributo o método no esté oculto. Se puede utilizar
cualquier instancia de una subclase; esto se denomina polimorfismo. Estas características permiten la
reutilización y facilitan la extensión.
Ejemplo

class Class1: pass #no inheritance

class Class2: pass

class Class3(Class1): pass #single inheritance

class Class4(Class3, Class2): pass #multiple inheritance

26 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 3. Scripts de IBM SPSS Modeler

Tipos de scripts
En IBM SPSS Modeler existen tres tipos de scripts:
• Los scripts de ruta se utilizan para controlar la ejecución de una sola ruta y se almacenan dentro de la
ruta.
• Los scripts Supernodo se utilizan para controlar el comportamiento de los supernodos.
• Los scripts autónomos o de sesión se pueden utilizar para coordinar la ejecución entre un número de
rutas diferentes.
Existen diferentes métodos disponibles que puede utilizar en scripts en IBM SPSS Modeler lo que le
permite acceder a una amplia gama de funciones de SPSS Modeler. Estos métodos se utilizan también en
Capítulo 4, “API de scripts”, en la página 39 para crear funciones más avanzadas.

Rutas, rutas de supernodo y diagramas

La mayoría de las veces, el término ruta significa lo mismo independientemente de que se trate de una
ruta cargada de un archivo o utilizada dentro de un supernodo. En general significa una colección de
nodos conectados entre sí que puede ejecutarse. Sin embargo, en la creación de scripts no todas las
operaciones se soportan en todos los sitios, lo que significa que el autor de un script deberá tener en
cuenta qué variante de ruta está utilizando.

Rutas
Una ruta es el principal tipo de documento de IBM SPSS Modeler. Se puede guardar, cargar, editar
y ejecutar. Las rutas también pueden tener parámetros, valores globales, un script y otra información
asociada a ellos.

Rutas de Supernodo
Una ruta de Supernodo es el tipo de ruta que se utiliza en un Supernodo. Al igual que una ruta normal,
contiene nodos enlazados entre sí. Las rutas de Supernodo tienen una serie de diferencias respecto de
una ruta normal.
• Los parámetros y scripts están asociados al Supernodo propietario de la ruta de Supernodo en lugar de
a la propia ruta de Supernodo.
• Las rutas de Supernodo tienen nodos de conector de entrada y salida adicionales dependiendo del tipo
de Supernodo. Estos nodos de conector se utilizan en los flujos de información entrantes y salientes de
la ruta de Supernodo y se crean automáticamente cuando se crea el Supernodo.

Diagramas
El término diagrama abarca las funciones soportadas en rutas normales y en rutas de supernodo como,
por ejemplo, la adición y eliminación de nodos y la modificación de conexiones entre nodos.

Ejecución de una ruta

El ejemplo siguiente ejecuta todos los nodos ejecutables en la ruta y es el tipo de script de ruta más
sencillo:

modeler.script.stream().runAll(None)
 El ejemplo siguiente también se ejecuta todos los nodos ejecutables de la ruta:

ruta = modeler.script.stream()
stream.runAll(None)

En este ejemplo, la ruta se almacena en una variable denominada stream. Almacenar la ruta en una
variable resulta útil ya que un script se utiliza generalmente para modificar la ruta o los nodos contenidos
en una ruta. Si se crea una variable que almacena los resultados de la ruta, el script resultará más
conciso.

El contexto de los scripts

El módulo modeler.script proporciona el contexto en el que se ejecuta un script. El módulo se importa
automáticamente a un script de SPSS Modeler durante la ejecución. El módulo define cuatro funciones
que proporcionan un script con acceso a su entorno de ejecución:
• La función session() devuelve la sesión para el script. La sesión define información, tal como el
entorno local y el proceso de fondo de SPSS Modeler (ya sea un proceso local o un proceso de SPSS
Modeler Server conectado a la red) que se está utilizando para ejecutar rutas.
• La función stream() se puede utilizar con la ruta y los scripts Supernodo. Esta función devuelve la ruta
que es propietaria del script de ruta o el script Supernodo que se está ejecutando.
• La función diagram() se puede utilizar con los scripts Supernodo. Esta función devuelve el diagrama
dentro del Supernodo. Para otros tipos de script, esta función devuelve el mismo que la función
stream().
• La función supernode() se puede utilizar con los scripts Supernodo. Esta función devuelve el
Supernodo propietario del script que se está ejecutando.
En la tabla siguiente se resumen las cuatro funciones y sus resultados.

Tabla 9. Resumen de las funciones de modeler.script

Tipo de script session() stream() diagram() supernode()
Autónomo Devuelve una Devuelve la ruta Igual que para No es aplicable
sesión gestionada actual stream()
en el momento en
que se invoca el
script (por ejemplo,
la ruta se pasa con
la opción -stream
de modalidad de
proceso por lotes)
o None.
Ruta Devuelve una Devuelve una ruta Igual que para No es aplicable
sesión stream()
Supernodo Devuelve una Devuelve una ruta Devuelve una ruta Devuelve un
sesión Supernodo Supernodo

El módulo modeler.script también define un modo de finalizar el script con un código de salida.
La función exit(exit-code) detiene la ejecución del script y devuelve el código de salida de entero
suministrado.
Uno de los métodos que se define para una ruta es runAll(List). Este método ejecuta todos los nodos
ejecutables. Los modelos o resultados que se generan mediante la ejecución de los nodos se añaden a la
lista suministrada.

28 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Es común que la ejecución de ruta genere resultados, tales como modelos, gráficos y otros. Para capturar
este resultado, un script puede proporcionar una variable que se inicializa en una lista, por ejemplo:

ruta = modeler.script.stream()
results = []
stream.runAll(results)

Cuando se completa la ejecución, se puede acceder a todos los objetos generados por la ejecución en la
lista results.

Referencia a nodos existentes

Una ruta suele estar construida previamente con algunos parámetros que se deben modificar antes de
ejecutar la ruta. Para modificar estos parámetros se han de realizar las tareas siguientes:
1. Localizar los nodos en la ruta relevante.
2. Cambiar los valores de los nodos o de la ruta (o de ambas cosas).

Buscar nodos
Las rutas proporcionan varios modos de localizar un nodo existente. Estos métodos se resumen en la
siguiente tabla.

Tabla 10. Métodos para localizar un nodo existente

Método Tipo devuelto Descripción
s.findAll(type, label) Colección Devuelve una lista de todos los
nodos con el tipo y la etiqueta.
El tipo o la etiqueta pueden ser
None, en cuyo caso se utiliza el
otro parámetro.
s.findAll(filter, Colección Devuelve una colección de todos
recursive) los nodos que están aceptados
por el filtro especificado.
Si el distintivo recursivo es
True, también se buscan los
supernodos contenidos en la ruta
especificada.
s.findByID(id) Nodo Devuelve el nodo con el ID
proporcionado o None si no
existe dicho nodo. La búsqueda
se limita a la ruta actual.
s.findByType(type, label) Nodo Devuelve el nodo con el tipo,
etiqueta o ambas cosas. El tipo
o el nombre pueden ser None,
en cuyo caso se utiliza el otro
parámetro. Si varios nodos dan
como resultado una coincidencia,
se elige uno arbitrario y se
devuelve. Si ningún nodo da
como resultado una coincidencia,
se devuelve el valor None.

Capítulo 3. Scripts de IBM SPSS Modeler 29

 Tabla 10. Métodos para localizar un nodo existente (continuación)
Método Tipo devuelto Descripción
s.findDownstream(fromNode Colección Busca en la lista de nodos
s) suministrada y devuelve el
conjunto de nodos en sentido
descendente de los nodos
suministrados. La lista devuelta
incluye los nodos proporcionados
originalmente.
s.findUpstream(fromNodes) Colección Busca en la lista de nodos
suministrada y devuelve el
conjunto de nodos en sentido
ascendente de los nodos
suministrados. La lista devuelta
incluye los nodos proporcionados
originalmente.
s.findProcessorForID(Stri Nodo Devuelve el nodo con el
ng id, boolean recursive) ID proporcionado o None si
no existe dicho nodo. Si el
distintivo recursivo es true,
también se buscan los nodos
compuestos contenidos en la
ruta especificada.

Por ejemplo, si una ruta contiene un nodo Filtro único que el script necesita para acceso, el nodo Filtro se
puede encontrar utilizando el siguiente script:

ruta = modeler.script.stream()
node = stream.findByType("filter", None)
...

Como alternativa, si se conoce el ID del nodo (tal como se muestra en la pestaña Anotaciones del cuadro
de diálogo del nodo) se puede utilizar el ID para buscar el nodo, por ejemplo:

ruta = modeler.script.stream()
node = stream.findByID("id32FJT71G2") # the filter node ID
...

Establecimiento de propiedades
Los nodos, rutas, modelos y resultados tienen propiedades a las que se puede acceder y que, en la mayor
parte de los casos, se pueden establecer. Las propiedades suelen utilizarse para modificar el aspecto o el
comportamiento del objeto. En la tabla siguiente se resumen los métodos disponibles para establecer y
acceder a las propiedades de los objetos.

Tabla 11. Métodos para establecer y acceder a las propiedades de los objetos
Método Tipo devuelto Descripción
p.getPropertyValue(proper Objeto Devuelve el valor de la propiedad
tyName) con nombre, o None si no existe
tal propiedad.
p.setPropertyValue(proper No es aplicable Establece el valor de la
tyName, value) propiedad con nombre.

30 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 11. Métodos para establecer y acceder a las propiedades de los objetos (continuación)
Método Tipo devuelto Descripción
p.setPropertyValues(prope No es aplicable Establece los valores de la
rties) propiedad con nombre. Cada
entrada de la correlación de
propiedades consta de una clave
que representa el nombre de la
propiedad y del valor que debe
asignarse a la propiedad.
Objeto Devuelve el valor de la propiedad
p.getKeyedPropertyValue(
propertyName, keyName) con nombre, o None si no existe
dicha propiedad o clave.
No es aplicable Establece el valor de la
p.setKeyedPropertyValue(
propertyName, keyName, propiedad con nombre y de la
value) clave.

Por ejemplo, si desea establecer el valor de un nodo Archivo variable al comienzo de una ruta, puede
utilizar el siguiente script:

ruta = modeler.script.stream()
node = stream.findByType("variablefile", None)
node.setPropertyValue("full_filename", "$CLEO/DEMOS/DRUG1n")
...

Como alternativa, puede que desee filtrar un campo desde un nodo Filtrar. En este caso, el valor es con
clave en el nombre de campo, por ejemplo:

ruta = modeler.script.stream()
# Locate the filter node ...
node = stream.findByType("filter", None)
# ... and filter out the "Na" field
node.setKeyedPropertyValue("include", "Na", False)

Creación de nodos y modificación de rutas

En algunas situaciones, es posible que desee añadir nuevos nodos a rutas existentes. Para añadir nodos a
rutas existentes suele ser necesario realizar las tareas siguientes:
1. Crear los nodos.
2. Enlazar los nodos con el flujo de ruta existente.

Creación de nodos
Las rutas proporcionan varios modos de crear nodos. Estos métodos se resumen en la siguiente tabla.

Tabla 12. Métodos para crear nodos

Método Tipo devuelto Descripción
s.create(nodeType, name) Nodo Crea un nodo del tipo
especificado y lo añade a la ruta
especificada.
s.createAt(nodeType, Nodo Crea un nodo del tipo
name, x, y) especificado y lo añade a la
ruta especificada en la ubicación
especificada. Si x< 0 o y < 0, no
se establece la ubicación.

Capítulo 3. Scripts de IBM SPSS Modeler 31

 Tabla 12. Métodos para crear nodos (continuación)
Método Tipo devuelto Descripción
s.createModelApplier(mode Nodo Crea un nodo aplicador de
lOutput, name) modelos que se deriva del
objeto de resultados del modelo
proporcionado.

Por ejemplo, para crear un tipo de nodo nuevo en una ruta puede utilizar el siguiente script:

ruta = modeler.script.stream()
# Create a new type node
node = stream.create("type", "My Type")

Enlazar y desenlazar nodos

Cuando un nodo nuevo se crea dentro de una ruta, debe estar conectado a una ruta de nodos para
poder utilizarlo. Las rutas proporciona varios métodos para enlazar y desenlazar nodos. Estos métodos se
resumen en la siguiente tabla.

Tabla 13. Métodos para enlazar y desenlazar nodos

Método Tipo devuelto Descripción
s.link(source, target) No es aplicable Crea un nuevo enlace entre los
nodos de origen y destino.
s.link(source, targets) No es aplicable Crea nuevos enlaces entre el
nodo de origen y cada nodo de
destino de la lista suministrada.
s.linkBetween(inserted, No es aplicable Conecta un nodo entre dos
source, target) instancias de otro nodo (los
nodos de origen y de destino) y
establece la posición del nodo
insertado de modo que quede
entre ellos. Cualquier enlace
directo entre los nodos de origen
y de destino se elimina en primer
lugar.
s.linkPath(path) No es aplicable Crea una nueva ruta entre
instancias de nodo. El primer
nodo se enlaza con el segundo,
el segundo nodo se enlaza con el
tercero y así sucesivamente.
s.unlink(source, target) No es aplicable Elimina cualquier enlace directo
entre los nodos de origen y de
destino.
s.unlink(source, targets) No es aplicable Elimina los enlaces directos entre
el nodo de origen y cada objeto
de la lista de destinos.
s.unlinkPath(path) No es aplicable Elimina cualquier ruta que existe
entre las instancias del nodo.
s.disconnect(node) No es aplicable Elimina los enlaces entre el nodo
suministrado y todos los demás
nodos de la ruta especificada.

32 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 13. Métodos para enlazar y desenlazar nodos (continuación)
Método Tipo devuelto Descripción
s.isValidLink(source, booleano Devuelve True si es válido
target) crear un enlace entre los
nodos de origen y de
destino especificados. Este
método comprueba que ambos
objetos pertenezcan a la ruta
especificada, que el nodo de
origen puede proporcionar un
enlace y que el nodo de destino
puede recibir un enlace, y que
la creación de un enlace de este
tipo no creará un circularidad en
la ruta.

El script de ejemplo siguiente realiza estas cinco tareas:

1. Crea un nodo de entrada Archivo de variables, un nodo Filtro y un nodo de salida Tabla.
2. Conecta los nodos entre sí.
3. Establece el nombre de archivo del nodo de entrada Archivo de variables.
4. Filtra el campo "Drug" de la salida resultante.
5. Ejecute el nodo Tabla.

ruta = modeler.script.stream()
filenode = stream.createAt("variablefile", "My File Input ", 96, 64)
filternode = stream.createAt("filter", "Filter", 192, 64)
tablenode = stream.createAt("table", "Table", 288, 64)
stream.link(filenode, filternode)
stream.link(filternode, tablenode)
filenode.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
filternode.setKeyedPropertyValue("include", "Drug", False)
results = []
tablenode.run(results)

Importar, sustituir y eliminar nodos

Además de crear y conectar nodos, a menudo es necesario sustituir y suprimir nodos de la ruta. Los
métodos que están disponibles para importar, sustituir y suprimir nodos se resumen en la tabla siguiente.

Tabla 14. Métodos para importar, sustituir y suprimir nodos

Método Tipo devuelto Descripción
s.replace(originalNode, No es aplicable Sustituye el nodo especificado
replacementNode, de la ruta actual. Tanto el
discardOriginal) nodo original como el nodo de
sustitución deben ser propiedad
de la ruta especificada.

Capítulo 3. Scripts de IBM SPSS Modeler 33

 Tabla 14. Métodos para importar, sustituir y suprimir nodos (continuación)
Método Tipo devuelto Descripción
s.insert(source, nodes, Lista Inserta copias de los nodos en la
newIDs) lista suministrada. Se presupone
que todos los nodos de la
lista suministrada se encuentran
dentro de la ruta especificada.
El distintivo newIDs indica si
se deben generar nuevos ID
para cada nodo o si se debe
copiar y utilizar el ID existente.
Se presupone que todos los
nodos de una ruta tienen ID
exclusivos, por lo tanto este
distintivo se debe establecer en
True si la ruta de origen es la
misma que la ruta especificada.
El método devuelve la lista de
nodos recién insertados, en la
que el orden de los nodos está
sin definir (es decir, el orden no
es necesariamente el mismo que
el orden de los nodos de la lista
de entrada).
s.delete(node) No es aplicable Elimina el nodo especificado de
la ruta especificada. El nodo
debe ser propiedad de la ruta
especificada.
s.deleteAll(nodes) No es aplicable Elimina todos los nodos
especificados de la ruta
especificada. Todos los nodos de
la colección debe pertenecer a la
ruta especificada.
s.clear() No es aplicable Elimina todos los nodos de la
ruta especificada.

Atravesar los nodos de una ruta

Un requisito común es identificar los nodos que están en un punto de la ruta anterior o posterior a un
determinado nodo. La ruta proporciona una serie de métodos que pueden utilizarse para identificar estos
nodos. Estos métodos se resumen en la siguiente tabla.

Tabla 15. Métodos para identificar los nodos en sentido ascendente y descendente
Método Tipo devuelto Descripción
s.iterator() Iterator Devuelve un iterador de
los objetos de nodo que
están contenidos en la
ruta especificada. Si la ruta
se modifica entre llamadas
a la función next(), el
comportamiento del iterador no
está definido.

34 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 15. Métodos para identificar los nodos en sentido ascendente y descendente (continuación)
Método Tipo devuelto Descripción
s.predecessorAt(node, Nodo Devuelve el predecesor
index) inmediato especificado del nodo
suministrado o None si el índice
está fuera de los límites.
s.predecessorCount(node) int Devuelve el número de
predecesores inmediatos del
nodo suministrado.
s.predecessors(node) Lista Devuelve los predecesores
inmediatos del nodo
suministrado.
s.successorAt(node, Nodo Devuelve el sucesor inmediato
index) especificado del nodo
suministrado o None si el índice
está fuera de los límites.
s.successorCount(node) int Devuelve el número de
sucesores inmediatos del nodo
suministrado.
s.successors(node) Lista Devuelve los sucesores
inmediatos del nodo
suministrado.

Borrado o eliminación de elementos

Los scripts de herencia admiten varios usos del comando claro, por ejemplo:
• clear outputs Para suprimir todos los elementos de salida de la paleta del gestor.
• clear generated palette Para borrar todos los nugget de modelos de la paleta de modelos.
• clear stream Para eliminar el contenido de una ruta.
Los scripts Python admiten un conjunto de funciones parecido; el comando removeAll() se utiliza para
borrar las rutas, las salidas y los gestores de modelos. Por ejemplo:
• Para borrar el gestor de rutas:

session = modeler.script.session()
session.getStreamManager.removeAll()

• Para borrar el gestor de salidas:

session = modeler.script.session()
session.getDocumentOutputManager().removeAll()

• Para borrar el gestor de modelos:

session = modeler.script.session()
session.getModelOutputManager().removeAll()

Obtener información sobre los nodos

Los nodos entran en diferentes categorías, tales como nodos de importación y exportación de datos,
nodos de construcción de modelos y otros tipos de nodos. Cada nodo proporciona una serie de métodos
que pueden utilizarse para obtener información sobre el nodo.

Capítulo 3. Scripts de IBM SPSS Modeler 35

 Los métodos que se pueden utilizar para obtener el ID, el nombre y la etiqueta de un nodo se resumen en
la tabla siguiente.

Tabla 16. Métodos para obtener el ID, el nombre y la etiqueta de un nodo

Método Tipo devuelto Descripción
n.getLabel() cadena Devuelve la etiqueta de
visualización del nodo
especificado. La etiqueta es
el valor de la propiedad
custom_name sólo si la
propiedad es una serie no vacía y
la propiedad use_custom_name
no está establecida; de lo
contrario, la etiqueta es el valor
de getName().
m.setLabel(label) No es aplicable Establece la etiqueta de
visualización del nodo
especificado. Si la nueva etiqueta
es una cadena no vacía se asigna
a la propiedad custom_name, y
False se asigna a la propiedad
use_custom_name, de tal modo
que la etiqueta especificada
tiene prioridad; de lo contrario,
se asigna una serie vacía a
la propiedad custom_name y
se asigna True a la propiedad
use_custom_name.
n.getName() cadena Devuelve el nombre del nodo
especificado.
n.getID() cadena Devuelve el ID del nodo
especificado. Se crea un ID nuevo
cada vez que se crea un nuevo
nodo. El ID se conserva con el
nodo cuando se guarda como
parte de una ruta de modo que,
cuando se abre la ruta, los ID de
nodo se conservan. Sin embargo,
si un nodo guardado se inserta
en una ruta, el nodo insertado se
considera un nuevo objeto y se le
asigna un nuevo ID.

Los métodos que se pueden utilizar para obtener información acerca de un nodo se resumen en la tabla
siguiente.

Tabla 17. Métodos para obtener información acerca de un nodo

Método Tipo devuelto Descripción
n.getTypeName() cadena Devuelve el nombre de script
de este nodo. Este es el mismo
nombre que puede utilizarse para
crear una nueva instancia de este
nodo.

36 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 17. Métodos para obtener información acerca de un nodo (continuación)
Método Tipo devuelto Descripción
n.isInitial() Boolean Devuelve True si es un nodo
initial, esto es, un nodo que
aparece al inicio de una ruta.
n.isInline() Boolean Devuelve True si es un nodo
in-line, esto es, un nodo que
aparece a mitad de una ruta.
n.isTerminal() Boolean Devuelve True si es un nodo
terminal, esto es, un nodo que
aparece al final de una ruta.
n.getXPosition() int Devuelve el desplazamiento de la
posición x del nodo en la ruta.
n.getYPosition() int Devuelve el desplazamiento de la
posición y del nodo en la ruta.
n.setXYPosition(x, y) No es aplicable Devuelve la posición del nodo en
la ruta.
n.setPositionBetween(sour No es aplicable Establece la posición del nodo
ce, target) en la ruta, de modo que esté
posicionado entre los nodos
suministrados.
n.isCacheEnabled() Boolean Devuelve True si la memoria
caché está habilitada; devuelve
False de lo contrario.
n.setCacheEnabled(val) No es aplicable Habilita o inhabilita la memoria
caché para este objeto. Si la
memoria caché está llena y la
memoria caché pasa a estar
inhabilitada, la memoria caché se
vacía.
n.isCacheFull() Boolean Devuelve True si la memoria
caché está llena; devuelve False
de lo contrario.
n.flushCache() No es aplicable Vacía la memoria caché de este
nodo. No tiene efecto si la
memoria caché no está activada
o no está llena.

Capítulo 3. Scripts de IBM SPSS Modeler 37

38 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Capítulo 4. API de scripts

Introducción a la API de scripts

La API de scripts proporciona acceso a una amplia gama de funciones de SPSS Modeler. Todos los
métodos descritos hasta ahora forman parte de la API y se puede acceder a los mismos de forma
implícita en el script sin importaciones adicionales. Sin embargo, si desea hacer referencia a las clases de
la API, debe importar la API explícitamente con la sentencia siguiente:

import modeler.api

Esta sentencia import es necesaria para muchos de los ejemplos de la API de scripts.
Se puede encontrar una guía completa de las clases, los métodos y parámetros que están disponibles a
través de la API de scripts en el documento Guía de referencia de la API de scripts Python de IBM SPSS
Modeler.

Ejemplo 1: buscar nodos utilizando un filtro personalizado

La sección “Buscar nodos” en la página 29 se incluye un ejemplo de cómo buscar un nodo en una ruta
utilizando el nombre de tipo del nodo como criterio de búsqueda. En algunas situaciones, se requiere
una búsqueda más genérica y ésta se puede implementar utilizando la clase NodeFilter y el método
findAll() de la ruta. Este tipo de búsqueda requiere los dos pasos siguientes:
1. Crear una clase nueva que amplíe NodeFilter e implemente una versión personalizada del método
accept().
2. Llamar al método findAll() de la ruta con una instancia de esta clase nueva. Esto devuelve todos
los nodos que cumplen el criterio definido en el método accept().
El ejemplo siguiente muestra cómo buscar nodos de una ruta que tienen habilitada la memoria caché de
nodo. La lista de nodos devuelta se puede utilizar para vaciar o inhabilitar las memorias caché de estos
nodos.

import modeler.api

class CacheFilter(modeler.api.NodeFilter):
"""A node filter for nodes with caching enabled"""
def accept(this, node):
return node.isCacheEnabled()

cachingnodes = modeler.script.stream().findAll(CacheFilter(), False)

Ejemplo 2: permitir a los usuarios obtener información de

directorio o archivo basándose en sus privilegios
Para evitar que la PSAPI se abra a los usuarios, se puede utilizar un método denominado
session.getServerFileSystem() mediante la llamada de la función PSAPI para crear un objeto
de sistema de archivos.
El ejemplo siguiente muestra cómo permitir que un usuario obtenga información de directorio o archivo
basándose en los privilegios del usuario que se conecta a IBM SPSS Modeler Server.

import modeler.api
ruta = modeler.script.stream()
sourceNode = stream.findByID('')
session = modeler.script.session()
fileSystem = session.getServerFileSystem()
parameter = stream.getParameterValue('VPATH')
serverDirectory = fileSystem.getServerFile(parameter)
 files = fileSystem.getFiles(serverDirectory)
for f in files:
if f.isDirectory():
print 'Directory:'
else:
print 'File:'
sourceNode.setPropertyValue('full_filename',f.getPath())
break
print f.getName(),f.getPath()
stream.execute()

Metadatos: información sobre datos

Puesto que en una ruta los nodos se conectan entre sí, está disponible la información relativa a las
columnas o los campos disponibles en cada nodo. Por ejemplo, en la interfaz de usuario de Modeler esto
permite seleccionar por qué campos hay que ordenar o agregar. Esta información se llama modelo de
datos.
Los scripts también pueden acceder al modelo de datos inspeccionando los campos que entran en
un nodo o que salen de él. En algunos nodos coinciden los modelos de datos de entrada y salida;
por ejemplo, un nodo Ordenar se limita a cambiar el orden de los registros, sin alterar el modelo de
datos. Otros, como el nodo Derivar, pueden añadir nuevos campos. Otros, como el nodo Filtrar, pueden
renombrar o eliminar campos.
En el ejemplo siguiente, el script toma la ruta estándar IBM SPSS Modeler druglearn.str y, para cada
campo, construye un modelo descartando uno de los campos de entrada. Lo hace de la siguiente manera:
1. Accede al modelo de datos de salida del nodo Tipo.
2. Itera cada campo del modelo de datos de salida.
3. Modifica el nodo Filtro de cada campo de entrada.
4. Cambia el nombre del modelo que se construye.
5. Ejecuta el nodo de construcción de modelos.
Nota: Antes de ejecutar el script en la ruta druglean.str, no olvide establecer el lenguaje de script a
Python (la ruta se creó en una versión anterior de IBM SPSS Modeler, de modo que el lenguaje de script
de la ruta está establecido a Herencia).

import modeler.api

ruta = modeler.script.stream()
filternode = stream.findByType("filter", None)
typenode = stream.findByType("type", None)
c50node = stream.findByType("c50", None)
# Usar siempre un nombre de modelo personalizado
c50node.setPropertyValue("use_model_name", True)

lastRemoved = None
fields = typenode.getOutputDataModel()
for field in fields:
# Si este es el campo de destino, se hace caso omiso del mismo
if field.getModelingRole() == modeler.api.ModelingRole.OUT:
continue

# Se rehabilita el campo eliminado más recientemente

if lastRemoved != None:
filternode.setKeyedPropertyValue("include", lastRemoved, True)

# Se elimina el campo
lastRemoved = field.getColumnName()
filternode.setKeyedPropertyValue("include", lastRemoved, False)

# Se establece el nombre del nuevo modelo y se ejecuta la construcción

c50node.setPropertyValue("model_name", "Exclude " + lastRemoved)
c50node.run([])

El objeto DataModel (modelo de datos) proporciona una serie de métodos de acceso a la información
relativa a los campos y columnas del modelo de datos. Estos métodos se resumen en la siguiente tabla.

40 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 18. Métodos del objeto DataModel de acceso a la información relativa a campos o columnas
Método Tipo devuelto Descripción
d.getColumnCount() int Devuelve el número de columnas
del modelo de datos.
d.columnIterator() Iterator Devuelve un iterador que
devuelve cada columna en el
orden "natural" de inserción. El
iterador devuelve instancias de
Column.
d.nameIterator() Iterator Devuelve un iterador que
devuelve el nombre de cada
columna en el orden "natural" de
inserción.
d.contains(nombre) Boolean Devuelve True si en este
DataModel existe una columna
con el nombre proporcionado y
False en caso contrario.
d.getColumn(nombre) Columna Devuelve la columna cuyo
nombre es el especificado.
d.getColumnGroup(nombre) ColumnGroup Devuelve el grupo de columnas
nombrado o None si no existe
dicho grupo de columnas.
d.getColumnGroupCount() int Devuelve el número de grupos
de columnas de este modelo de
datos.
d.columnGroupIterator() Iterator Devuelve un iterador que
devuelve a su vez cada grupo de
columnas.
d.toArray() Column[] Devuelve el modelo de datos
como un vector de columnas. Las
columnas van ordenadas según
su orden "natural" de inserción.

Cada campo (objeto Column) incluye una serie de métodos de acceso a la información de la columna. La
tabla que se muestra a continuación muestra una selección de los mismos.

Tabla 19. Métodos del objeto Column de acceso a la información de una columna
Método Tipo devuelto Descripción
c.getColumnName() cadena Devuelve el nombre de la
columna.
c.getColumnLabel() cadena Devuelve la etiqueta de la
columna o una cadena vacía si no
hay ninguna etiqueta asociada a
la columna.
c.getMeasureType() MeasureType Devuelve el tipo de medición de
la columna.
c.getStorageType() StorageType Devuelve el tipo de
almacenamiento de la columna.

Capítulo 4. API de scripts 41

 Tabla 19. Métodos del objeto Column de acceso a la información de una columna (continuación)
Método Tipo devuelto Descripción
c.isMeasureDiscrete() Boolean Devuelve True si la columna es
discreta. Se consideran discretas
las columnas que son un
conjunto o un distintivo.
c.isModelOutputColumn() Boolean Devuelve True si la columna es
una columna de resultado del
modelo.
c.isStorageDatetime() Boolean Devuelve True si el
almacenamiento de la columna
es un valor de hora, fecha o
indicación de fecha y hora.
c.isStorageNumeric() Boolean Devuelve True si el
almacenamiento de la columna
es un entero o un número real.
c.isValidValue(value) Boolean Devuelve True si el valor
especificado es válido para este
almacenamiento y valid cuando
se conocen los valores de
columna válidos.
c.getModelingRole() ModelingRole Devuelve el rol de modelado de
la columna.
c.getSetValues() Object[] Devuelve un vector de valores
válidos para la columna o None
si se desconocen los valores o si
la columna no es un conjunto.
c.getValueLabel(valor) cadena Devuelve la etiqueta del valor de
la columna o una cadena vacía si
no hay ninguna etiqueta asociada
al valor.
c.getFalseFlag() Objeto Devuelve el valor indicador de
"falso" de la columna o None
si se desconoce el valor o la
columna no es un indicador.
c.getTrueFlag() Objeto Devuelve el valor indicador de
"verdadero" de la columna o
None si se desconoce el valor o
la columna no es un indicador.
c.getLowerBound() Objeto Devuelve el valor del límite
inferior de los valores de la
columna o None si se desconoce
el valor o si la columna no es
continua.
c.getUpperBound() Objeto Devuelve el valor del límite
superior de los valores de la
columna o None si se desconoce
el valor o si la columna no es
continua.

42 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Observe que la mayoría de los métodos de acceso a la información de una columna tienen métodos
equivalentes definidos en el propio objeto DataModel. Por ejemplo, las dos sentencias siguientes son
equivalentes:

dataModel.getColumn("unNombre").getModelingRole()
dataModel.getModelingRole("unNombre")

Acceso a objetos generados

Ejecución de una ruta normalmente implica producir objetos de salida adicionales. Estos objetos
adicionales pueden ser un nuevo modelo o un fragmento de la salida que proporciona información para
utilizarla en las ejecuciones posteriores.
En el ejemplo siguiente, la ruta druglearn.str se utiliza de nuevo como punto de partida para la ruta.
En este ejemplo, se ejecutan todos los nodos de la ruta y los resultados se almacenan en una lista. A
continuación, el script crea un bucle por los resultados y se guarda cualquier salida del modo resultante
de la ejecución como un archivo de modelo de IBM SPSS Modeler (.gm) y se exporta como PMML.

import modeler.api

ruta = modeler.script.stream()

# Set this to an existing folder on your system.

# Include a trailing directory separator
modelFolder = "C:/temp/models/"

# Execute the stream

models = []
stream.runAll(models)

# Save any models that were created

taskrunner = modeler.script.session().getTaskRunner()
for model in models:
# If the stream execution built other outputs then ignore them
if not(isinstance(model, modeler.api.ModelOutput)):
continue

label = model.getLabel()
algorithm = model.getModelDetail().getAlgorithmName()

# save each model...

modelFile = modelFolder + label + algorithm + ".gm"
taskrunner.saveModelToFile(model, modelFile)

# ...and export each model PMML...

modelFile = modelFolder + label + algorithm + ".xml"
taskrunner.exportModelToFile(model, modelFile, modeler.api.FileFormat.XML)

La clase taskrunner proporciona un modo práctico de ejecutar diferentes tareas comunes. Los métodos
que están disponibles en esta clase se resumen en la tabla siguiente.

Tabla 20. Métodos de la clase taskrunner para realizar tareas comunes

Método Tipo devuelto Descripción
t.createStream(name, Ruta Crea y devuelve una nueva ruta.
autoConnect, autoManage) Tenga en cuenta que el código
que debe crear las rutas de forma
privada sin que las vea el usuario
debe establecer el distintivo
autoManage en False.
No es aplicable Exporta la descripción de la ruta
t.exportDocumentToFile(
documentOutput, filename, a un archivo utilizando el formato
fileFormat) de archivo especificado.

Capítulo 4. API de scripts 43

 Tabla 20. Métodos de la clase taskrunner para realizar tareas comunes (continuación)
Método Tipo devuelto Descripción
t.exportModelToFile(model No es aplicable Exporta el modelo a un archivo
Output, filename, utilizando el formato de archivo
fileFormat) especificado.
t.exportStreamToFile(stre No es aplicable Exporta la ruta a un archivo
am, filename, fileFormat) utilizando el formato de archivo
especificado.
t.insertNodeFromFile(file Nodo Lee un nodo en el archivo
name, diagram) especificado y lo devuelve
insertándolo en el diagrama
suministrado. Tenga en cuenta
que lo pueden utilizar los objetos
Nodo y Supernodo.
t.openDocumentFromFile(fi DocumentOutput Lee un nodo en el archivo
lename, autoManage) especificado y lo devuelve.
t.openModelFromFile(filen ModelOutput Lee un modelo en el archivo
ame, autoManage) especificado y lo devuelve.
t.openStreamFromFile(file Ruta Lee una ruta en el archivo
name, autoManage) especificado y la devuelve.
No es aplicable Guarda el documento en
t.saveDocumentToFile(
documentOutput, filename) la ubicación de archivo
especificada.
t.saveModelToFile(modelOu No es aplicable Guarda el modelo en la ubicación
tput, filename) de archivo especificada.
t.saveStreamToFile(stream No es aplicable Guarda la ruta en la ubicación de
, filename) archivo especificada.

Manejo de errores
El lenguaje Python proporciona manejo de errores mediante el bloque de código try...except. Se
puede utilizar en los scripts para capturar excepciones y manejar los problemas que podrían ocasionar la
finalización del script.
En el script de ejemplo siguiente, se realiza un intento para recuperar un modelo desde el Repositorio
de IBM SPSS Collaboration and Deployment Services. Esta operación puede hacer que se genere una
excepción, por ejemplo, es posible que las credenciales de inicio de sesión en el repositorio no se hayan
configurado correctamente o que la ruta del repositorio sea errónea. En el script, esto puede generar
una excepción ModelerException (todas las excepciones que genera IBM SPSS Modeler se derivan de
modeler.api.ModelerException).

import modeler.api

session = modeler.script.session()
try:
tepo = session.getRepository()
m = repo.retrieveModel("/some-non-existent-path", None, None, True)
# print goes to the Modeler UI script panel Debug tab
print "Everything OK"
except modeler.api.ModelerException, e:
print "An error occurred:", e.getMessage()

44 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Nota: Algunas operaciones de scripts pueden generar excepciones Java estándar, estas excepciones no
se derivan de ModelerException. Para capturar estas excepciones, se puede utilizar un bloque except
adicional que capture todas las excepciones Java, por ejemplo:

import modeler.api

session = modeler.script.session()
try:
tepo = session.getRepository()
m = repo.retrieveModel("/some-non-existent-path", None, None, True)
# print goes to the Modeler UI script panel Debug tab
print "Everything OK"
except modeler.api.ModelerException, e:
print "An error occurred:", e.getMessage()
except java.lang.Exception, e:
print "A Java exception occurred:", e.getMessage()

Parámetros de ruta, sesión y Supernodo

Los parámetros proporcionan una forma útil de pasar valores en el momento de la ejecución, en lugar
de codificarlos directamente en un script. Los parámetros y sus valores se definen de la misma forma
que las rutas, es decir, como entradas de la tabla de los parámetros de una ruta o Supernodo o como
parámetros de la línea de comandos. Las clases de Ruta y Supernodo implementan un conjunto de
funciones definidas por el objeto ParameterProvider, como se muestra en la tabla siguiente. La sesión
proporciona una llamada getParameters() que devuelve un objeto que define dichas funciones.

Tabla 21. Funciones definidas por el objeto ParameterProvider

Método Tipo devuelto Descripción
p.parameterIterator() Iterator Devuelve un iterador de nombres
de parámetro para este objeto.
ParameterDefinition Devuelve la definición de
p.getParameterDefinition(
parameterName) parámetro para el parámetro
con el nombre especificado, o
None si no existe tal parámetro
en este proveedor. El resultado
puede ser una instantánea de
la definición en el momento en
que el método se ha llamado
y que no necesariamente refleja
las modificaciones posteriores
realizadas en el parámetro a
través de este proveedor.
p.getParameterLabel(param cadena Devuelve la etiqueta del
eterName) parámetro con nombre, o None si
no existe tal parámetro.
p.setParameterLabel(param No es aplicable Establece la etiqueta del
eterName, label) parámetro con nombre.
ParameterStorage Devuelve el almacenamiento del
p.getParameterStorage(
parameterName) parámetro con nombre, o None si
no existe tal parámetro.
No es aplicable Establece el almacenamiento del
p.setParameterStorage(
parameterName, storage) parámetro con nombre.

p.getParameterType(parame ParameterType Devuelve el tipo del parámetro

terName) con nombre, o None si no existe
tal parámetro.

Capítulo 4. API de scripts 45

 Tabla 21. Funciones definidas por el objeto ParameterProvider (continuación)
Método Tipo devuelto Descripción
p.setParameterType(parame No es aplicable Establece el tipo del parámetro
terName, type) con nombre.
p.getParameterValue(param Objeto Devuelve el valor del parámetro
eterName) con nombre, o None si no existe
tal parámetro.
p.setParameterValue(param No es aplicable Establece el valor del parámetro
eterName, value) con nombre.

En el ejemplo siguiente, el script agrega algunos datos Telco para averiguar qué región tiene los datos de
promedio de ingresos más bajos. A continuación, se establece un parámetro de ruta con esta región. Este
parámetro de ruta se utiliza en un nodo Seleccionar para excluir dicha región de los datos, antes de que
se cree un modelo de abandono en el resto.
El ejemplo es artificial porque el script genera el propio nodo Seleccionar y, por lo tanto, podría haber
generado el valor correcto directamente en la expresión del nodo Seleccionar. Sin embargo, las rutas
se suelen construir previamente, de modo que establecer los parámetros de este modo proporciona un
ejemplo útil.
La primera parte del script de ejemplo crea el parámetro de ruta que contendrá la región con el promedio
de ingresos más bajo. El script también crea los nodos de la rama de agregación y la rama de creación de
modelos y los conecta.

import modeler.api

ruta = modeler.script.stream()

# Inicializar un parámetro de ruta

stream.setParameterStorage("LowestRegion", modeler.api.ParameterStorage.INTEGER)

# Crear primero la rama de agregación para calcular el promedio de ingresos por región
statisticsimportnode = stream.createAt("statisticsimport", "SPSS File", 114, 142)
statisticsimportnode.setPropertyValue("full_filename", "$CLEO_DEMOS/telco.sav")
statisticsimportnode.setPropertyValue("use_field_format_for_storage", True)

aggregatenode = modeler.script.stream().createAt("aggregate", "Aggregate", 294, 142)

aggregatenode.setPropertyValue("keys", ["region"])
aggregatenode.setKeyedPropertyValue("aggregates", "income", ["Mean"])

tablenode = modeler.script.stream().createAt("table", "Table", 462, 142)

stream.link(statisticsimportnode, aggregatenode)
stream.link(aggregatenode, tablenode)

selectnode = stream.createAt("select", "Select", 210, 232)

selectnode.setPropertyValue("mode", "Discard")
# Hacer referencia al parámetro de ruta en la selección
selectnode.setPropertyValue("condition", "'region' = '$P-LowestRegion'")

typenode = stream.createAt("type", "Type", 366, 232)

typenode.setKeyedPropertyValue("direction", "churn", "Target")

c50node = stream.createAt("c50", "C5.0", 534, 232)

stream.link(statisticsimportnode, selectnode)
stream.link(selectnode, typenode)
stream.link(typenode, c50node)

El script de ejemplo crea la ruta siguiente.

46 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Figura 5. Ruta resultante del script de ejemplo

La parte siguiente del script de ejemplo ejecuta el nodo Tabla al final de la rama de agregación.

# Ejecutar primero el nodo Tabla

results = []
tablenode.run(results)

La parte siguiente del script de ejemplo accede a la salida de la tabla que ha generado la ejecución del
nodo Tabla. A continuación, el script itera por las filas de la tabla, buscando la región con el promedio de
ingresos más bajo.

# Ejecutar el nodo tabla para generar una sola tabla como salida
table = results[0]

# la salida de la tabla contiene un RowSet que permite acceder a valores como filas y columnas
rowset = table.getRowSet()
min_income = 1000000.0
min_region = None

# Del modo que se ha definido el nodo, la primera columna

# contiene la región y la segunda contiene el promedio de ingresos
row = 0
rowcount = rowset.getRowCount()
while row < rowcount:
if rowset.getValueAt(row, 1) < min_income:
min_income = rowset.getValueAt(row, 1)
min_region = rowset.getValueAt(row, 0)
row += 1

La parte siguiente del script utiliza la región con el promedio de ingresos más bajo para establecer el
parámetro de ruta "LowestRegion" creado anteriormente. El script ejecuta el constructor de modelos
excluyendo la región especificada de los datos de formación.

# Comprobar que se ha asignado un valor

if min_region != None:
stream.setParameterValue("LowestRegion", min_region)
else:
stream.setParameterValue("LowestRegion", -1)

# Finalmente, ejecutar el constructor de modelos con el criterio de selección

c50node.run([])

A continuación, se muestra el script de ejemplo.

import modeler.api

ruta = modeler.script.stream()

# Crear un parámetro de ruta

stream.setParameterStorage("LowestRegion", modeler.api.ParameterStorage.INTEGER)

# Crear primero la rama de agregación para calcular el promedio de ingresos por región
statisticsimportnode = stream.createAt("statisticsimport", "SPSS File", 114, 142)
statisticsimportnode.setPropertyValue("full_filename", "$CLEO_DEMOS/telco.sav")

Capítulo 4. API de scripts 47

 statisticsimportnode.setPropertyValue("use_field_format_for_storage", True)

aggregatenode = modeler.script.stream().createAt("aggregate", "Aggregate", 294, 142)

aggregatenode.setPropertyValue("keys", ["region"])
aggregatenode.setKeyedPropertyValue("aggregates", "income", ["Mean"])

tablenode = modeler.script.stream().createAt("table", "Table", 462, 142)

stream.link(statisticsimportnode, aggregatenode)
stream.link(aggregatenode, tablenode)

selectnode = stream.createAt("select", "Select", 210, 232)

selectnode.setPropertyValue("mode", "Discard")
# Hacer referencia al parámetro de ruta en la selección
selectnode.setPropertyValue("condition", "'region' = '$P-LowestRegion'")

typenode = stream.createAt("type", "Type", 366, 232)

typenode.setKeyedPropertyValue("direction", "churn", "Target")

c50node = stream.createAt("c50", "C5.0", 534, 232)

stream.link(statisticsimportnode, selectnode)
stream.link(selectnode, typenode)
stream.link(typenode, c50node)

# Ejecutar primero el nodo Tabla

results = []
tablenode.run(results)

# Ejecutar el nodo tabla para generar una sola tabla como salida
table = results[0]

# la salida de la tabla contiene un RowSet que permite acceder a valores como filas y columnas
rowset = table.getRowSet()
min_income = 1000000.0
min_region = None

# Del modo que se ha definido el nodo, la primera columna

# contiene la región y la segunda contiene el promedio de ingresos
row = 0
rowcount = rowset.getRowCount()
while row < rowcount:
if rowset.getValueAt(row, 1) < min_income:
min_income = rowset.getValueAt(row, 1)
min_region = rowset.getValueAt(row, 0)
row += 1

# Comprobar que se ha asignado un valor

if min_region != None:
stream.setParameterValue("LowestRegion", min_region)
else:
stream.setParameterValue("LowestRegion", -1)

# Finalmente, ejecutar el constructor de modelos con el criterio de selección

c50node.run([])

Valores globales
Los valores globales se utilizan para calcular diferentes estadísticas de resumen para los campos
especificados. Se puede acceder a estos valores de resumen desde cualquier lugar de la ruta. Los valores
globales son similares a los parámetros de ruta, ya que se puede acceder a los mismos por nombre a
través de la ruta. Se diferencian de los parámetros de ruta en que los valores asociados se actualizan
automáticamente cuando se ejecuta uno nodo Establecer globales, en lugar de asignarlos mediante
script o desde la línea de comandos. Se accede a los valores globales de una ruta invocando el método
getGlobalValues() de la ruta.
El objeto GlobalValues define las funciones que se muestran en la tabla siguiente.

48 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 22. Funciones definidas por el objeto GlobalValues
Método Tipo devuelto Descripción
g.fieldNameIterator() Iterator Devuelve un iterador para cada
nombre de campo con al menos
un valor global.
g.getValue(type, Objeto Devuelve el valor global para
fieldName) el tipo especificado y nombre
de campo, o None si no se
puede localizar ningún valor.
Generalmente se espera que el
valor devuelto sea un número,
aunque en las funciones futuras
se pueden devolver tipos de
valores diferentes.
g.getValues(fieldName) Mapa Devuelve un mapa que contiene
las entradas conocidas para el
nombre de campo especificado o
None si no hay entradas para el
campo.

GlobalValues.Type define el tipo de estadísticas de resumen disponibles. Están disponibles las

siguientes estadísticas de resumen:
• MAX: el valor máximo del campo.
• MEAN: el valor medio del campo.
• MIN: el valor mínimo del campo.
• STDDEV: la desviación estándar del campo.
• SUM: la suma de los valores del campo.
Por ejemplo, el script siguiente accede el valor medio del campo "income" que calcula un nodo Val.
globales:

import modeler.api

globals = modeler.script.stream().getGlobalValues()
mean_income = globals.getValue(modeler.api.GlobalValues.Type.MEAN, "income")

Trabajar con varias rutas: Scripts autónomos

Para trabajar con varias rutas se debe utilizar un script autónomo. El script autónomo se puede editar y
ejecutar dentro de la interfaz de usuario de IBM SPSS Modeler o se puede pasar como un parámetro de
línea de comandos en modalidad de proceso por lotes.
El siguiente script autónomo abre dos rutas. Una de estas rutas crea un modelo y la segunda ruta traza la
distribución de los valores predichos.

# Change to the appropriate location for your system

demosDir = "C:/Program Files/IBM/SPSS/Modeler/18.3.0/DEMOS/streams/"

session = modeler.script.session()
tasks = session.getTaskRunner()

# Open the model build stream, locate the C5.0 node and run it
buildstream = tasks.openStreamFromFile(demosDir + "druglearn.str", True)
c50node = buildstream.findByType("c50", None)
results = []
c50node.run(results)

# Now open the plot stream, find the Na_to_K derive and the histogram
plotstream = tasks.openStreamFromFile(demosDir + "drugplot.str", True)

Capítulo 4. API de scripts 49

 derivenode = plotstream.findByType("derive", None)
histogramnode = plotstream.findByType("histogram", None)

# Create a model applier node, insert it between the derive and histogram nodes
# then run the histgram
applyc50 = plotstream.createModelApplier(results[0], results[0].getName())
applyc50.setPositionBetween(derivenode, histogramnode)
plotstream.linkBetween(applyc50, derivenode, histogramnode)
histogramnode.setPropertyValue("color_field", "$C-Drug")
histogramnode.run([])

# Finally, tidy up the streams

buildstream.close()
plotstream.close()

El ejemplos siguiente muestra cómo también puede iterar en las rutas abiertas (todas las rutas abiertas
en la pestaña Rutas). Tenga en cuenta que esto solo está soportado en scripts autónomos.

for stream in modeler.script.streams():

print stream.getName()

50 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 5. Sugerencias para scripts

Esta sección proporciona una visión general de las técnicas y sugerencias para utilizar scripts, incluida la
modificación de la ejecución de la ruta, la utilización de una contraseña codificada en un script y el acceso
a objetos en el Repositorio de IBM SPSS Collaboration and Deployment Services.

Modificación de ejecución de rutas

Cuando se ejecuta una ruta, sus nodos terminales se ejecutan en un orden optimizado para la situación
predeterminada. En algunos casos, es posible que prefiera un orden de ejecución diferente. Para
modificar el orden de ejecución de una ruta, lleve a cabo los siguientes pasos desde la pestaña Ejecución
del cuadro de diálogo Propiedades de ruta:
1. Comience con un script vacío.
2. Pulse en el botón Añadir script predeterminado de la barra de herramientas y añada el script de ruta
predeterminado.
3. Cambie el orden de las instrucciones del script de ruta predeterminado por el orden en que desee que
se ejecuten las instrucciones.

Nodos de recorrido en bucle

Puede utilizar un bucle for para recorrer en bucle todos los nodos de una ruta. Por ejemplo, los
siguientes dos ejemplos de script recorren en bucle todos los nodos y cambia los nombres de campos de
cualquier nodo Filtrar a mayúsculas.
Estos scripts pueden emplearse en cualquier ruta que tenga un nodo Filtrar, incluso si no hay campos
filtrados. Simplemente, añada un nodo Filtrar que recorra todos los campos para cambiar todos los
nombres de campo a mayúsculas.

# Alternative 1: using the data model nameIterator() function

ruta = modeler.script.stream()
for node in stream.iterator():
if (node.getTypeName() == "filter"):
# nameIterator() returns the field names
for field in node.getInputDataModel().nameIterator():
newname = field.upper()
node.setKeyedPropertyValue("new_name", field, newname)

# Alternative 2: using the data model iterator() function

ruta = modeler.script.stream()
for node in stream.iterator():
if (node.getTypeName() == "filter"):
# iterator() returns the field objects so we need
# to call getColumnName() to get the name
for field in node.getInputDataModel().iterator():
newname = field.getColumnName().upper()
node.setKeyedPropertyValue("new_name", field.getColumnName(), newname)

El script recorre en bucle los nodos de la ruta actual y comprueba cada nodo para ver si es un
Filtro. Si es así, el script recorre en bucle cada campo del nodo y utiliza la función field.upper() o
field.getColumnName().upper() para cambiar el nombre a mayúsculas.

Acceso a objetos en el Repositorio de IBM SPSS Collaboration and

Deployment Services
Si tiene una licencia para Repositorio de IBM SPSS Collaboration and Deployment Services, puede
almacenar y recuperar objetos del repositorio utilizando comandos de script. Utilice el repositorio para
 gestionar el ciclo de vida de los modelos de minería de datos y los objetos predictivos relacionados en el
contexto de aplicaciones empresariales, herramientas y soluciones.

Conexión con Repositorio de IBM SPSS Collaboration and Deployment Services

Para acceder al repositorio, en primer lugar, debe configurar una conexión válida con el mismo, a través
del menú Herramientas de la interfaz de usuario de SPSS Modeler o a través de la línea de comandos.
Si desea obtener más información, consulte “ Repositorio de IBM SPSS Collaboration and Deployment
Services Argumentos de conexión” en la página 69.

Obtener acceso al repositorio

Se puede acceder al repositorio desde la sesión, por ejemplo:

repo = modeler.script.session().getRepository()

Recuperación de objetos del repositorio

En un script, utilice las funciones retrieve* para acceder a distintos objetos, incluyendo rutas,
modelos, salidas y nodos. Se muestra un resumen de las funciones de recuperación en la tabla siguiente.

Tabla 23. Recuperar funciones de script

Tipo de objeto Función de repositorio
Ruta repo.retrieveStream(String path, String version, String label, Boolean
autoManage)
Modelo repo.retrieveModel(String path, String version, String label, Boolean
autoManage)
Resultado repo.retrieveDocument(String path, String version, String label, Boolean
autoManage)
Nodo repo.retrieveProcessor(String path, String version, String label,
ProcessorDiagram diagram)

Por ejemplo, puede recuperar una ruta del repositorio con la función siguiente:

stream = repo.retrieveStream("/projects/retention/risk_score.str", None, "production", True)

Este ejemplo recupera la ruta risk_score.str de la carpeta especificada. La etiqueta production

identifica qué versión de la ruta recuperar, y el último parámetro especifica que SPSS Modeler va a
gestionar la ruta (por ejemplo, por lo que la ruta aparece en la pestaña Rutas si la interfaz de usuario de
SPSS Modeler es visible). Como alternativa, para utilizar una versión específica sin etiquetar:

stream = repo.retrieveStream("/projects/retention/risk_score.str", "0:2015-10-12 14:15:41.281",

None, True)

Nota: Si ambos parámetros, el de versión y el de etiqueta, son None,se devuelve la última versión.

Almacenar objetos en el repositorio

Para utilizar scripts para almacenar objetos en el repositorio, utilice las funciones store*. Se muestra un
resumen de las funciones de almacenamiento en la tabla siguiente.

Tabla 24. Funciones de script de almacenamiento

Tipo de objeto Función de repositorio
Ruta repo.storeStream(ProcessorStream stream, String path, String label)

52 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 24. Funciones de script de almacenamiento (continuación)
Tipo de objeto Función de repositorio
Modelo repo.storeModel(ModelOutput modelOutput, String path, String label)
Resultado repo.storeDocument(DocumentOutput documentOutput, String path, String
label)
Nodo repo.storeProcessor(Processor node, String path, String label)

Por ejemplo, puede almacenar una nueva versión de la ruta risk_score.str con la función siguiente:

versionId = repo.storeStream(stream,
"/projects/retention/risk_score.str", "test")

Este ejemplo almacena una nueva versión de la ruta, asocia la etiqueta "test" a la misma y devuelve el
marcador de la versión para la versión recién creada.
Nota: Si no desea asociar una etiqueta a la nueva versión, pase None para la etiqueta.

Gestión de carpetas de repositorio

Al utilizar las carpetas dentro del repositorio, puede organizar objetos en grupos lógicos y hacer que
sea más fácil ver qué objetos están relacionados. Cree carpetas utilizando la función createFolder(),
como en el ejemplo siguiente:

newpath = repo.createFolder("/projects", "cross-sell")

Este ejemplo crea una carpeta nueva que se llama "cross-sell" en la carpeta "/projects". La
función devuelve la vía de acceso completa de la carpeta nueva.
Para cambiar el nombre de una carpeta, utilice la función renameFolder():

repo.renameFolder("/projects/cross-sell", "cross-sell-Q1")

El primer parámetro es la vía de acceso completa que se va a renombrar, y el segundo es el nombre nuevo
que se va a proporcionar a dicha carpeta.
Para suprimir una carpeta vacía, utilice la función deleteFolder():

repo.deleteFolder("/projects/cross-sell")

Bloquear y desbloquear objetos

Puede bloquear un objeto desde un script para evitar que otros usuarios actualicen cualquiera de
las versiones existentes o creen nuevas versiones. También puede desbloquear un objeto que haya
bloqueado.
La sintaxis para bloquear y desbloquear un objeto es:

repo.lockFile(REPOSITORY_PATH)
repo.lockFile(URI)

repo.unlockFile(REPOSITORY_PATH)
repo.unlockFile(URI)

Como cuando se almacenan y se recuperan objetos, RUTA_REPOSITORIO le ofrece la ubicación del

objeto en el repositorio. La ruta debe estar entre comillas y utilizar barras inclinadas como delimitadores.
No distingue entre mayúsculas y minúsculas.

repo.lockFile("/myfolder/Stream1.str")
repo.unlockFile("/myfolder/Stream1.str")

Capítulo 5. Sugerencias para scripts 53

 Si lo prefiere, puede utilizar un identificador de recursos uniforme (URI) en lugar de una ruta de
repositorio para proporcionar la ubicación del proyecto. El URI debe incluir el prefijo spsscr: y debe
estar entre comillas. Sólo se puede utilizar barras inclinadas como delimitadores, y los espacios deben
estar codificados. Es decir, utilizar %20 en lugar de un espacio en la ruta. El URI no distingue entre
mayúsculas y minúsculas. A continuación aparecen algunos ejemplos:

repo.lockFile("spsscr:///myfolder/Stream1.str")
repo.unlockFile("spsscr:///myfolder/Stream1.str")

Tenga en cuenta que el bloqueo de objetos se aplica a todas las versiones de un objeto: no puede
bloquear o desbloquear versiones por separado.

Generación de una contraseña codificada

En algunos casos, puede que necesite incluir una contraseña en un script. Por ejemplo, es posible que
desee acceder a un origen de datos protegido con contraseña. Las contraseñas codificadas pueden
utilizarse en:
• Propiedades de los nodos para un origen de base de datos y nodos de resultado
• Argumentos de línea de comando para conectarse al servidor
• Propiedades de conexión con la base de datos almacenadas en un archivo .par (archivo de parámetro
generado desde la pestaña Publicar de un nodo de exportación)
A través de la interfaz de usuario, está disponible una herramienta para generar contraseñas codificadas
basándose en el algoritmo Blowfish (consulte http://www.schneier.com/blowfish.html si desea más
información). Una vez codificada, puede copiar y almacenar la contraseña en archivos de script y
argumentos de líneas de comando. La propiedad de nodo epassword utilizada para databasenode
y databaseexportnode almacena la contraseña codificada.
1. Para generar una contraseña codificada, en el menú Herramientas seleccione:
Codificar contraseña...
2. Especifique una contraseña en el cuadro de texto Contraseña.
3. Pulse en Codificar para generar una codificación aleatoria de la contraseña.
4. Pulse en el botón Copiar para copiar la contraseña codificada al Portapapeles.
5. Pegue la contraseña en el script o parámetro deseado.

Comprobación de script
Puede comprobar rápidamente la sintaxis de todos los tipos de scripts pulsando en el botón de
comprobación de la barra de herramientas del cuadro de diálogo Script de ruta.

Figura 6. Iconos de barra de herramientas del script de ruta

En la comprobación por script se avisa de cualquier error que se detecte en el código y se sugieren
recomendaciones de mejora. Para ver la línea con errores, pulse en los comentarios, en la mitad inferior
del cuadro de diálogo. Los errores se señalan en rojo.

Scripts desde la línea de comandos

El uso scripts permite ejecutar operaciones típicamente desarrolladas en la interfaz de usuario.
Simplemente especifique y ejecute un script independiente en la línea de comandos cuando ejecute
IBM SPSS Modeler. Por ejemplo:

client -script scores.txt -execute

54 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 La marca -script carga el script especificado, mientras que la marca -execute ejecuta todos los
comandos del archivo de script.

Compatibilidad con releases anteriores

Los scripts creados en versiones anteriores de IBM SPSS Modeler deberían funcionar normalmente
sin cambios en la versión actual. Sin embargo, los nuggets de modelos podrán ahora insertarse en la
ruta automáticamente (es el comportamiento predeterminado) y podrán sustituir o complementar un
nugget existente del tipo en la ruta. El que esto ocurra depende de la configuración de las opciones
Añadir modelo a ruta y Sustituir modelo anterior (Herramientas > Opciones > Opciones de usuario >
Notificaciones). Por ejemplo, es posible que tenga que modificar un script de una versión anterior en el
que la sustitución del nugget se trate borrando el nugget existente e insertando uno nuevo.
Es posible que los scripts creados en esta versión no funcionen en versiones anteriores.
Si un script creó una liberación antigua utiliza un comando que se ha sustituido desde entonces (o
desaprobado), la forma antigua se seguirá admitiendo, pero aparecerá un mensaje de advertencia. Por
ejemplo, la palabra clave antigua generated se ha sustituido por model, y clear generated se ha
sustituido por clear generated palette. Los scripts que utilizan las formas antiguas se seguirán
ejecutando, pero se mostrará una advertencia.

Acceder a resultados de ejecución de la ruta

Muchos nodos de IBM SPSS Modeler producen datos de salida tales como modelos, diagramas y
datos tabulares. Muchos de estos datos de salida contienen valores útiles que pueden ser utilizados
por scripts para guiar la ejecución subsiguiente. Estos valores se agrupan en contenedores de
contenido (denominados simplemente contenedores) a los que se puede acceder utilizando etiquetas
o identificadores que identifican cada contenedor. La forma en que se accede a estos valores depende del
formato o "modelo de contenido" utilizado por el contenedor.
Por ejemplo, muchos resultados de modelo predictivo utilizan una variante de XML llamada PMML para
representar información sobre el modelo, tal como qué campos utiliza un árbol de decisiones en cada
bifurcación o cómo están conectadas las neuronas de una red neuronal y con qué intensidades. Los
resultados del modelo que utilizan PMML proporcionan un modelo de contenido XML que se puede
utilizar para acceder a esa información. Por ejemplo:

ruta = modeler.script.stream()
# Suponga que la ruta contiene un nodo generador de modelos C5.0
# y que el origen de datos, los predictores y los destinos ya se han
# configurado
modelbuilder = stream.findByType("c50", None)
results = []
modelbuilder.run(results)
modeloutput = results[0]

# Ahora que tenemos el objeto de salida del modelo C5.0, acceda al modelo
# de contenido pertinente
cm = modeloutput.getContentModel("PMML")

# El modelo de contenido PMML es un modelo de contenido genérico basado en

XML
# que utiliza sintaxis del lenguaje XPath. Utilice ese modelo para encontrar
# los nombres de los campos de datos.
# La llamada devuelve una lista de series de caracteres correspondientes a
los valores XPath
dataFieldNames = cm.getStringValues("/PMML/DataDictionary/DataField", "name")

IBM SPSS Modeler es compatible con los modelos de contenido siguientes en los scripts:
• El Modelo de contenido de tabla proporciona acceso a los datos tabulares sencillos representados
como filas y columnas.

Capítulo 5. Sugerencias para scripts 55

 • El Modelo de contenido XML proporciona acceso a contenido almacenado en formato XML.
• El modelo de contenido JSON proporciona acceso a contenido almacenado en formato JSON.
• El Modelo de estadísticas de columna proporciona acceso a estadísticas de resumen sobre un campo
específico.
• El Modelo de contenido de estadísticas de columna por pares proporciona acceso a estadísticas de
resumen entre dos campos o valores entre dos campos separados.
Tenga en cuenta que los nodos siguientes no contienen estos modelos de contenido:
• Serie temporal
• Discriminante
• SLRM
• TCM
• Todos los nodos Python
• Todos los nodos Spark
• Todos los nodos de modelado de bases de datos
• Modelo de extensión
• STP

Modelo de contenido de tabla

El modelo de contenido de tabla proporciona un modelo sencillo para acceder a los datos simples de fila
y columna. Los valores en una columna determinada deben tener todos el mismo tipo de almacenamiento
(por ejemplo, series o enteros).

API
Tabla 25. API
Resultado devuelto Método Descripción
int getRowCount() Devuelve el número de filas en
esta tabla.
int getColumnCount() Devuelve el número de columnas
en esta tabla.
Serie de caracteres getColumnName(int Devuelve el nombre de la
columnIndex) columna en el índice de
columna especificado. El índice
de columna comienza en el 0.
StorageType getStorageType(int Devuelve el tipo de
columnIndex) almacenamiento de la columna
en el índice especificado. El
índice de columna comienza en
el 0.
Object getValueAt(int rowIndex, Devuelve el valor en los índices
int columnIndex) de fila y columna especificados.
Los índices de fila y columna
comienzan en el 0.
void reset() Desecha cualquier
almacenamiento interno
asociado con este modelo de
contenido.

56 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Nodos y datos de salida
Esta tabla lista los nodos que crean salidas que incluyen este tipo de modelo de contenido.

Tabla 26. Nodos y datos de salida

Nombre de nodo Nombre del resultado ID de contenedor
tabla tabla "tabla"

Script de ejemplo
ruta = modeler.script.stream()
from modeler.api import StorageType

# Establecer el nodo de importación de archivo de variable

varfilenode = stream.createAt("variablefile", "DRUG Data", 96, 96)
varfilenode.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")

# Crear el nodo Agregar y conectarlo al nodo de archivo de variable

aggregatenode = stream.createAt("aggregate", "Aggregate", 192, 96)
stream.link(varfilenode, aggregatenode)

# Configurar el nodo Agregar

aggregatenode.setPropertyValue("keys", ["Drug"])
aggregatenode.setKeyedPropertyValue("aggregates", "Age", ["Min", "Max"])
aggregatenode.setKeyedPropertyValue("aggregates", "Na", ["Mean", "SDev"])

# Crear el nodo de salida de tabla y conectarlo al nodo Agregar

tablenode = stream.createAt("table", "Table", 288, 96)
stream.link(aggregatenode, tablenode)

# Ejecutar el nodo de tabla y capturar el objeto de salida de resultado de

la tabla
results = []
tablenode.run(results)
tableoutput = results[0]

# Acceder al modelo de contenido del resultado de la tabla

tablecontent = tableoutput.getContentModel("table")

# Para cada columna, imprimir el nombre de columna, tipo y la primera fila

# de valores del contenido de la tabla
col = 0
while col < tablecontent.getColumnCount():
print tablecontent.getColumnName(col), \
tablecontent.getStorageType(col), \
tablecontent.getValueAt(0, col)
col = col + 1

La salida en la pestaña Depuración de scripts tendrá un aspecto similar a este:

Age_Min Integer 15
Age_Max Integer 74
Na_Mean Real 0.730851098901
Na_SDev Real 0.116669731242
Drug String drugY
Record_Count Integer 91

Modelo de contenido XML

El modelo de contenido XML proporciona acceso a contenido basado en XML.

Capítulo 5. Sugerencias para scripts 57

 El modelo de contenido XML permite acceder a componentes utilizando expresiones XPath. Las
expresiones XPath son series que definen qué elementos o atributos son necesarios para el solicitante.
El modelo de contenido XML hace que sea transparente la creación de diversos objetos y expresiones de
compilación que normalmente son necesarios para el soporte de XPath. Esto hace que sea más sencillo
hacer llamadas desde scripts Python.
El modelo de contenido XML incluye una función que devuelve el documento XML como serie de
caracteres. Esto permite que los usuarios del script Python utilicen su biblioteca preferida de Python
para analizar XML.

API
Tabla 27. API
Resultado devuelto Método Descripción
Serie de caracteres getXMLAsString() Devuelve el XML en forma de
serie de caracteres.
Número getNumericValue(String Devuelve un resultado de tipo
xpath) numérico al analizar la vía de
acceso (por ejemplo, contar
el número de elementos que
coinciden con la expresión de vía
de acceso).
Booleano getBooleanValue(String Devuelve un resultado de tipo
xpath) booleano al evaluar la expresión
de vía de acceso especificada.
Serie de caracteres getStringValue(String Devuelve el valor de atributo o
xpath, String attribute) valor de nodo XML que coincide
con la vía de acceso especificada.
Lista de series de getStringValues(String Devuelve una lista de todos los
caracteres xpath, String attribute) valores de atributo o valores de
nodo XML que coinciden con la
vía de acceso especificada.
Lista de series de getValuesList(String Devuelve una lista de todos los
caracteres xpath, <Lista de cadenas> valores de atributo que coinciden
attributes, boolean con la vía de acceso especificada
includeValue) junto con el valor de nodo XML si
es necesario.
Hash table (key:string, getValuesMap(String Devuelve una tabla hash que
value:list of string) xpath, String utiliza el atributo de clave o
keyAttribute, <Lista valor de nodo XML como clave
de cadenas> attributes, y la lista de valores de atributo
boolean includeValue) especificados como valores de la
tabla.
Booleano isNamespaceAware() Indica si los analizadores XML
deben tener en cuenta los
espacios de nombres. El valor
predeterminado es False.

58 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 27. API (continuación)
Resultado devuelto Método Descripción
void setNamespaceAware(boolean Establece si los analizadores
value) XML deben tener en cuenta
los espacios de nombres. Esto
también invoca a reset() para
asegurarse de que los cambios
sean captados por llamadas
posteriores.
void reset() Desecha cualquier
almacenamiento interno
asociado con el modelo de
contenido (por ejemplo, un
objeto DOM almacenado en
memoria caché).

Nodos y datos de salida

Esta tabla lista los nodos que crean salidas que incluyen este tipo de modelo de contenido.

Tabla 28. Nodos y datos de salida

Nombre de nodo Nombre del resultado ID de contenedor
La mayoría de La mayoría de modelos "PMML"
constructores de modelos generados
"autodataprep" n/d "PMML"

Script de ejemplo
El código del script Python para acceder al contenido puede tener este aspecto:

results = []
modelbuilder.run(results)
modeloutput = results[0]
cm = modeloutput.getContentModel("PMML")

dataFieldNames = cm.getStringValues("/PMML/DataDictionary/DataField", "name")

predictedNames = cm.getStringValues("//MiningSchema/
MiningField[@usageType='predicted']",
"name")

Modelo de contenido JSON

El modelo de contenido JSON se utiliza para proporcionar soporte para contenido con formato JSON. Esto
proporciona una API básica para permitir que los solicitantes extraigan valores bajo la asunción de que
saben qué valores se deben acceder.

API
Tabla 29. API
Resultado devuelto Método Descripción
Serie de caracteres getJSONAsString() Devuelve el contenido JSON
como serie de caracteres.

Capítulo 5. Sugerencias para scripts 59

 Tabla 29. API (continuación)
Resultado devuelto Método Descripción
Object getObjectAt(<Lista de Devuelve el objeto situado en
objetos> path, la vía de acceso especificada.
JSONArtifact artifact) El artefacto raíz proporcionado
throws Exception puede ser nulo, en cuyo caso
se utiliza la raíz del contenido.
El valor devuelto puede ser
una serie literal, un entero, un
número real, un valor booleano
o un artefacto JSON (ya sea un
objeto JSON o una matriz JSON).
Tabla hash (key:object, getChildValuesAt(<Lista Devuelve los valores hijo de la
value:object> de objetos> path, vía de acceso especificada si la
JSONArtifact artifact) vía conduce a un objeto JSON, o
throws Exception devuelve nulo en caso contrario.
Las claves de la tabla son series,
mientras que el valor asociado
puede ser una serie literal, un
entero, un número real, un valor
booleano o un artefacto JSON (ya
sea un objeto JSON o una matriz
JSON).
Lista de objetos getChildrenAt(<Lista de Devuelve la lista de objetos
objetos> path path, situados en la vía de acceso
JSONArtifact artifact) especificada si la vía conduce a
throws Exception una matriz JSON, o devuelve nulo
en caso contrario. Los valores
devueltos pueden ser una serie
literal, un entero, un número real,
un valor booleano o un artefacto
JSON (ya sea un objeto JSON o
una matriz JSON).
void reset() Desecha cualquier
almacenamiento interno
asociado con el modelo de
contenido (por ejemplo, un
objeto DOM almacenado en
memoria caché).

Script de ejemplo
Si existe un nodo generador de salida que crea salida en formato JSON, se puede utilizar lo siguiente para
acceder a información sobre un conjunto de libros:

results = []
outputbuilder.run(results)
output = results[0]
cm = output.getContentModel("jsonContent")

bookTitle = cm.getObjectAt(["books", "ISIN123456", "title"], None)

# Como alternativa, obtenga el objeto de libro y utilícelo como raíz

# para entradas subsiguientes
book = cm.getObjectAt(["books", "ISIN123456"], None)

60 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 bookTitle = cm.getObjectAt(["title"], book)

# Obtener todos los valores hijos para un libro determinado

bookInfo = cm.getChildValuesAt(["books", "ISIN123456"], None)

# Obtener la tercera entrada de libro. Se supone el valor de nivel superior

"books"
# contiene una matriz JSON que se puede indexar
bookInfo = cm.getObjectAt(["books", 2], None)

# Obtener una lista de todas las entradas hijas

allBooks = cm.getChildrenAt(["books"], None)

Modelo de contenido de estadísticas de columna y modelo de contenido de

estadísticas por pares
El modelo de contenido de estadísticas de columna proporciona acceso a estadísticas que se pueden
calcular para cada campo (estadísticas univariables). El modelo de contenido de estadísticas por pares
proporciona acceso a estadísticas que se pueden calcular para pares de campos o pares de valores de un
campo.
Las medidas estadísticas posibles son:
• Count
• UniqueCount
• ValidCount
• Mean
• Sum
• Mín
• Máx
• Range
• Variance
• StandardDeviation
• StandardErrorOfMean
• Skewness
• SkewnessStandardError
• Kurtosis
• KurtosisStandardError
• Median
• Mode
• Pearson
• Covariance
• TTest
• FTest
Algunos valores sólo son adecuados para estadísticas de una sola columna, mientras que otros sólo son
adecuados para estadísticas por pares.
Los nodos que generan estadísticas son los siguientes:
• El nodo Estadísticas produce estadísticas de columna y puede producir estadísticas por pares cuando
se especifican campos de correlación
• El nodo Auditoría de datos produce estadísticas de columna y puede producir estadísticas por pares
cuando se especifica un campo de preformato.

Capítulo 5. Sugerencias para scripts 61

 • El nodo Medias produce estadísticas por pares cuando compara pares de campos o cuando compara
valores de un campo con otros resúmenes de campo.
Qué modelos de contenido y estadísticas se pueden utilizar depende de las prestaciones del nodo en
cuestión y de los valores contenidos en ese nodo.

La API ColumnStatsContentModel
Tabla 30. La API ColumnStatsContentModel
Resultado devuelto Método Descripción
Lista<StatisticType> getAvailableStatistics() Devuelve las estadísticas
disponibles en este modelo.
No todos los campos tendrán
necesariamente valores para
todas las estadísticas.
Lista<String> getAvailableColumns() Devuelve los nombres de
columna para los que se han
calculado estadísticas.
Número getStatistic(String Devuelve los valores estadísticos
column, StatisticType asociados a la columna.
statistic)
void reset() Desecha cualquier
almacenamiento interno
asociado con el modelo de
contenido.

La API PairwiseStatsContentModel
Tabla 31. La API PairwiseStatsContentModel
Resultado devuelto Método Descripción
Lista<StatisticType> getAvailableStatistics() Devuelve las estadísticas
disponibles en este modelo.
No todos los campos tendrán
necesariamente valores para
todas las estadísticas.
Lista<String> getAvailablePrimaryColumn Devuelve los nombres de
s() columna primaria para los que se
han calculado estadísticas.
Lista<Object> getAvailablePrimaryValue Devuelve los valores de la
s() columna primaria para la que se
han calculado estadísticas.
Lista<String> getAvailableSecondaryColu Devuelve los nombres de
mns() columna secundaria para los que
se han calculado estadísticas.
Número getStatistic(String Devuelve los valores estadísticos
primaryColumn, String asociados a las columnas.
secondaryColumn,
StatisticType statistic)

62 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 31. La API PairwiseStatsContentModel (continuación)
Resultado devuelto Método Descripción
Número getStatistic(String Devuelve los valores estadísticos
primaryColumn, Object asociados al valor de la columna
primaryValue, String primaria y la columna secundaria.
secondaryColumn,
StatisticType statistic)
void reset() Desecha cualquier
almacenamiento interno
asociado con el modelo de
contenido.

Nodos y datos de salida

Esta tabla lista los nodos que generan datos de salida y que incluyen este tipo de modelo de contenido.

Tabla 32. Nodos y datos de salida

Nombre de nodo Nombre del resultado ID de contenedor Notas
"means" "means" "columnStatistics"

(nodo Medias)
"means" "means" "pairwiseStatistic
s"
(nodo Medias)
"dataaudit" "means" "columnStatistics"

(nodo Auditoría de
datos)
"statistics" "statistics" "columnStatistics" Sólo se genera cuando
se examinan campos
(nodo Estadísticas) determinados.

"statistics" "statistics" "pairwiseStatistic Sólo se genera

s" cuando se correlacionan
(nodo Estadísticas) campos.

Script de ejemplo
from modeler.api import StatisticType
ruta = modeler.script.stream()

# Definir los datos de entrada

varfile = stream.createAt("variablefile", "File", 96, 96)
varfile.setPropertyValue("full_filename", "$CLEO/DEMOS/DRUG1n")

# Crear el nodo de estadísticas. Este nodo puede producir

# estadísticas de columna y estadísticas por pares
statisticsnode = stream.createAt("statistics", "Stats", 192, 96)
statisticsnode.setPropertyValue("examine", ["Age", "Na", "K"])
statisticsnode.setPropertyValue("correlate", ["Age", "Na", "K"])
stream.link(varfile, statisticsnode)

Capítulo 5. Sugerencias para scripts 63

 results = []
statisticsnode.run(results)
statsoutput = results[0]
statscm = statsoutput.getContentModel("columnStatistics")
if (statscm != None):
cols = statscm.getAvailableColumns()
stats = statscm.getAvailableStatistics()
print "Column stats:", cols[0], str(stats[0]), " = ",
statscm.getStatistic(cols[0], stats[0])

statscm = statsoutput.getContentModel("pairwiseStatistics")
if (statscm != None):
pcols = statscm.getAvailablePrimaryColumns()
scols = statscm.getAvailableSecondaryColumns()
stats = statscm.getAvailableStatistics()
corr = statscm.getStatistic(pcols[0], scols[0], StatisticType.Pearson)
print "Pairwise stats:", pcols[0], scols[0], " Pearson = ", corr

64 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 6. Argumentos de la línea de comandos

Invocación del software

Puede utilizar la línea de comandos del sistema operativo para ejecutar IBM SPSS Modeler de la siguiente
manera:
1. En un ordenador en el que se haya instalado IBM SPSS Modeler, abra una ventana de DOS o del
indicador de comandos.
2. Para iniciar la interfaz de IBM SPSS Modeler en modo interactivo, escriba el comando clementine
seguido de los argumentos necesarios; por ejemplo:

modelerclient -stream report.str -execute

Los argumentos disponibles (modificadores) permiten conectar con un servidor, cargar rutas, ejecutar
scripts o especificar otros parámetros, según sea necesario.

Utilización de argumentos de la línea de comandos

Se pueden añadir argumentos de línea de comandos (también denominados marcas) al comando inicial
modelerclient o para alterar la invocación de IBM SPSS Modeler.
Hay varios tipos de argumentos de línea de comandos disponibles que se describen más adelante en esta
sección.

Tabla 33. Tipos de argumentos de línea de comandos

Tipo de argumento Dónde se describe
Argumentos del sistema Consulte el tema “Argumentos del sistema” en la
página 66 para obtener más información.
Argumentos de parámetros Consulte el tema “Argumentos de parámetros” en
la página 67 para obtener más información.
Argumentos de conexión del servidor Consulte el tema “Argumentos de conexión del
servidor” en la página 68 para obtener más
información.
Argumentos de conexión de Repositorio de IBM Consulte el tema “ Repositorio de IBM
SPSS Collaboration and Deployment Services SPSS Collaboration and Deployment Services
Argumentos de conexión” en la página 69 para
obtener más información. Las
Argumentos de conexión de IBM SPSS Analytic Consulte el tema “ Argumentos de conexión de
Server IBM SPSS Analytic Server” en la página 70 para
obtener más información. Las

Por ejemplo, se pueden utilizar las marcas -server, -stream y -execute para conectar con un servidor
y, a continuación, cargar y ejecutar una ruta, de la siguiente forma:

modelerclient -server -hostname myserver -port 80 -username dminer

-password 1234 -stream mystream.str -execute

Tenga en cuenta que al ejecutarse en una instalación cliente local, no se necesitan argumentos de
conexión con el servidor.
 Los valores de parámetros que contienen espacios se pueden poner entre comillas dobles, por ejemplo:

modelerclient -stream mystream.str -Pusername="Joe User" -execute

También puede ejecutar scripts y estados de IBM SPSS Modeler de esta forma, utilizando las marcas
-state y -script respectivamente.
Nota: Si utiliza un parámetro estructurado en un comando, delante de las comillas debe poner barras
invertidas. Así evitará que se quiten las comillas durante la interpretación de la serie.

Depuración de argumentos de línea de comandos

Para depurar una línea de comandos, utilice el comando modelerclient para iniciar IBM SPSS Modeler
con los argumentos deseados. Esto permite comprobar que los comandos se ejecutarán como se espera.
También puede confirmar los valores de cualquier parámetro pasado desde la línea de comandos en el
cuadro de diálogo Parámetros de sesión (menú Herramientas, Definir parámetros de sesión).

Argumentos del sistema

En la siguiente tabla se describen los argumentos del sistema disponibles para la invocación de la línea de
comandos de la interfaz de usuario.

Tabla 34. Argumentos del sistema

Argumento Comportamiento/Descripción
@ <archivo de El carácter @ seguido de un nombre de archivo especifica una lista
comandos> de comandos. Cuando modelerclient o encuentra un argumento que
comienza por @, opera en los comandos de este archivo como si hubieran
estado en la línea de comandos. Consulte el tema “Combinación de varios
argumentos” en la página 70 para obtener más información. Las
-directory <dir> Define el directorio de trabajo predeterminado. En el modo local, este
directorio se utiliza tanto para datos como para resultados. Ejemplo:
-directory c:/ o -directory c:\\
-server_directory Define el directorio de servidor predeterminado para datos. El directorio de
<dir> trabajo, especificado con la marca -directory, se utiliza para resultados.
-execute Después del inicio, ejecuta cualquier ruta, estado o script que se haya
cargado en el inicio. Si se carga un script además de una ruta o un estado,
el script se ejecutará solo.
-stream <ruta> Carga en el inicio la ruta especificada. Se pueden especificar varias rutas,
pero la última se definirá como la actual.
-script <script> Carga en el inicio el script autónomo especificado. Se puede especificar
además de una ruta o un estado, tal y como se describe a continuación, pero
sólo se puede cargar un único script en el inicio.
-model <modelo> En el inicio, carga el modelo generado (archivo de formato .gm) especificado.
-state <estado> Carga en el inicio el estado especificado guardado.
-project <proyecto> Carga el proyecto especificado. Sólo se puede cargar un único proyecto en el
inicio.
-output <resultado> Carga en el inicio el objeto de resultados guardado (archivo de formato .cou).
-help Muestra una lista de argumentos de la línea de comandos. Cuando se
especifica esta opción, todos los demás argumentos se ignoran y se muestra
la pantalla Ayuda.

66 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 34. Argumentos del sistema (continuación)
Argumento Comportamiento/Descripción
-P <nombre>=<valor> Se utiliza para definir un parámetro de inicio. También se puede utilizar para
definir propiedades de nodos (parámetros de intervalo).

Nota: Los directorios predeterminados también se pueden establecer en la interfaz de usuario. Para
acceder a las opciones en el menú Archivo, seleccione Definir directorio o Definir directorio de servidor.

Carga de varios archivos

Desde la línea de comandos puede cargar varias rutas, estados y resultados en el inicio repitiendo el
argumento relevante para cada objeto cargado. Por ejemplo, para cargar y ejecutar dos rutas llamadas
report.str y train.str, utilizaría el siguiente comando:

modelerclient -stream report.str -stream train.str -execute

Carga de objetos desde el Repositorio de IBM SPSS Collaboration and Deployment

Services
Dado que puede cargar determinados objetos de un archivo o desde el Repositorio de IBM SPSS
Collaboration and Deployment Services (si dispone de licencia), el prefijo de nombre de archivo spsscr:
y, si lo desea, file: (para objetos en disco) indica a IBM SPSS Modeler donde buscar el objeto. El prefijo
funciona con las siguientes marcas:
• -stream
• -script
• -output
• -model
• -project
Puede utilizar el prefijo para crear un URI que especifique la ubicación del objeto, por ejemplo, -stream
"spsscr:///folder_1/scoring_stream.str". La presencia del prefijo spsscr: requiere que se
especifique una conexión válida a Repositorio de IBM SPSS Collaboration and Deployment Services en el
mismo comando. Así, por ejemplo, el comando completo sería:

modelerclient -spsscr_hostname myhost -spsscr_port 8080

-spsscr_username myusername -spsscr_password mypassword
-stream "spsscr:///folder_1/scoring_stream.str" -execute

Recuerde que en la línea de comandos debe utilizar un URI. El REPOSITORY_PATH más simple no
se admite. (Sólo funciona en scripts.) Para obtener más detalles sobre los URI para objetos en el
Repositorio de IBM SPSS Collaboration and Deployment Services, consulte el tema “Acceso a objetos
en el Repositorio de IBM SPSS Collaboration and Deployment Services ” en la página 51.

Argumentos de parámetros
Los parámetros se pueden utilizar como marcas durante la ejecución de la línea de comandos de IBM
SPSS Modeler. En los argumentos de la línea de comandos, la marca -P se utiliza para denotar un
parámetro del tipo -P <nombre>=<valor>.
Los parámetros pueden ser:
• Parámetros simples (o parámetros utilizados directamente en expresiones CLEM).
• Parámetros de intervalo, también denominados propiedades de nodos. Estos parámetros se utilizan
para modificar la configuración de los nodos en la ruta. Consulte el tema “Conceptos básicos de
propiedades de nodo” en la página 75 para obtener más información.

Capítulo 6. Argumentos de la línea de comandos 67

 • Parámetros de la línea de comandos, que son parámetros utilizados para alterar la invocación de IBM
SPSS Modeler.
Por ejemplo, puede proporcionar contraseñas y nombres de usuario de orígenes de datos como una
marca de la línea de comandos, por ejemplo:

modelerclient -stream response.str -P:databasenode.datasource="{\"ORA

10gR2\",user1,mypsw,false}"

El formato es el mismo que el del parámetro datasource de la propiedad de nodo databasenode. Para
obtener más información, consulte: “propiedades de databasenode” en la página 95.
El último parámetro se debe establecer en true si está pasando una contraseña codificada. También
tenga en cuenta que no deben utilizarse espacios iniciales delante del nombre de usuario y de la
contraseña de la base de datos (a menos, por supuesto, que el nombre de usuario o la contraseña
realmente contenga un espacio inicial).
Nota: Si el nodo tiene nombre, debe encerrar el nombre del nodo entre comillas dobles y utilizar una
barra inclinada invertida como carácter de escape antes de las comillas. Por ejemplo, si el nodo de origen
de datos del ejemplo anterior tiene el nombre Source_ABC, la entrada sería la siguiente:

modelerclient -stream response.str

-P:databasenode.\"Source_ABC\".datasource="{\"ORA 10gR2\",
user1,mypsw,true}"

También se requiere una barra inclinada invertida delante de las comillas que identifican un parámetro
estructurado, como en el siguiente ejemplo de origen de datos de TM1:

clemb -server -hostname 9.115.21.169 -port 28053 -username administrator

-execute -stream C:\Share\TM1_Script.str -P:tm1import.pm_host="http://9.115.21.163:9510/
pmhub/pm"
-P:tm1import.tm1_connection={\"SData\",\"\",\"admin\",\"apple\"}
-P:tm1import.selected_view={\"SalesPriorCube\",\"salesmargin%\"}

Nota: Si el nombre de la base de datos (en la propiedad datasource) contiene uno o más espacios,
puntos (llamados también "punto y aparte") o subrayados, puede utilizar el formato de "barra inclinada
invertida y comillas dobles" para tratarlo como una cadena. Por ejemplo: "{\"db2v9.7.6_linux\"}"
o: "{\"TDATA 131\"}". Además, encierre siempre los valores de cadena de datasource entre dobles
comillas y llaves, como en el ejemplo siguiente: "{\"SQL Server\",spssuser,abcd1234,false}".

Argumentos de conexión del servidor

La marca -server indica a IBM SPSS Modeler que debe conectar con un servidor público, y las marcas
-hostname, -use_ssl, -port, -username, -password y -domain se utilizan para indicar a IBM SPSS
Modeler cómo conectar con el servidor público. Si no se especifica ningún argumento -server, se utilizará
el servidor predeterminado o local.

Ejemplos
Para conectarse con un servidor público:

modelerclient -server -hostname myserver -port 80 -username dminer

-password 1234 -stream mystream.str -execute

Para conectarse con un clúster de servidores:

modelerclient -server -cluster "QA Machines" \

-spsscr_hostname pes_host -spsscr_port 8080 \
-spsscr_username asmith -spsscr_epassword xyz

Tenga en cuenta que para conectarse a un clúster de servidores necesita Coordinator of Processes a
través de IBM SPSS Collaboration and Deployment Services, de modo que debe utilizar el argumento

68 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 -cluster junto con las opciones de conexión de repositorio (spsscr_*). Consulte “ Repositorio de IBM
SPSS Collaboration and Deployment Services Argumentos de conexión” en la página 69 para obtener
más información.

Tabla 35. Argumentos de conexión del servidor

Argumento Comportamiento/Descripción
-server Ejecuta IBM SPSS Modeler en el modo servidor, conectando con un
servidor público utilizando las marcas -hostname, -port, -username,
-password y -domain.
-hostname <nombre> Nombre de host del equipo servidor. Disponible en el modo servidor
solamente.
-use_ssl Especifica que la conexión debería utilizar SSL (secure socket layer). La
marca es opcional, el parámetro predeterminado no utiliza SSL.
-port <número> Número de puerto del servidor especificado. Disponible en el modo
servidor solamente.
-cluster <nombre> Especifica una conexión a un clúster de servidores en lugar de un
servidor especificado; este argumento es una alternativa a los argumentos
hostname, port y use_ssl. El nombre es el del clúster o un URI
exclusivo que identifica el clúster en el Repositorio de IBM SPSS
Collaboration and Deployment Services. Coordinator of Processes gestiona
el clúster de servidores a través de IBM SPSS Collaboration and
Deployment Services. Consulte “ Repositorio de IBM SPSS Collaboration
and Deployment Services Argumentos de conexión” en la página 69 para
obtener más información.
-username <nombre> Nombre de usuario con el que iniciar sesión en el servidor. Disponible en el
modo servidor solamente.
-password <contraseña> Contraseña con la que iniciar sesión en el servidor. Disponible en el modo
servidor solamente.
Nota: Si el argumento -password no se utiliza, se le pediría una
contraseña.

-epassword <cadena de Contraseña codificada con la que iniciar sesión en el servidor. Disponible
contraseña codificada> en el modo servidor solamente.
Nota: Se puede generar una contraseña codificada desde el menú
Herramientas de la aplicación IBM SPSS Modeler.

-domain <nombre> Dominio utilizado para iniciar sesión en el servidor. Disponible en el modo
servidor solamente.
-P <nombre>=<valor> Se utiliza para definir un parámetro de inicio. También se puede utilizar
para definir propiedades de nodos (parámetros de intervalo).

Repositorio de IBM SPSS Collaboration and Deployment Services

Argumentos de conexión
Si desea almacenar o recuperar objetos de IBM SPSS Collaboration and Deployment Services a través de
la línea de comandos, debe especificar una conexión válida con Repositorio de IBM SPSS Collaboration
and Deployment Services. Por ejemplo:

modelerclient -spsscr_hostname myhost -spsscr_port 8080

-spsscr_username myusername -spsscr_password mypassword
-stream "spsscr:///folder_1/scoring_stream.str" -execute

Capítulo 6. Argumentos de la línea de comandos 69

 La siguiente tabla enumera los argumentos que pueden utilizarse para configurar la conexión.

Tabla 36. Argumentos de conexión de Repositorio de IBM SPSS Collaboration and Deployment Services
Argumento Comportamiento/Descripción
-spsscr_hostname <nombre del El nombre del host o la dirección IP del servidor en que se ha
host o dirección IP> instalado Repositorio de IBM SPSS Collaboration and Deployment
Services.
-spsscr_port <número> Número de puerto en el que el Repositorio de IBM SPSS
Collaboration and Deployment Services acepta las conexiones
(normalmente 8080 de forma predeterminada).
-spsscr_use_ssl Especifica que la conexión debería utilizar SSL (secure socket
layer). La marca es opcional, el parámetro predeterminado no
utiliza SSL.
-spsscr_username <nombre> Nombre de usuario con el que iniciar la sesión en el Repositorio
de IBM SPSS Collaboration and Deployment Services.
-spsscr_password Contraseña con la que iniciar la sesión en el Repositorio de IBM
<contraseña> SPSS Collaboration and Deployment Services.
-spsscr_epassword Contraseña cifrada con la que iniciar la sesión en el Repositorio de
<contraseña codificada> IBM SPSS Collaboration and Deployment Services.
-spsscr_providername El proveedor de autenticación utilizado para iniciar la sesión en el
<nombre> Repositorio de IBM SPSS Collaboration and Deployment Services
(Active Directory o LDAP). Esto no resulta necesario si se utiliza el
proveedor nativo (repositorio local).

Argumentos de conexión de IBM SPSS Analytic Server

Si desea almacenar o recuperar objetos de IBM SPSS Analytic Server mediante la línea de comandos,
debe indicar una conexión válida con IBM SPSS Analytic Server.
Nota: La ubicación predeterminada de Analytic Server se obtiene de SPSS Modeler Server. Los
usuarios también pueden definir sus propias conexiones de Analytic Server a través de Herramientas
> Conexiones de Analytic Server.
La siguiente tabla enumera los argumentos que pueden utilizarse para configurar la conexión.

Tabla 37. Argumentos de conexión de IBM SPSS Analytic Server

Argumento Comportamiento/Descripción
-analytic_server_username Nombre de usuario con el que iniciar sesión en IBM SPSS Analytic
Server.
-analytic_server_password La contraseña con la que se inicia sesión en IBM SPSS Analytic
Server.
-analytic_server_epassword La contraseña codificada con la que se inicia sesión en IBM SPSS
Analytic Server.
-analytic_server_credential Las credenciales utilizadas para iniciar sesión en IBM SPSS
Analytic Server.

Combinación de varios argumentos

Es posible combinar varios argumentos en un único archivo de comandos especificado en la invocación
utilizando el símbolo @ seguido del nombre de archivo. De este modo podrá acortar la invocación de
la línea de comandos y superar cualquier limitación del sistema operativo en la longitud del comando.

70 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Por ejemplo, el siguiente comando de inicio utiliza todos los argumentos especificados en el archivo de
referencia <nombre de archivo de comandos>.

modelerclient @<commandFileName>

Ponga el nombre del archivo y la ruta del archivo de comandos entre comillas si hay que incluir espacios,
de la siguiente forma:

modelerclient @ "C:\Archivos de
programa\IBM\SPSS\Modeler\nn\scripts\my_command_file.txt"

El archivo de comandos puede contener todos los argumentos especificados previamente a nivel
individual en el inicio. Por ejemplo:

-stream report.str
-Porder.full_filename=APR_orders.dat
-Preport.filename=APR_report.txt
-execute

Cuando escriba y referencie archivos de comandos, asegúrese de cumplir estas restricciones:

• Utilice sólo un comando por línea.
• No incruste un argumento @archivo de comandos en un archivo de comandos.

Capítulo 6. Argumentos de la línea de comandos 71

72 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Capítulo 7. Referencia de propiedades

Conceptos básicos de referencia de propiedades

Puede especificar una serie de propiedades distintas para nodos, rutas, proyectos y supernodos. Algunas
propiedades son comunes a todos los nodos, como el nombre, la anotación y la información sobre
herramientas, mientras que otras son específicas para determinados tipos de nodos. Otras propiedades
hacen referencia a operaciones de rutas de alto nivel, como el comportamiento del Supernodo o el
almacenamiento en caché. Se puede acceder a las propiedades a través de la interfaz de usuario estándar
(por ejemplo, al abrir un cuadro de diálogo para editar opciones para un nodo) y se pueden utilizar
también de varias otras formas.
• Las propiedades se pueden modificar a través de los scripts, como se describe en esta sección. Si desea
obtener más información, consulte “Sintaxis para propiedades” en la página 73.
• Las propiedades de los nodos se pueden utilizar en los parámetros de Supernodo.
• Asimismo, las propiedades de los nodos se pueden utilizar como parte de una opción de línea de
comandos (mediante la marca -P) al iniciar IBM SPSS Modeler.
En el contexto de los scripts de IBM SPSS Modeler, las propiedades de nodos y rutas se suelen llamar
parámetros de intervalo. En esta guía, se denominan propiedades de nodos y rutas.

Sintaxis para propiedades

Las propiedades se pueden establecer con la sintaxis siguiente

OBJECT.setPropertyValue(PROPERTY, VALUE)

o bien:

OBJECT.setKeyedPropertyValue(PROPERTY, KEY, VALUE)

El valor de propiedades se puede recuperar usando la sintaxis siguiente:

VARIABLE = OBJECT.getPropertyValue(PROPERTY)

o bien:

VARIABLE = OBJECT.getKeyedPropertyValue(PROPERTY, KEY)

donde OBJECT es un nodo o salida, PROPERTY es el nombre de la propiedad de nodo al que la expresión
se refiere, y KEY es el valor de la clave para las propiedades clave. Por ejemplo, la siguiente sintaxis
se utiliza para buscar el nodo de filtro y, a continuación, establecer el valor predeterminado para incluir
todos los campos y filtrar el campo Age en los datos en sentido descendente:

filternode = modeler.script.stream().findByType("filter", None)

filternode.setPropertyValue("default_include", True)
filternode.setKeyedPropertyValue("include", "Age", False)

Todos los nodos utilizados en IBM SPSS Modeler pueden encontrarse utilizando la función
findByType(TYPE, LABEL) de la ruta. Al menos debe especificarse TYPE o LABEL.

Propiedades estructuradas
Hay dos formas en las que los scripts utilizan propiedades estructuradas para mejorar la claridad durante
el análisis:
 • Otorgando estructura a los nombres de las propiedades para los nodos complejos, como Tipo, Filtro o
Equilibrar.
• Proporcionando un formato para especificar varias propiedades a la vez.

Estructuración para las interfaces complejas

Los scripts para los nodos con tablas y otras interfaces complejas, como, por ejemplo, los nodos Tipo,
Filtro o Equilibrar, deben seguir una estructura determinada para realizar el análisis correctamente.
Estas propiedades necesitan un nombre más complejo que el de un solo identificador. Este nombre se
denomina clave. Por ejemplo, en un nodo Filtrar, cada campo disponible (en la parte superior) se activa
o desactiva. Para poder consultar esta información, el nodo Filtrar almacena un elemento de información
por campo (independientemente de que el campo sea verdadero o falso). Esta propiedad debe tener (o
se le ha dado) el valor True o False. Supongamos que un nodo Filtrar denominado minodo tiene (en la
parte superior) un campo denominado Edad. Para desactivar esto, establezca la propiedad include, con
la clave Age, en el valor False, del modo siguiente:

mynode.setKeyedPropertyValue("include", "Age", False)

Estructuración para definir varias propiedades

Si hay muchos nodos, puede asignar más de una propiedad de nodo o ruta al mismo tiempo. Esto se
denomina comando de conjunto múltiple o bloque de conjuntos.
En algunos casos, una propiedad estructurada puede ser bastante compleja. A continuación se muestra
un ejemplo:

sortnode.setPropertyValue("keys", [["K", "Descending"], ["Age",

"Ascending"], ["Na", "Descending"]])

Otra ventaja de las propiedades estructuradas es la capacidad de definir varias propiedades en un

nodo antes de que éste sea estable. De forma predeterminada, un conjunto múltiple define todas
las propiedades del bloque antes de realizar una acción basada en una configuración de propiedades
individuales. Por ejemplo, al definir un nodo Archivo fijo, el uso de dos pasos para definir las propiedades
del campo daría lugar a errores porque el nodo no será constante hasta que las dos configuraciones sean
válidas. La definición de las propiedades como un conjunto múltiple salva este problema al definir ambas
propiedades antes de actualizar el modelo de datos.

Abreviaturas
Las abreviaturas estándar se utilizan en la sintaxis para las propiedades de nodos. El aprendizaje de las
abreviaturas le ayudará en la creación de scripts.

Tabla 38. Abreviaturas estándar utilizadas en toda la sintaxis

Abreviatura Descripción
abs Valor absoluto
lon Longitud
min Mínimo.
máx Máximo.
correl Correlación
covar Covariance
núm Número o numérico
pct Porcentaje

74 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 38. Abreviaturas estándar utilizadas en toda la sintaxis (continuación)
Abreviatura Descripción
transp Transparencia
xval Validación cruzada
var Varianza o variable (en nodos de origen)

Ejemplos de las propiedades node y stream

Las propiedades de nodos y rutas se pueden utilizar de varias formas con IBM SPSS Modeler.
Normalmente se utilizan como parte de un script, bien un script autónomo, utilizado para automatizar
rutas u operaciones o un script de ruta, utilizado para automatizar procesos en una sola ruta. Los
parámetros de nodo se pueden especificar también utilizando las propiedades para los nodos del
Supernodo. En el nivel más básico, las propiedades se pueden utilizar también como una opción de
línea de comandos para iniciar IBM SPSS Modeler. Si utiliza el argumento -p como parte de la invocación
de la línea de comandos, podrá utilizar una propiedad de ruta para cambiar una configuración de la ruta.

Tabla 39. Ejemplos de las propiedades node y stream

Propiedad Descripción
Hace referencia a la propiedad max_size del nodo
s.max_size
denominado s.
Hace referencia a la propiedad max_size del nodo
s:samplenode.max_size
denominado s que debe ser un nodo Muestrear.
Hace referencia a la propiedad max_size del nodo
:samplenode.max_size Muestrear de la ruta actual (debe haber sólo un
nodo Muestrear).
Hace referencia a la propiedad max_size del nodo
s:sample.max_size
denominado s que debe ser un nodo Muestrear.
Hace referencia al rol del campo Edad del nodo
t.direction.Age
Tipo t.
*** NO ES LEGAL *** Debe especificar el nombre o
:.max_size
el tipo de nodo.

El ejemplo s:sample.max_size muestra que no es necesario deletrear los tipos de nodos al completo.
El ejemplo t.direction.Age muestra que algunos nombres de intervalo se pueden estructurar por
sí mismos, en aquellos casos en que los atributos de un nodo sean más complejos que los intervalos
individuales con valores individuales. Dichos intervalos se denominan estructurados o complejos.

Conceptos básicos de propiedades de nodo

Cada tipo de nodo tiene su propio conjunto de propiedades legales y cada propiedad tiene un tipo.
Este tipo puede ser un tipo general, número, marca o cadena, en cuyo caso, las configuraciones de la
propiedad se forzarán en el tipo correcto. Surgirá un error en caso de que no se puedan forzar. También
se puede dar el caso de que la referencia de la propiedad pueda especificar el rango de valores legales
como Discard, PairAndDiscard e IncludeAsText, en cuyo caso se producirá un error si se utiliza
otro valor. Las propiedades de marcas se deben leer o definir mediante los valores True y False. (Las
variaciones que contengan Off, OFF, off, No, NO, no, n, N, f, F, false, False, FALSE o 0 también se
reconocen al configurar los valores, pero pueden provocar errores al leer los valores de propiedad en
algunos casos. El resto de valores se consideran verdaderos. El uso de verdadero y falso de forma
consistente evitará confusiones). En las tablas de referencia de esta guía, las propiedades estructuradas
se indican como tales en la columna Descripción de la propiedad y se proporcionan los formatos de uso.

Capítulo 7. Referencia de propiedades 75

Propiedades de nodos comunes
Existen varias propiedades que son comunes a todos los nodos (incluidos los Supernodos) en IBM SPSS
Modeler.

Tabla 40. Propiedades comunes de nodos

Nombre de la propiedad Tipo de datos Descripción de la propiedad
use_custom_name marca
name string Propiedad de sólo lectura que
lee el nombre (automático o
personalizado) para un nodo del
lienzo.
custom_name string Especifica un nombre
personalizado para el nodo.
tooltip string
annotation string
palabras clave string Intervalo estructurado que
especifica una lista de palabras
clave asociadas al objeto (por
ejemplo, ["PalabraClave1"
"PalabraClave2"]).
cache_enabled marca
tipo_nodo Propiedad de sólo lectura
source_supernode
utilizada para hacer referencia a
process_supernode
un nodo por tipo. Por ejemplo,
terminal_supernode
en lugar de hacer referencia
todos los nombres de nodos tal
al nodo sólo por el nombre,
como se especifican para
como ingresos_reales, puede
script
también especificar el tipo,
como userinputnode o
filternode.

Las propiedades específicas del Supernodo se tratan aparte como con los demás nodos. Consulte
Capítulo 21, “Propiedades de supernodo”, en la página 465 para obtener más información.

76 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 8. Propiedades de ruta

Los scripts pueden controlar una serie de propiedades de la ruta. Para hacer referencia a propiedades de
ruta, debe establecer el método de ejecución para que utilice scripts:

ruta = modeler.script.stream()
stream.setPropertyValue("execute_method", "Script")

Ejemplo
La propiedad de nodo se utiliza para hacer referencia a los nodos en la ruta actual. El siguiente script de
ruta muestra un ejemplo:

ruta = modeler.script.stream()
annotation = stream.getPropertyValue("annotation")

annotation = annotation + "\n\nEsta ruta se llama \"" + stream.getLabel() + "\" y

contiene los nodos siguientes:\n"

for node in stream.iterator():

annotation = annotation + "\n" + node.getTypeName() + " nodo denominado \"" +
node.getLabel()
+ "\""

stream.setPropertyValue("annotation", annotation)

El ejemplo anterior utiliza la propiedad node para crear una lista con todos los nodos de la ruta y escribir
dicha lista en las anotaciones. La anotación generada tendrá el siguiente aspecto:

Esta ruta se llama "druglearn" y contiene los siguientes nodos:

type node called "Define Types"

derive node called "Na_to_K"
variablefile node called "DRUG1n"
neuralnetwork node called "Drug"
c50 node called "Drug"
filter node called "Discard Fields"

Las propiedades de la ruta se describen en la tabla siguiente.

Tabla 41. Propiedades de ruta

Nombre de la propiedad Tipo de datos Descripción de la propiedad
execute_method Normal

Script
 Tabla 41. Propiedades de ruta (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
date_format
"DDMMAA"
"MMDDYY"
"AAMMDD"
"YYMMDD"
"YYYYDDD"
DAY
MONTH
"DD-MM-YY"
"DD-MM-YYYY"
"MM-DD-YY"
"MM-DD-AAAA"
"DD-MES-YY"
"DD-MES-YYYY"
"YYYY-MM-DD"
"DD.MM.YY"
"DD.MM.AAAA"
"MM.DD.YYYY"
"DD.MES.YY"
"DD.MES.YYYY"
"DD/MM/YY"
"DD/MM/AAAA"
"MM/DD/YY"
"MM/DD/YYYY"
"DD/MES/YY"
"DD/MES/YYYY"
MON YYYY
q Q YYYY
ww WK YYYY

date_baseline number
date_2digit_baseline number
time_format
"HHMMSS"
"HHMM"
"MMSS"
"HH:MM:SS"
"HH:MM"
"MM:SS"
"(H)H:(M)M:(S)S"
"(H)H:(M)M"
"(M)M:(S)S"
"HH.MM.SS"
"HH.MM"
"MM.SS"
"(H)H.(M)M.(S)S"
"(H)H.(M)M"
"(M)M.(S)S"

time_rollover marca
import_datetime_as_string marca
decimal_places number
decimal_symbol Predeterminado

Period

Comma
angles_in_radians marca
use_max_set_size marca
max_set_size number

78 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 41. Propiedades de ruta (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
ruleset_evaluation Voting

FirstHit
refresh_source_nodes marca Se utiliza para actualizar los
nodos de origen de forma
automática al realizar la
ejecución de la ruta.
script string
annotation string
name string Nota: Esta propiedad es de
sólo lectura. Si desea cambiar
el nombre de una ruta, debe
guardarla con un nombre
diferente.

parameters Utilice esta propiedad para

actualizar los parámetros de
ruta desde dentro de un script
autónomo.
nodos Consulte la información detallada
que se muestra a continuación.
codificación SystemDefault

"UTF-8"
stream_rewriting booleano
stream_rewriting_maximise booleano
_sql
booleano
stream_rewriting_optimise_cl
em_
ejecución

booleano
stream_rewriting_optimise_sy
ntax_
ejecución

enable_parallelism booleano
sql_generation booleano
database_caching booleano
sql_logging booleano
sql_generation_logging booleano
sql_log_native booleano
sql_log_prettyprint booleano
record_count_suppress_inp booleano
ut

Capítulo 8. Propiedades de ruta 79

 Tabla 41. Propiedades de ruta (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
record_count_feedback_int entero
erval
booleano Si es true, se utilizan los
use_stream_auto_create_node_
valores valores específicos de la ruta,
de lo contrario, se utilizan las
preferencias de usuario.
booleano Si es true, cuando un constructor
create_model_applier_for_new
_ de modelos crea un modelo
Modelos nuevo y no tiene enlaces de
actualización activos, se añade
un nuevo aplicador de modelos.
Nota: Si utiliza IBM SPSS
Modeler Batch versión 15, debe
añadir de forma explícita el
aplicador de modelos dentro de
su script.

create_model_applier_upda Define el tipo de enlace

createEnabled
te_links createDisabled creado cuando se añade
doNotCreate automáticamente un nodo
aplicador de modelos.
create_source_node_from_b booleano Si es true, cuando un constructor
uilders de modelos crea un resultado
de origen nuevo y no tiene
enlaces de actualización activos,
se añade un nuevo nodo de
origen.
create_source_node_update Define el tipo de enlace
createEnabled
_links createDisabled creado cuando se añade
doNotCreate automáticamente un nodo de
origen.
has_coordinate_system booleano Si es verdadero, aplica un
sistema de coordenadas a la ruta
completa.
coordinate_system cadena El nombre del sistema
de coordenadas proyectadas
seleccionado.
deployment_area Selecciona cómo desea
ModelRefresh
Puntuación desplegar la ruta. Si este valor
Ninguno está establecido en Ninguno, no
se utiliza ninguna otra entrada de
despliegue.
scoring_terminal_node_id cadena Elija la rama de puntuación en
la ruta. Puede ser cualquier
terminal de la ruta.
scoring_node_id cadena Elija el nugget de la rama de
puntuación.

80 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 41. Propiedades de ruta (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
model_build_node_id cadena Elija el nodo de modelado de la
ruta.

Capítulo 8. Propiedades de ruta 81

82 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Capítulo 9. Propiedades de nodos de origen

Propiedades comunes de nodos de origen

Las propiedades comunes a todos los nodos de origen se enumeran a continuación, con información
sobre nodos específicos en los temas siguientes.

Ejemplo 1
varfilenode = modeler.script.stream().create("variablefile", "Var. File")
varfilenode.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
varfilenode.setKeyedPropertyValue("check", "Age", "None")
varfilenode.setKeyedPropertyValue("values", "Age", [1, 100])
varfilenode.setKeyedPropertyValue("type", "Age", "Range")
varfilenode.setKeyedPropertyValue("direction", "Age", "Input")

Ejemplo 2
Este script presupone que el archivo de datos especificado contiene un campo Region que representa
una cadena de varias líneas.

from modeler.api import StorageType

from modeler.api import MeasureType

# Cree un nodo Archivo de variables que lee el conjunto de datos que contiene
# el campo "Region"
varfilenode = modeler.script.stream().create("variablefile", "My Geo Data")
varfilenode.setPropertyValue("full_filename", "C:/mydata/mygeodata.csv")
varfilenode.setPropertyValue("treat_square_brackets_as_lists", True)

# Sustituya el tipo de almacenamiento para que sea una lista...

varfilenode.setKeyedPropertyValue("custom_storage_type", "Region",
StorageType.LIST)
# ...y especifique el tipo de los valores de la lista y la profundidad de
lista
varfilenode.setKeyedPropertyValue("custom_list_storage_type", "Region",
StorageType.INTEGER)
varfilenode.setKeyedPropertyValue("custom_list_depth", "Region", 2)

# Cambie ahora la medición para identificar el campo como un valor

geoespacial...
varfilenode.setKeyedPropertyValue("measure_type", "Region",
MeasureType.GEOSPATIAL)
# ...y, finalmente, especifique la información necesaria sobre el tipo
# específico de objeto geoespacial
varfilenode.setKeyedPropertyValue("geo_type", "Region", "MultiLineString")
varfilenode.setKeyedPropertyValue("geo_coordinates", "Region", "2D")
varfilenode.setKeyedPropertyValue("has_coordinate_system", "Region", True)
varfilenode.setKeyedPropertyValue("coordinate_system", "Region",
"ETRS_1989_EPSG_Arctic_zone_5-47")
 Tabla 42. Propiedades comunes de nodos de origen
Nombre de la propiedad Tipo de datos Descripción de la propiedad
dirección Input Propiedad con clave para los roles de los campos.

Destino Formato de uso:

Both NODO.direction.NOMBRECAMPO

Ninguno Nota: Los valores In y Out han quedado en

desuso. Es posible que ya no puedan utilizarse en
Partition futuras versiones.

Split

Frequency

RecordID
type Range Tipo de campo. Si se establece esta propiedad
como Default, se borrará cualquier configuración
Flag del parámetro values y si value_mode tiene
el valor Specify, se restablecerá a Read. Si
value_mode se establece en Pass o Read, la
Set configuración de type no le afectará.

Sin tipo Formato de uso:

Discrete NODO.type.NOMBRECAMPO

Conjunto ordenado

Predeterminado
storage Desconocido Propiedad con clave de solamente lectura para el
tipo de almacenamiento de campos.
Cadena
Formato de uso:
Entero
NODO.storage.NOMBRECAMPO
Real

Hora

Fecha

Marca de tiempo

84 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
check Ninguno Propiedad con clave para la comprobación del
rango y el tipo de campo.
Nullify
Formato de uso:
Coerce
NODO.check.NOMBRECAMPO
Descartar

Warn

Abort
values [value value] Para un campo continuo (rango), el primer valor
es el mínimo y el último valor es el máximo.
Para campos nominales (conjunto), especifique
todos los valores. Para los campos marca, el
primer valor representa falso y el último, verdadero.
La configuración de esta propiedad establece
de forma automática la propiedad value_mode
en Specify. El almacenamiento se determina en
función del primer valor de la lista, por ejemplo, si
el primer valor es una cadena, el almacenamiento
se establece en Cadena.

Formato de uso:

NODO.values.NOMBRECAMPO
value_mode Leer Determina la forma en que se han establecido los
valores para un campo en la siguiente lectura de
Pasar datos.

Leer+ Formato de uso:

Actual NODO.value_mode.NOMBRECAMPO

Especifica Tenga en cuenta que no puede establecer

esta propiedad directamente en Specify. Para
utilizar valores específicos, establezca la propiedad
values.
default_value_mode Leer Especifica el método predeterminado para
configurar los valores de todos los campos.
Pasar
Formato de uso:

NODO.default_value_mode

Esta configuración puede anularse para

determinados campos mediante la propiedad
value_mode.

Capítulo 9. Propiedades de nodos de origen 85

 Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
extend_values tag Se aplica cuando value_mode se establece en
Read. Establézcala en T para añadir nuevos valores
de lectura a los valores existentes del campo.
Establézcala en F para descartar los valores
existentes y favorecer a los nuevos valores de
lectura.

Formato de uso:

NODO.extend_values.NOMBRECAMPO
value_labels cadena Se utiliza para especificar una etiqueta de valor.
Tenga en cuenta que estos valores se deben
especificar primero.
enable_missing tag Cuando está definida como T, activa el seguimiento
de los valores perdidos para el campo.

Formato de uso:

NODO.enable_missing.NOMBRECAMPO
missing_values [value value ...] Especifica los valores de datos que denotan los
datos perdidos.

Formato de uso:

NODO.missing_values.NOMBRECAMPO
range_missing tag Cuando esta propiedad se establece como T,
especifica si se define un rango de valores perdidos
(en blanco) para un campo.

Formato de uso:

NODO.range_missing.NOMBRECAMPO
missing_lower cadena Si range_missing es verdadero, especifica el
límite inferior del rango de valores perdidos.

Formato de uso:

NODO.missing_lower.NOMBRECAMPO
missing_upper cadena Si range_missing es verdadero, especifica el
límite superior del rango de valores perdidos.

Formato de uso:

NODO.missing_upper.NOMBRECAMPO

86 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
null_missing tag Cuando esta propiedad se establece en T, los
valores nulos (valores no definidos que se
muestran como $null$ en el software) se
consideran valores perdidos.

Formato de uso:

NODO.null_missing.NOMBRECAMPO
whitespace_missing tag Cuando esta propiedad está definida como T, los
valores que solamente contienen un espacio en
blanco (espacios, tabulaciones y líneas nuevas) se
consideran valores perdidos.

Formato de uso:

NODO.whitespace_missing.NOMBRECAMPO
description cadena Se utiliza para especificar la descripción o etiqueta
de un campo.
default_include tag Propiedad con clave para especificar si el
comportamiento predeterminado es para pasar o
filtrar los campos:

NODO.default_include

Ejemplo:

set minodo:filternode.default_include
= false
include tag Propiedad con clave que se utiliza para determinar
si los campos individuales se han incluido o se han
filtrado:

NODO.include.NOMBRECAMPO.
new_name string

Capítulo 9. Propiedades de nodos de origen 87

 Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
measure_type Range / Esta propiedad con clave es similar a type
MeasureType.RANGE en cuanto a que puede utilizarse para definir
la medición asociada al campo. La diferencia
Discrete / es que, en los scripts Python, la función de
MeasureType.DISCR establecimiento puede pasar también uno de los
ETE valores MeasureType, mientras que la función
de obtención siempre devolverá los valores
MeasureType.
Flag /
MeasureType.FLAG

Set /
MeasureType.SET

OrderedSet /
MeasureType.ORDER
ED_SET

Typeless /
MeasureType.TYPEL
ESS

Collection /
MeasureType.COLLE
CTION

Geospatial /
MeasureType.GEOSP
ATIAL
collection_measure Range / Para campos de recopilación (listas con
MeasureType.RANGE profundidad 0), esta propiedad con clave define
el tipo de medición asociado con los valores
Flag / subyacentes.
MeasureType.FLAG

Set /
MeasureType.SET

OrderedSet /
MeasureType.ORDER
ED_SET

Typeless /
MeasureType.TYPEL
ESS

88 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
geo_type Point En campos geoespaciales, esta propiedad con
clave define el tipo del objeto geoespacial
Multipunto representado por este campo. Debería ser
coherente con la profundidad de lista de los
valores.
Cadena lineal

Cadena multilínea

Polígono

Multipolígono
has_coordinate_syst booleano En campos geoespaciales, esta propiedad define si
em este campo tiene un sistema de coordenadas
coordinate_system string En campos geoespaciales, esta propiedad con
clave define el sistema de coordenadas para este
campo.
custom_storage_type Unknown / Esta propiedad con clave es similar a
MeasureType.UNKNO custom_storage en cuanto a que puede
WN utilizarse para definir el almacenamiento de
alteración temporal para el campo. La diferencia
String / es que, en los scripts Python, la función de
MeasureType.STRIN establecimiento puede pasar también uno de los
G valores StorageType, mientras que la función
de obtención siempre devolverá los valores
StorageType.
Integer /
MeasureType.INTEG
ER

Real /
MeasureType.REAL

Time /
MeasureType.TIME

Date /
MeasureType.DATE

Timestamp /
MeasureType.TIMES
TAMP

List /
MeasureType.LIST

Capítulo 9. Propiedades de nodos de origen 89

 Tabla 42. Propiedades comunes de nodos de origen (continuación)
Nombre de la propiedad Tipo de datos Descripción de la propiedad
custom_list_storage String / Para campos de lista, esta propiedad con clave
_type MeasureType.STRIN especifica el tipo de almacenamiento de los valores
G subyacentes.

Integer /
MeasureType.INTEG
ER

Real /
MeasureType.REAL

Time /
MeasureType.TIME

Date /
MeasureType.DATE

Timestamp /
MeasureType.TIMES
TAMP
custom_list_depth entero Para campos de lista, esta propiedad con clave
especifica la profundidad del campo.
max_list_length entero Solo está disponible para datos con un nivel de
medición de Geoespacial o Colección. Establezca
la longitud máxima de la lista especificando el
número de elementos que puede contener la lista.
max_string_length entero Solo está disponible para datos sin tipos y se utiliza
al generar SQL para crear una tabla. Entre el valor
de la serie más larga en los datos; esto genera
una columna en la tabla que es lo suficientemente
grande para contener la serie.

Propiedades de asimport
El origen de Analytic Server permite ejecutar una ruta en un sistema de archivos distribuido de Hadoop
(HDFS en sus siglas inglesas).

Ejemplo
node.setPropertyValue("use_default_as", False)
node.setPropertyValue("connection",
["false","9.119.141.141","9080","analyticserver","ibm","admin","admin","false
","","","",""])

Tabla 43. Propiedades de asimport

Propiedades de asimport Tipo de datos Descripción de la propiedad
data_source cadena Nombre del origen de datos.

90 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 43. Propiedades de asimport (continuación)
Propiedades de asimport Tipo de datos Descripción de la propiedad
use_default_as booleano Si se establece en True, utiliza
la conexión de Analytic Server
predeterminada configurada en
el archivo options.cfg de
servidor. Si se establece en
False, utiliza la conexión de este
nodo.
connection ["string","string","strin Una propiedad de la lista que
g", contiene los detalles de conexión
"string","string","string de Analytic Server. El formato
","string", es: ["is_secure_connect",
"string" ,"string","strin "server_url",
g", "string" ,"string"] "server_port",
"context_root",
"consumer", "user_name",
"password", "use-
kerberos-auth",
"kerberos-krb5-config-
file-path", "kerberos-
jaas-config-file-path",
"kerberos-krb5-service-
principal-name", "enable-
kerberos-debug"] Donde:
is_secure_connect: indica
si se utiliza la conexión segura
y es true o false. use-
kerberos-auth: indica si
se utiliza autenticación Kerberos
y es true o false. enable-
kerberos-debug: indica si
se utiliza el modo de depuración
de la autenticación Kerberos
y es true o false.

Propiedades del nodo cognosimport

El nodo fuente de IBM Cognos importa datos de las bases de datos de Cognos
Analytics.

Ejemplo

node = stream.create("cognosimport", "My node")

node.setPropertyValue("cognos_connection", ["http://mycogsrv1:9300/p2pd/
servlet/dispatch",
True, "", "", ""])
node.setPropertyValue("cognos_package_name", "/Public Folders/GOSALES")
node.setPropertyValue("cognos_items", ["[GreatOutdoors].[BRANCH].
[BRANCH_CODE]",
"[GreatOutdoors]
.[BRANCH].[COUNTRY_CODE]"])

Capítulo 9. Propiedades de nodos de origen 91

 Tabla 44. propiedades del nodo cognosimport
Propiedades del nodo Tipo de datos Descripción de la propiedad
cognosimport
mode Datos Especifica si se importarán los datos
de Cognos (valor predeterminado) o
Informe informes.

92 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 44. propiedades del nodo cognosimport (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
cognosimport
cognos_connection Una propiedad de la lista que
["string",flag,"string",
contiene los detalles de conexión
"string" ,"string"]
para el servidor de Cognos. El
formato es: ["Cognos_server_URL",
login_mode, "namespace",
"username", "password"]

donde:

Cognos_server_URL es la URL del

servidor de Cognos que contiene el
origen.

login_mode indica si se utiliza el inicio

de sesión anónimo, y es true o false;
si se establece en true, los campos
siguientes deben establecerse en "".

namespace especifica el proveedor de

autenticación de seguridad utilizado
para registrarse en el servidor.

username y password son los

utilizados para registrarse en el servidor
de Cognos.

En lugar de login_mode, también hay

disponibles las modalidades siguientes:
• anonymousMode. Por
ejemplo: ['Cognos_server_url',
'anonymousMode',
"namespace", "username",
"password"]
• credentialMode. Por
ejemplo: ['Cognos_server_url',
'credentialMode',
"namespace", "username",
"password"]
• storedCredentialMode. Por
ejemplo: ['Cognos_server_url',
'storedCredentialMode',
"stored_credential_name"]

Donde stored_credential_name
es el nombre de una credencial de
Cognos del repositorio.

Capítulo 9. Propiedades de nodos de origen 93

 Tabla 44. propiedades del nodo cognosimport (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
cognosimport
cognos_package_name string La ruta y el nombre del paquete de
Cognos desde el que está importando
objetos de datos, por ejemplo:

/Public Folders/GOSALES

Nota: solo es válida la barra diagonal.

cognos_items ["campo","campo", ... ,"campo"] El nombre de uno o más objetos

de datos que van a importarse. El
formato de campo es [espacio de
nombre].[asunto de consulta].[elemento
de consulta]
cognos_filters campo El nombre de uno o más filtros que van
a aplicarse antes de importar datos.
cognos_data_paramet list Valores de parámetros de solicitud
ers de datos. Los pares nombre-valor van
encerrados entre corchetes, los pares
múltiples están separados por comas
y toda la cadena está encerrada entre
corchetes.

Formato:

[["param1", "valor"],…,["paramN",
"valor"]]
cognos_report_direc campo La ruta de Cognos de una carpeta o
tory paquete de la que importar informes,
por ejemplo:

/Public Folders/GOSALES

Nota: solo es válida la barra diagonal.

cognos_report_name campo La ruta y nombre dentro de la ubicación

del informe de un informe que se ha de
importar.
cognos_report_param list Valores de parámetros de informe.
eters Los pares nombre-valor van encerrados
entre corchetes, los pares múltiples
están separados por comas y toda la
cadena está encerrada entre corchetes.

Formato:

[["param1", "valor"],…,["paramN",
"valor"]]

94 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

propiedades de databasenode
Puede utilizar el nodo Base de datos para importar datos de una variedad de otros
paquetes utilizando ODBC (Open Database Connectivity), incluidos Microsoft SQL
Server, Db2, Oracle y otros.

Ejemplo

import modeler.api
ruta = modeler.script.stream()
node = stream.create("database", "My node")
node.setPropertyValue("mode", "Table")
node.setPropertyValue("query", "SELECT * FROM drug1n")
node.setPropertyValue("datasource", "Drug1n_db")
node.setPropertyValue("username", "spss")
node.setPropertyValue("password", "spss")
node.setPropertyValue("tablename", ".Drug1n")

Tabla 45. propiedades de databasenode

Propiedades de databasenode Tipo de datos Descripción de la propiedad
mode Tabla Especifique Table para conectarse a una
tabla de base de datos mediante los
Query controles del cuadro de diálogo, o Query
para realizar una consulta a la base de
datos seleccionada mediante SQL.
datasource string Nombre de la base de datos (consulte la
siguiente nota).
nombre de usuario string Detalles de conexión de la base de datos
(consulte la siguiente nota).
password string
credencial string Nombre de la credencial almacenada en
IBM SPSS Collaboration and Deployment
Services. Se puede utilizar en lugar de las
propiedades username y password. El
nombre de usuario y la contraseña de la
credencial deben coincidir con el nombre
de usuario y la contraseña necesarios para
acceder a la base de datos
use_credential Se establece en True o False.
epassword string Especifica una contraseña codificada
como una alternativa a codificar una
contraseña en un script.

Consulte “Generación de una contraseña

codificada” en la página 54 para obtener
más información. Esta propiedad es de
sólo lectura durante la ejecución.
tablename string Nombre de la tabla a la que se desea
tener acceso.

Capítulo 9. Propiedades de nodos de origen 95

 Tabla 45. propiedades de databasenode (continuación)
Propiedades de databasenode Tipo de datos Descripción de la propiedad
strip_spaces Ninguno Opciones para descartar los espacios
iniciales y finales en las cadenas.
Left

Right

Both
use_quotes AsNeeded Especifica si los nombres de columna y
tabla aparecen entre comillas cuando las
Always consultas se envían a la base de datos (en
el caso, por ejemplo, de que contengan
espacios o signos de puntuación).
Nunca
consulta string Especifica el código SQL para la consulta
que desea enviar.

Nota: Si el nombre de la base de datos (en la propiedad datasource) contiene espacios, entonces en
vez de las propiedades individuales para datasource, username y password, utilice un único origen de
datos en el siguiente formato:

Tabla 46. Propiedades de databasenode - específicas de datasource

Propiedades de databasenode Tipo de datos Descripción de la propiedad
datasource string Formato:

[database_name,username,passwor
d[,true | false]]

El último parámetro se usa con

contraseñas cifradas. Si se define como
true, la contraseña se cifrará antes de
usarse.

Utilice este formato también si está cambiando el origen de datos, sin embargo, si tan sólo desea cambiar
el nombre de usuario o contraseña, puede usar las propiedades username o password.

Propiedades de datacollectionimportnode
El nodo Importación de datos de Data Collection importa datos de encuesta
basándose en el modelo de datos de Data Collection utilizado por productos de
investigación de mercado. Se debe instalar la biblioteca de datos de Data Collection
para utilizar este nodo.

Ejemplo

node = stream.create("datacollectionimport", "My node")

node.setPropertyValue("metadata_name", "mrQvDsc")
node.setPropertyValue("metadata_file", "C:/Archivos de programa/IBM/SPSS/
DataCollection/DDL/Data/
Quanvert/Museum/museum.pkd")
node.setPropertyValue("casedata_name", "mrQvDsc")
node.setPropertyValue("casedata_source_type", "File")

96 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

node.setPropertyValue("casedata_file", "C:/Archivos de programa/IBM/SPSS/
DataCollection/DDL/Data/
Quanvert/Museum/museum.pkd")
node.setPropertyValue("import_system_variables", "Common")
node.setPropertyValue("import_multi_response", "MultipleFlags")

Tabla 47. propiedades de datacollectionimportnode

Propiedades de Tipo de datos Descripción de la propiedad
datacollectionimportnode
metadata_name string El nombre del MDSC. El valor especial
DimensionsMDD indica que se debería
utilizar el documento de metadatos de
Data Collection estándar. Otro posibles
valores podrían ser:

mrADODsc

mrI2dDsc

mrLogDsc

mrQdiDrsDsc

mrQvDsc

mrSampleReportingMDSC

mrSavDsc

mrSCDsc

mrScriptMDSC

El valor especial none indica que no

existe ningún MDSC.
metadata_file string Nombre del archivo en el que se
almacenan los metadatos.

Capítulo 9. Propiedades de nodos de origen 97

 Tabla 47. propiedades de datacollectionimportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
datacollectionimportnode
casedata_name string El nombre del CDSC. Entre los posibles
valores se encuentran:

mrADODsc

mrI2dDsc

mrLogDsc

mrPunchDSC

mrQdiDrsDsc

mrQvDsc

mrRdbDsc2

mrSavDsc

mrScDSC

mrXmlDsc

El valor especial none indica que no

existe ningún CDSC.
casedata_source_type Desconocido Indica el tipo de origen del CDSC.

File

Folder

UDL

DSN
casedata_file string Cuando casedata_source_type es
File, especifica el archivo que contiene los
datos de casos.
casedata_folder string Cuando casedata_source_type es
Folder, especifica la carpeta que contiene
los datos de casos.
casedata_udl_string string Cuando casedata_source_type es
UDL, especifica la cadena de conexión
OLD-DB del origen de datos que contiene
los datos de casos.

98 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 47. propiedades de datacollectionimportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
datacollectionimportnode
casedata_dsn_string string Cuando casedata_source_type es
DSN, especifica la cadena de conexión
ODBC del origen de datos.
casedata_project string Al leer datos de casos de una base
de datos de Data Collection, puede
escribir el nombre del proyecto. Para el
resto de tipos de datos de casos, esta
configuración se deberá dejar en blanco.
version_import_mode Todos Define el modo en que deben tratarse las
versiones.
Latest

Especifica
specific_version string Cuando version_import_mode es
Specify, define la versión de los datos de
casos que se van a importar.
use_language string Determina si deben usarse las etiquetas
de un idioma concreto.
language string Si use_language es verdadero, define el
código de idioma que se va a usar en la
importación. Este código de idioma debe
incluirse entre aquellos disponibles en los
datos de casos.
use_context string Determina si se debe importar un
contexto específico. Los contextos se
utilizan para modificar la descripción
asociada con las respuestas.
context string Cuando use_context es verdadero,
define el contexto de la importación. Este
contexto debe encontrarse entre aquellos
disponibles en los datos de casos.
use_label_type string Determina si se debe importar un tipo de
etiqueta específico.
label_type string Cuando use_label_type es verdadero,
define el tipo de etiqueta de la
importación. Este tipo de etiqueta debe
encontrarse entre aquellos disponibles en
los datos de casos.
user_id string En el caso de las bases de datos que
requieren un inicio de sesión explícito,
puede proporcionar un ID de usuario y
una contraseña para acceder al origen de
datos.
password string

Capítulo 9. Propiedades de nodos de origen 99

 Tabla 47. propiedades de datacollectionimportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
datacollectionimportnode
import_system_variables Común Especifica las variables del sistema que
se importan.
Ninguno

Todos
import_codes_variables marca
import_sourcefile_variabl marca
es
import_multi_response MultipleFlags

Single

Propiedades de excelimportnode
El nodo de importación Excel importa datos de Microsoft Excel en el formato de
archivo .xlsx. No es necesario un origen de datos ODBC.

Ejemplos

#Para usar un rango con nombre:

node = stream.create("excelimport", "My node")
node.setPropertyValue("excel_file_type", "Excel2007")
node.setPropertyValue("full_filename", "C:/drug.xlsx")
node.setPropertyValue("use_named_range", True)
node.setPropertyValue("named_range", "DRUG")
node.setPropertyValue("read_field_names", True)

#Para usar un rango explícito:

node = stream.create("excelimport", "My node")
node.setPropertyValue("excel_file_type", "Excel2007")
node.setPropertyValue("full_filename", "C:/drug.xlsx")
node.setPropertyValue("worksheet_mode", "Name")
node.setPropertyValue("worksheet_name", "Drug")
node.setPropertyValue("explicit_range_start", "A1")
node.setPropertyValue("explicit_range_end", "F300")

Tabla 48. propiedades de excelimportnode

Propiedad de excelimportnode Tipo de datos Descripción de la propiedad
excel_file_type Excel2007
full_filename cadena El nombre completo del archivo,
incluyendo la ruta.
use_named_range Booleana Si usar un rango con nombre. Si es
verdadero, la propiedad named_range se
utiliza para especificar el rango de lectura
y se ignoran el resto de configuraciones
de rango de datos y hojas de trabajo.

100 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 48. propiedades de excelimportnode (continuación)
Propiedad de excelimportnode Tipo de datos Descripción de la propiedad
named_range cadena
worksheet_mode Índice Determina si la hoja de trabajo se define
por el índice o por el nombre.
Name
worksheet_index entero Índice de la hoja de trabajo que se va a
leer, siendo 0 la primera hoja de trabajo, 1
la segunda, etc.
worksheet_name cadena Nombre de la hoja de trabajo que se va a
leer.
data_range_mode FirstNonBlank Especifica cómo debe establecerse el
rango.
ExplicitRange
blank_rows StopReading Cuando data_range_mode es
FirstNonBlank, especifica cómo deben
ReturnBlankRows tratarse las filas en blanco.

explicit_range_start cadena Cuando data_range_mode es

ExplicitRange, especifica el punto de
partida del rango de lectura.
explicit_range_end cadena
read_field_names Booleana Determina si la primera fila del rango
concreto debería usarse como nombres
de campo (columna).
scanLineCount entero Especifica el número de filas que se
deben explorar para la columna y
el tipo de almacenamiento. El valor
predeterminado es 200.

Propiedades de extensionimportnode

Con el nodo de importación de extensión, puede

ejecutar scripts R o Python para Spark para
importar datos.

Ejemplo de Python para Spark

##### Ejemplo de script de Python para Spark
import modeler.api
ruta = modeler.script.stream()
node = stream.create("extension_importer", "extension_importer")
node.setPropertyValue("syntax_type", "Python")

python_script = """
import spss.pyspark
from pyspark.sql.types import *

cxt = spss.pyspark.runtime.getContext()

Capítulo 9. Propiedades de nodos de origen 101

 _schema = StructType([StructField('id', LongType(), nullable=False), \
StructField('age', LongType(), nullable=True), \
StructField('Sex', StringType(), nullable=True), \
StructField('BP', StringType(), nullable=True), \
StructField('Cholesterol', StringType(), nullable=True), \
StructField('K', DoubleType(), nullable=True), \
StructField('Na', DoubleType(), nullable=True), \
StructField('Drug', StringType(), nullable=True)])

if cxt.isComputeDataModelOnly():
cxt.setSparkOutputSchema(_schema)
else:
df = cxt.getSparkInputData()
if df is None:
drugList=[(1,23,'F','HIGH','HIGH',0.792535,0.031258,'drugY'), \
(2,47,'M','LOW','HIGH',0.739309,0.056468,'drugC'),\
(3,47,'M','LOW','HIGH',0.697269,0.068944,'drugC'),\
(4,28,'F','NORMAL','HIGH',0.563682,0.072289,'drugX'),\
(5,61,'F','LOW','HIGH',0.559294,0.030998,'drugY'),\
(6,22,'F','NORMAL','HIGH',0.676901,0.078647,'drugX'),\
(7,49,'F','NORMAL','HIGH',0.789637,0.048518,'drugY'),\
(8,41,'M','LOW','HIGH',0.766635,0.069461,'drugC'),\
(9,60,'M','NORMAL','HIGH',0.777205,0.05123,'drugY'),\
(10,43,'M','LOW','NORMAL',0.526102,0.027164,'drugY')]
sqlcxt = cxt.getSparkSQLContext()
rdd = cxt.getSparkContext().parallelize(drugList)
print 'pyspark read data count = '+str(rdd.count())
df = sqlcxt.createDataFrame(rdd, _schema)

cxt.setSparkOutputData(df)
"""

node.setPropertyValue("python_syntax", python_script)

Ejemplo de R
#### Ejemplo de script de R
node.setPropertyValue("syntax_type", "R")

R_script = """# 'JSON Import' Node v1.0 for IBM SPSS Modeler
# Paquete 'RJSONIO' creado por Duncan Temple Lang - http://cran.r-project.org/web/packages/
RJSONIO
# Paquete 'plyr' creado por Hadley Wickham http://cran.r-project.org/web/packages/plyr
# Desarrollador de nodo: Danil Savine - IBM Extreme Blue 2014
# Descripción: Este nodo le permite importar a SPSS datos de una tabla de un JSON.
# Instalar función para paquetes
packages <- function(x){
x <- as.character(match.call()[[2]])
if (!require(x,character.only=TRUE)){
install.packages(pkgs=x,repos="http://cran.r-project.org")
require(x,character.only=TRUE)
}
}
# paquetes
packages(RJSONIO)
packages(plyr)
### Esta función se utiliza para generar automáticamente el dataModel
getMetaData <- function (data) {
if (dim(data)[1]<=0) {

print("Warning : modelerData has no line, all fieldStorage fields set to strings")

getStorage <- function(x){return("string")}

} else {

getStorage <- function(x) {

res <- NULL
#si x es un factor, typeof devolverá un entero para que tratemos el caso en el lado
if(is.factor(x)) {
res <- "string"
} else {
res <- switch(typeof(unlist(x)),
integer = "integer",
double = "real",
character = "string",
"string")
}
return (res)
}

102 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 }

col = vector("list", dim(data)[2])

for (i in 1:dim(data)[2]) {
col[[i]] <- c(fieldName=names(data[i]),
fieldLabel="",
fieldStorage=getStorage(data[i]),
fieldMeasure="",
fieldFormat="",
fieldRole="")
}
mdm<-do.call(cbind,col)
mdm<-data.frame(mdm)
return(mdm)
}
# De JSON a una lista
txt <- readLines('C:/test.json')
formatedtxt <- paste(txt, collapse = '')
json.list <- fromJSON(formatedtxt)
# Aplicar ruta a json.list
if(strsplit(x='true', split='
' ,fixed=TRUE)[[1]][1]) {
path.list <- unlist(strsplit(x='id_array', split=','))
i = 1
while(i<length(path.list)+1){
if(is.null(getElement(json.list, path.list[i]))){
json.list <- json.list[[1]]
}else{
json.list <- getElement(json.list, path.list[i])
i <- i+1
}
}
}
# De lista a marco de datos a través de json no listado
i <-1
filled <- data.frame()
while(i < length(json.list)+ 1){
unlisted.json <- unlist(json.list[[i]])
to.fill <- data.frame(t(as.data.frame(unlisted.json, row.names = names(unlisted.json))),
stringsAsFactors=FALSE)
filled <- rbind.fill(filled,to.fill)
i <- 1 + i
}
# Exportar a datos de SPSS Modeler
modelerData <- filled
print(modelerData)
modelerDataModel <- getMetaData(modelerData)
print(modelerDataModel)

"""

node.setPropertyValue("r_syntax", R_script)

Tabla 49. Propiedades de extensionimportnode

Propiedades de extensionimportnode Tipo de datos Descripción de la propiedad
syntax_type R Especifica qué script se
ejecuta: R o Python (R es el
Python valor predeterminado).

r_syntax cadena Sintaxis de scripts R a ejecutar.

python_syntax cadena Sintaxis de scripts Python a
ejecutar.

Propiedades de fixedfilenode
El nodo Archivo fijo importa datos desde archivos de texto de campo fijo; esto es,
archivos cuyos campos no están delimitados pero empiezan en la misma posición y
tienen una longitud fija. Los datos heredados o generados por la máquina se suelen
almacenar en formato de campo fijo.

Capítulo 9. Propiedades de nodos de origen 103

 Ejemplo

node = stream.create("fixedfile", "My node")

node.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
node.setPropertyValue("record_len", 32)
node.setPropertyValue("skip_header", 1)
node.setPropertyValue("fields", [["Age", 1, 3], ["Sex", 5, 7], ["BP", 9,
10], ["Cholesterol",
12, 22], ["Na", 24, 25], ["K", 27, 27], ["Drug", 29, 32]])
node.setPropertyValue("decimal_symbol", "Period")
node.setPropertyValue("lines_to_scan", 30)

Tabla 50. Propiedades de fixedfilenode

Propiedad de fixedfilenode Tipo de datos Descripción de la propiedad
record_len number Especifica el número de caracteres de
cada registro.
line_oriented marca Omite el carácter de nueva línea al final de
cada registro.
decimal_symbol Predeterminado Tipo de separador decimal utilizado en el
origen de datos.
Comma

Period
skip_header number Especifica el número de líneas que se
ignorarán al principio del primer registro.
Esto resulta útil para ignorar las cabeceras
de columna.
auto_recognize_datetime marca Especifica si las fechas o las horas se
identifican automáticamente en los datos
de origen.
lines_to_scan number
campos list Propiedad estructurada.
full_filename string Nombre completo del archivo que se va a
leer, incluido el directorio.
strip_spaces Ninguno Descarta los espacios iniciales y finales en
las cadenas de importación.
Left

Right

Both
invalid_char_mode Descartar Elimina los caracteres no válidos (nulo, 0
o cualquier carácter que no exista en la
Replace codificación actual) de la entrada de datos
o sustituye los caracteres no válidos con
el símbolo especificado de un carácter.
invalid_char_replacement string
use_custom_values marca

104 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 50. Propiedades de fixedfilenode (continuación)
Propiedad de fixedfilenode Tipo de datos Descripción de la propiedad
custom_storage Desconocido

Cadena

Entero

Real

Hora

Fecha

Marca de tiempo

Capítulo 9. Propiedades de nodos de origen 105

 Tabla 50. Propiedades de fixedfilenode (continuación)
Propiedad de fixedfilenode Tipo de datos Descripción de la propiedad
custom_date_format "DDMMYY" Aplicable solamente si ha especificado un
almacenamiento personalizado.
"MMDDYY"

"YYMMDD"

"YYMMDD"

"YYYYDDD"

DAY

MONTH

"DD-MM-YY"

"DD-MM-YYYY"

"MM-DD-YY"

"MM-DD-YYYY"

"DD-MES-YY"

"DD-MES-YYYY"

"YYYY-MM-DD"

"DD.MM.YY"

"DD.MM.YYYY"

"MM.DD.YY"

"MM.DD.YYYY"

"DD.MES.YY"

"DD.MES.YYYY"

106 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 50. Propiedades de fixedfilenode (continuación)
Propiedad de fixedfilenode Tipo de datos Descripción de la propiedad
"DD/MM/YY"

"DD/MM/YYYY"

"MM/DD/YY"

"MM/DD/YYYY"

"DD/MES/YY"

"DD/MES/YYYY"

MON YYYY

q Q YYYY

ww WK YYYY
custom_time_format "HHMMSS" Aplicable solamente si ha especificado un
almacenamiento personalizado.
"HHMM"

"MMSS"

"HH:MM:SS"

"HH:MM"

"MM:SS"

"(H)H:(M)M:(S)S"

"(H)H:(M)M"

"(M)M:(S)S"

"HH.MM.SS"

"HH.MM"

"MM.SS"

"(H)H.(M)M.(S)S"

"(H)H.(M)M"

"(M)M.(S)S"

Capítulo 9. Propiedades de nodos de origen 107

 Tabla 50. Propiedades de fixedfilenode (continuación)
Propiedad de fixedfilenode Tipo de datos Descripción de la propiedad
custom_decimal_symbol campo Aplicable solamente si ha especificado un
almacenamiento personalizado.
codificación StreamDefault Especifica el método de codificación de
textos.
SystemDefault

"UTF-8"

Propiedades del nodo gsdata_import

Utilice el nodo de origen Geospacial para llevar datos de mapa o espaciales en su
sesión de minería de datos.

Tabla 51. Propiedades del nodo gsdata_import

Propiedades del nodo Tipo de datos Descripción de la propiedad
gsdata_import
full_filename string Entre la vía de acceso del archivo .shp que
desea cargar.
map_service_URL string Escriba el URL de servicio de mapas al que
conectarse.
map_name string Sólo si se utiliza map_service_URL; esto
contiene la estructura de carpeta de nivel
superior del servicio de mapa.

Propiedades jsonimportnode
El nodo de origen JSON importa datos de un archivo JSON.

Tabla 52. propiedades jsonimportnode

Propiedades jsonimportnode Tipo de datos Descripción de la propiedad
full_filename string El nombre completo del archivo,
incluyendo la ruta.
string_format records Especifique el formato de la cadena
JSON. El valor predeterminado es
values records.

auto_label Se ha añadido en la versión 18.2.1.1.

108 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Propiedades de sasimportnode
El nodo importar SAS importa datos SAS a IBM SPSS Modeler.

Ejemplo

node = stream.create("sasimport", "My node")

node.setPropertyValue("format", "Windows")
node.setPropertyValue("full_filename", "C:/data/retail.sas7bdat")
node.setPropertyValue("member_name", "Test")
node.setPropertyValue("read_formats", False)
node.setPropertyValue("full_format_filename", "Test")
node.setPropertyValue("import_names", True)

Tabla 53. propiedades de sasimportnode

Propiedad de sasimportnode Tipo de datos Descripción de la propiedad
format Windows Formato del archivo que se va a importar.

UNIX

Transport

SAS7

SAS8

SAS9
full_filename cadena El nombre completo del archivo
introducido, incluyendo su ruta.
member_name cadena Especifique el miembro para importar
desde el archivo de transporte SAS
especificado.
read_formats tag Lee formatos de datos (como etiquetas
de variables) del archivo de formatos
especificado.
full_format_filename cadena
import_names NamesAndLabels Especifica el método para la correlación
de nombres y etiquetas de variables en la
LabelsasNames importación.

propiedades de simgennode
El nodo Generar simulación permite, de forma sencilla, generar datos simulados —ya
sea a partir de cero utilizando distribuciones estadísticas especificadas por el usuario
o de forma automática utilizando las distribuciones obtenidas de la ejecución de un
nodo Ajustar simulación sobre datos históricos existentes. Esto es útil cuando se desea
evaluar el resultado de un modelo predictivo en presencia de incertidumbre en las
entradas de modelo.

Capítulo 9. Propiedades de nodos de origen 109

 Tabla 54. propiedades de simgennode
propiedades de simgennode Tipo de datos Descripción de la propiedad
campos Propiedad estructurada Ver ejemplo
correlaciones Propiedad estructurada Ver ejemplo
keep_min_max_setting booleano
refit_correlations booleano
max_cases entero El valor mínimo es 1000, el valor
máximo es 2,147,483,647.
create_iteration_field booleano
iteration_field_name cadena
replicate_results booleano
random_seed entero
parameter_xml cadena Devuelve el XML del parámetro como
una cadena.

Ejemplo de fields
Este es un parámetro de ranura estructurado con la sintaxis siguiente:

simgennode.setPropertyValue("fields", [
[field1, storage, locked, [distribution1], min, max],
[field2, storage, locked, [distribution2], min, max],
[field3, storage, locked, [distribution3], min, max]
])

distribution es una declaración del nombre de distribución seguido de una lista que contiene pares
de nombres y valores de atributo. Cada distribución se define de la siguiente forma:

[distributionname, [[par1], [par2], [par3]]]

simgennode = modeler.script.stream().createAt("simgen", u"Sim Gen", 726, 322)

simgennode.setPropertyValue("fields", [["Age", "integer", False, ["Uniform",[["min","1"],
["max","2"]]], "", ""]])

Por ejemplo, para crear un nodo que genere un solo campo con una distribución binomial puede utilizar el
siguiente script:

simgen_node1 = modeler.script.stream().createAt("simgen", u"Sim Gen", 200, 200)

simgen_node1.setPropertyValue("fields", [["Education", "Real", False, ["Binomial", [["n", 32],
["prob", 0.7]]], "", ""]])

La distribución binomial tiene 2 parámetros: n y prob. Puesto que binomial no admite los valores mínimo
y máximo, éstos se suministran como una serie vacía.
Nota: No se puede establecer distribution directamente; utilícelo en combinación con la propiedad
fields.
Los ejemplos siguientes muestran todos los tipos de distribución posibles. Tenga en cuenta
que el umbral se especifica como thresh tanto en NegativeBinomialFailures como en
NegativeBinomialTrial.

ruta = modeler.script.stream()

simgennode = stream.createAt("simgen", u"Sim Gen", 200, 200)

beta_dist = ["Field1", "Real", False,

["Beta",[["shape1","1"],["shape2","2"]]], "", ""]
binomial_dist = ["Field2", "Real", False, ["Binomial",[["n" ,"1"],["prob","1"]]], "", ""]
categorical_dist = ["Field3", "String", False, ["Categorical", [["A",0.3],["B",0.5],["C",0.2]]], "", ""]
dice_dist = ["Field4", "Real", False, ["Dice", [["1" ,"0.5"],["2","0.5"]]], "", ""]

110 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 exponential_dist = ["Field5", "Real", False, ["Exponential", [["scale","1"]]], "", ""]
fixed_dist = ["Field6", "Real", False, ["Fixed", [["value","1" ]]], "", ""]
gamma_dist = ["Field7", "Real", False, ["Gamma", [["scale","1"],["shape"," 1"]]], "", ""]
lognormal_dist = ["Field8", "Real", False, ["Lognormal", [["a","1"],["b","1" ]]], "", ""]
negbinomialfailures_dist = ["Field9", "Real", False, ["NegativeBinomialFailures",[["prob","0.5"],["thresh","1"]]], "", ""]
negbinomialtrial_dist = ["Field10", "Real", False,
["NegativeBinomialTrials",[["prob","0.2"],["thresh","1"]]], "", ""]
normal_dist = ["Field11", "Real", False, ["Normal", [["mean","1"] ,["stddev","2"]]], "", ""]
poisson_dist = ["Field12", "Real", False, ["Poisson", [["mean","1"]]], "", ""]
range_dist = ["Field13", "Real", False, ["Range", [["BEGIN","[1,3]"] ,["END","[2,4]"],["PROB","[[0.5],[0.5]]"]]], "", ""]
triangular_dist = ["Field14", "Real", False, ["Triangular", [["min","0"],["max","1"],["mode","1"]]], "", ""]
uniform_dist = ["Field15", "Real", False, ["Uniform", [["min","1"],["max","2"]]], "", ""]
weibull_dist = ["Field16", "Real", False, ["Weibull",
[["a","0"],["b","1 "],["c","1"]]], "", ""]

simgennode.setPropertyValue("fields", [\
beta_dist, \
binomial_dist, \
categorical_dist, \
dice_dist, \
exponential_dist, \
fixed_dist, \
gamma_dist, \
lognormal_dist, \
negbinomialfailures_dist, \
negbinomialtrial_dist, \
normal_dist, \
poisson_dist, \
range_dist, \
triangular_dist, \
uniform_dist, \
weibull_dist
])

Ejemplo de correlations
Este es un parámetro de ranura estructurado con la sintaxis siguiente:

simgennode.setPropertyValue("correlations", [
[field1, field2, correlation],
[field1, field3, correlation],
[field2, field3, correlation]
])

La correlación puede ser cualquier número entre +1 y -1. Puede especificar tantas correlaciones como
desee. Las correlaciones no especificadas se establecen en cero. Si alguno de los campos se desconocen,
el valor de la correlación debe establecerse en la matriz de correlación (o tabla) y se muestra en texto
rojo. Cuando hay campos desconocidos, no es posible ejecutar el nodo.

Propiedades de statisticsimportnode
El nodo Archivo de IBM SPSS Statistics lee los datos desde un formato de
archivo .sav que utiliza IBM SPSS Statistics y archivos caché guardados en IBM
SPSS Modeler, que también puede utilizar el mismo formato.

Las propiedades de este nodo están descritas en “Propiedades de statisticsimportnode” en la página

437.

Propiedades del nodo tm1odataimport

El nodo fuente de IBM Cognos TM1 importa datos de las bases de datos de Cognos
TM1.

Tabla 55. Propiedades del nodo tm1odataimport

Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1odataimport
credential_type inputCredential o Se utiliza para indicar el tipo de credencial.
storedCredential

Capítulo 9. Propiedades de nodos de origen 111

 Tabla 55. Propiedades del nodo tm1odataimport (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1odataimport
input_credential list Cuando credential_type es
inputCredential; especifique el dominio,
el nombre de usuario y la contraseña.
stored_credential_name cadena Cuando credential_type es
storedCredential; especifique el nombre
de la credencial en el servidor C&DS.
selected_view ["campo" "campo"] Una propiedad de la lista que contiene los
detalles del cubo TM1 seleccionado y el
nombre de la vista de cubo donde los datos se
importarán en SPSS. Por ejemplo:
TM1_import.setPropertyValue("selec
ted_view", ['plan_BudgetPlan',
'Goal Input'])
is_private_view marca Especifica si selected_view es una vista
privada. El valor predeterminado es false.
selected_columns ["field" ] Especifique la columna seleccionada; solo se
puede especificar un elemento.
Por ejemplo:
setPropertyValue("selected_columns
", ["Measures"])
selected_rows ["campo" "campo"] Especifique las filas seleccionadas:
Por ejemplo:
setPropertyValue("selected_rows",
["Dimension_1_1", "Dimension_2_1",
"Dimension_3_1", "Periods"])
connection_type AdminServer Indica el tipo de conexión. El valor
TM1Server predeterminado es AdminServer.
admin_host string El URL del nombre de host de la API
REST. Obligatorio si connection_type es
AdminServer.
server_name string El nombre del servidor TM1
seleccionado de admin_host. Obligatorio si
connection_type es AdminServer.
server_url string El URL de la API REST de TM1
Server. Obligatorio si connection_type es
TM1Server.

Propiedades del nodo tm1import (en desuso)

El nodo fuente de IBM Cognos TM1 importa datos de las bases de datos de Cognos
TM1.

Nota: Este nodo estaba en desuso en Modeler 18.0. El nombre del script del nodo de sustitución es
tm1odataimport.

112 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 56. Propiedades del nodo tm1import
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1import
pm_host cadena Nota: sólo para la versión 16.0 y 17.0

Nombre del host. Por ejemplo:

TM1_import.setPropertyValue("pm_ho
st", 'http://9.191.86.82:9510/
pmhub/pm')
tm1_connection ["campo","campo", . Nota: sólo para la versión 16.0 y 17.0
.. ,"campo"]
Una propiedad de la lista que
contiene los detalles de conexión
para el servidor de TM1. El
formato es: [ "TM1_Server_Name","tm1_
username","tm1_ password"]

Por ejemplo:
TM1_import.setPropertyValue("tm1_c
onnection", ['Planning Sample',
"admin", "apple"])
selected_view ["campo" "campo"] Una propiedad de la lista que contiene los
detalles del cubo TM1 seleccionado y el
nombre de la vista de cubo donde los datos se
importarán en SPSS. Por ejemplo:
TM1_import.setPropertyValue("selec
ted_view", ['plan_BudgetPlan',
'Goal Input'])
selected_column ["field" ] Especifique la columna seleccionada; solo se
puede especificar un elemento.

Por ejemplo:
setPropertyValue("selected_columns
", ["Measures"])
selected_rows ["campo" "campo"] Especifique las filas seleccionadas:

Por ejemplo:
setPropertyValue("selected_rows",
["Dimension_1_1", "Dimension_2_1",
"Dimension_3_1", "Periods"])

Propiedades del nodo twcimport

El nodo de origen de TWC importa datos meteorológicos de The Weather Company,
una empresa de IBM. Puede utilizarlo para obtener datos meteorológicos históricos
o predicción para una ubicación. Esto puede ayudarle a desarrollar soluciones
empresariales dirigidas a la meteorología para una mejor toma de decisiones
utilizando los datos meteorológicos más exactos y precisos disponibles.

Capítulo 9. Propiedades de nodos de origen 113

 Tabla 57. Propiedades del nodo twcimport
Propiedades del nodo Tipo de datos Descripción de la propiedad
twcimport
TWCDataImport.latit Real Especifica un valor de latitud con el
ude formato [-90.0˜90.0]
TWCDataImport.longi Real Especifica un valor de longitud con el
tude formato [-180.0˜180.0].
TWCDataImport.licen string Especifica la clave de licencia obtenida
seKey de The Weather Company.
TWCDataImport.measu Inglés Especifica la unidad de medida.
rmentUnit Los valores posibles son English,
Metric Metric o Hybrid. Metric es el valor
predeterminado.

Híbrido
TWCDataImport.dataT Historical Especifica el tipo de datos
ype meteorológicos para la entrada. Los
Forecast valores posibles son Historical o
Prediction. Histórico es el valor
predeterminado.
TWCDataImport.start Entero Si se especifica Histórico
Date para TWCDataImport.dataType,
especifique una fecha de inicio con el
formato aaaaMMdd.
TWCDataImport.endDa Entero Si se especifica Histórico
te para TWCDataImport.dataType,
especifique una fecha de finalización
con el formato aaaaMMdd.
TWCDataImport.forec 6 Si se especifica Predicción
astHour para TWCDataImport.dataType,
12 especifique 6, 12, 24 o 48 para la hora.

24

48

propiedades de userinputnode
El nodo Datos de usuario proporciona una manera fácil de crear datos sintéticos,
ya sea partiendo de cero o modificando los datos existentes. Esto resulta útil,
por ejemplo, cuando desee crear un conjunto de datos de comprobación para el
modelado.

Ejemplo

node = stream.create("userinput", "My node")

node.setPropertyValue("names", ["test1", "test2"])
node.setKeyedPropertyValue("data", "test1", "2, 4, 8")
node.setKeyedPropertyValue("custom_storage", "test1", "Integer")
node.setPropertyValue("data_mode", "Ordered")

114 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 58. propiedades de userinputnode
Propiedad de userinputnode Tipo de datos Descripción de la propiedad
data
nombres Intervalo estructurado que establece o
devuelve una lista de nombres de campos
generados por el nodo.
custom_storage Desconocido Intervalo con clave que establece o
devuelve el almacenamiento para un
Cadena campo.

Entero

Real

Hora

Fecha

Marca de tiempo
data_mode Combined Si se especifica Combined, los registros
se generarán para cada combinación de
Ordered valores del conjunto y valores mínimos
y máximos. El número de registros
generados será igual al producto del
número de valores de cada campo. Si se
especifica Ordered, se tomará un valor
de cada columna para cada registro con el
fin de generar una fila de datos. El número
de registros generados será igual al
número más grande de valores asociados
a un campo. Los campos que tengan
menos valores de datos se rellenarán con
valores nulos.
values Nota: Esta propiedad ya no se utiliza,
y no debe usarse; en su lugar, se usa
userinputnode.data.

Propiedades de variablefilenode
El nodo Archivo variable lee datos desde los archivos de texto de campo libre, es
decir, campos cuyos registros contienen un número constante de campos, pero un
número variado de caracteres. Este nodo resulta también útil para los archivos con
texto de cabecera de longitud fija y determinados tipos de anotaciones.

Ejemplo

node = stream.create("variablefile", "My node")

node.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
node.setPropertyValue("read_field_names", True)
node.setPropertyValue("delimit_other", True)
node.setPropertyValue("other", ",")

Capítulo 9. Propiedades de nodos de origen 115

 node.setPropertyValue("quotes_1", "Discard")
node.setPropertyValue("decimal_symbol", "Comma")
node.setPropertyValue("invalid_char_mode", "Replace")
node.setPropertyValue("invalid_char_replacement", "|")
node.setKeyedPropertyValue("use_custom_values", "Age", True)
node.setKeyedPropertyValue("direction", "Age", "Input")
node.setKeyedPropertyValue("type", "Age", "Range")
node.setKeyedPropertyValue("values", "Age", [1, 100])

Tabla 59. Propiedades de variablefilenode

Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
skip_header number Especifica el número de caracteres que se
ignorarán al principio del primer registro.
num_fields_auto marca Determina el número de campos de
cada registro de forma automática. Los
registros deben terminar con un carácter
de nueva línea.
num_fields number Especifica manualmente el número de
campos de cada registro.
delimit_space marca Especifica el carácter utilizado para
delimitar los límites de los campos del
archivo.
delimit_tab marca
delimit_new_line marca
delimit_non_printing marca
delimit_comma marca En aquellos casos en los que la coma
sea el delimitador del campo y el
separador decimal para rutas, establezca
delimit_other en True y especifique
una coma como delimitador mediante la
propiedad other.
delimit_other marca Permite especificar un delimitador
personalizado mediante la propiedad
other.
other string Especifica el delimitador utilizado cuando
delimit_other es True.
decimal_symbol Predeterminado Especifica el separador decimal utilizado
en el origen de datos.
Comma

Period
multi_blank marca Trata varios caracteres delimitadores
vacíos adyacentes como un único
delimitador.
read_field_names marca Trata la primera fila del archivo de datos
como etiquetas para la columna.

116 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 59. Propiedades de variablefilenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
strip_spaces Ninguno Descarta los espacios iniciales y finales
en las cadenas de importación.
Left

Right

Both
invalid_char_mode Descartar Elimina los caracteres no válidos (nulo,
0 o cualquier carácter que no exista
Replace en la codificación actual) de la entrada
de datos o sustituye los caracteres no
válidos con el símbolo especificado de un
carácter.
invalid_char_replacement string
break_case_by_newline marca Especifica que el delimitador de línea es
el carácter de nueva línea.
lines_to_scan number Especifica cuántas líneas se van a
explorar para los tipos de datos
especificados.
auto_recognize_datetime marca Especifica si las fechas o las horas se
identifican automáticamente en los datos
de origen.
quotes_1 Descartar Especifica cómo se tratarán las comillas
simples en la importación.
PairAndDiscard

IncludeAsText
quotes_2 Descartar Especifica cómo se tratarán las comillas
dobles en la importación.
PairAndDiscard

IncludeAsText
full_filename string Nombre completo del archivo que se va a
leer, incluido el directorio.
use_custom_values marca

Capítulo 9. Propiedades de nodos de origen 117

 Tabla 59. Propiedades de variablefilenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
custom_storage Desconocido

Cadena

Entero

Real

Hora

Fecha

Marca de tiempo

118 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 59. Propiedades de variablefilenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
custom_date_format "DDMMYY" Aplicable solamente si ha especificado un
almacenamiento personalizado.
"MMDDYY"

"YYMMDD"

"YYMMDD"

"YYYYDDD"

DAY

MONTH

"DD-MM-YY"

"DD-MM-YYYY"

"MM-DD-YY"

"MM-DD-YYYY"

"DD-MES-YY"

"DD-MES-YYYY"

"YYYY-MM-DD"

"DD.MM.YY"

"DD.MM.YYYY"

"MM.DD.YY"

"MM.DD.YYYY"

"DD.MES.YY"

"DD.MES.YYYY"

Capítulo 9. Propiedades de nodos de origen 119

 Tabla 59. Propiedades de variablefilenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
"DD/MM/YY"

"DD/MM/YYYY"

"MM/DD/YY"

"MM/DD/YYYY"

"DD/MES/YY"

"DD/MES/YYYY"

MON YYYY

q Q YYYY

ww WK YYYY

120 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 59. Propiedades de variablefilenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
variablefilenode
custom_time_format "HHMMSS" Aplicable solamente si ha especificado un
almacenamiento personalizado.
"HHMM"

"MMSS"

"HH:MM:SS"

"HH:MM"

"MM:SS"

"(H)H:(M)M:(S)S"

"(H)H:(M)M"

"(M)M:(S)S"

"HH.MM.SS"

"HH.MM"

"MM.SS"

"(H)H.(M)M.(S)S"

"(H)H.(M)M"

"(M)M.(S)S"
custom_decimal_symbol campo Aplicable solamente si ha especificado un
almacenamiento personalizado.
codificación StreamDefault Especifica el método de codificación de
textos.
SystemDefault

"UTF-8"

Propiedades de xmlimportnode
El nodo de origen XML importa datos en formato XML en la ruta. Puede importar un
único archivo o todos los archivos en un directorio. Puede especificar opcionalmente un
archivo de esquema para leer la estructura XML.

Capítulo 9. Propiedades de nodos de origen 121

 Ejemplo

node = stream.create("xmlimport", "My node")

node.setPropertyValue("full_filename", "c:/import/ebooks.xml")
node.setPropertyValue("records", "/author/name")

Tabla 60. propiedades de xmlimportnode

propiedades de xmlimportnode Tipo de datos Descripción de la propiedad
read single Lee un único archivo de datos (valor
predeterminado) o todos los archivos XML
directorio de un directorio.

recurse tag Especifica si leer además archivos XML

de todos los subdirectorios del directorio
especificado.
full_filename cadena (obligatorio) Ruta completa y nombre de
archivo del archivo XML a importar (si
read = single).
directory_name cadena (obligatorio) Ruta completa y nombre
del directorio desde el que importar los
archivos XML (si read = directory).
full_schema_filename cadena Ruta completa y nombre de archivo del
archivo XSD o DTD desde el que leer la
estructura XML. Si omite este parámetro,
se leerá la estructura desde el archivo de
origen XML.
records cadena Expresión XPath (p.ej. /author/name) para
definir el límite del registro. Cada vez que
este elemento se encuentra en el archivo
de origen se crea un nuevo registro.
mode read Lee todos los datos (valor
predeterminado) o especifica qué
specify elementos leer.

campos Lista de elementos (elementos y

atributos) para importar. Cada elemento
de la lista es una expresión XPath.

122 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 10. Propiedades de nodos de operaciones
con registros

propiedades de appendnode
El nodo Añadir concatena conjuntos de registros. Es útil para combinar conjuntos de
datos con estructuras parecidas, pero con datos diferentes.

Ejemplo

node = stream.create("append", "My node")

node.setPropertyValue("match_by", "Name")
node.setPropertyValue("match_case", True)
node.setPropertyValue("include_fields_from", "All")
node.setPropertyValue("create_tag_field", True)
node.setPropertyValue("tag_field_name", "Append_Flag")

Tabla 61. propiedades de appendnode

Propiedad de appendnode Tipo de datos Descripción de la propiedad
match_by Position Se pueden añadir conjuntos de datos
basándose en la posición que tienen los
Name campos en el origen de datos principal o el
nombre de los campos en los conjuntos de
datos de entrada.
match_case tag Activa la coincidencia de mayúsculas y
minúsculas al hacer coincidir nombres de
campos.
include_fields_from Main

Todos
create_tag_field tag
tag_field_name cadena

propiedades de aggregatenode
El nodo Agregar reemplaza una secuencia de registros de entrada con registros de
salida agregados y resumidos.

Ejemplo

node = stream.create("aggregate", "My node")

# dbnode es un nodo de importación de base de datos configurado
stream.link(dbnode, node)
node.setPropertyValue("contiguous", True)
node.setPropertyValue("keys", ["Drug"])
node.setKeyedPropertyValue("aggregates", "Age", ["Sum", "Mean"])
 node.setPropertyValue("inc_record_count", True)
node.setPropertyValue("count_field", "index")
node.setPropertyValue("extension", "Aggregated_")
node.setPropertyValue("add_as", "Prefix")

Tabla 62. propiedades de aggregatenode

Propiedad de Tipo de datos Descripción de la propiedad
aggregatenode
keys list Enumera los campos que se pueden usar
como claves en la agregación. Por ejemplo,
si Sexo y Región son los campos clave,
cada combinación exclusiva de V y M con
las regiones N y S (cuatro combinaciones
exclusivas) tendrá un registro agregado.
contiguous tag Seleccione esta opción si sabe que todos
los registros con los mismos valores clave
se agrupan en la entrada (por ejemplo, si la
entrada se clasifica en los campos clave).
Con ello puede mejorar el rendimiento.
aggregates Enumera los campos numéricos cuyos
valores se añadirán, así como los modos de
agregación elegidos.
aggregate_exprs Propiedad con clave que aplica claves
al nombre de campo derivado con la
expresión agregada utilizada para calcularla.
Por ejemplo:

aggregatenode.setKeyedPropertyValue
("aggregate_exprs", "Na_MAX",
"MAX('Na')")

extensión cadena Especifica un prefijo o sufijo para campos

agregados duplicados (consulte un ejemplo
a continuación).
add_as Suffix

Prefix
inc_record_count tag Crea un campo adicional que indica la
cantidad de registros de entrada agregados
para conformar cada registro agregado.
count_field cadena Especifica el nombre del campo de recuento
de registros.
allow_approximation Booleana Permite la aproximación de estadísticas de
ordenación cuando se realiza la agregación
en Analytic Server
bin_count entero Especifica el número de intervalos a utilizar
en la aproximación

124 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

propiedades de balancenode
El nodo Equilibrar corrige los desequilibrios de un conjunto de datos para que
cumpla una condición determinada. La directiva de equilibrado ajusta la proporción
de registros si una condición es verdadera por el factor determinado.

Ejemplo

node = stream.create("balance", "My node")

node.setPropertyValue("training_data_only", True)
node.setPropertyValue("directives", [[1.3, "Age > 60"], [1.5, "Na > 0.5"]])

Tabla 63. propiedades de balancenode

Propiedad de balancenode Tipo de datos Descripción de la propiedad
directives Propiedad estructurada para equilibrar la
proporción de los valores de campos
basados en un número determinado
(consulte el ejemplo a continuación).
training_data_only marca Especifica que sólo se deben equilibrar los
datos de entrenamiento. Si no se incluye
ningún campo de partición en la ruta, se
ignorará esta opción.

Esta propiedad de nodo utiliza el siguiente formato:

[[ número, cadena ] \ [ número, cadena] \ ... [número, cadena ]].
Nota: Si las cadenas (que utilizan comillas dobles) están incrustadas en la expresión, han de estar
precedidas del carácter de escape " \ ". El carácter " \ " es también el carácter de continuación de
línea, que puede utilizar para alinear los argumentos para mayor claridad.

Propiedades cplexoptnode
El nodo Optimización de CPLEX proporciona la capacidad de utilizar la optimización
basada en CPLEX (matemática compleja) a través de un archivo de modelo OPL
(Optimization Programming Language - Lenguaje de programación de optimización).
Esta funcionalidad estaba disponible en el producto IBM Analytical Decision
Management, que ya no está soportado. Pero también puede utilizar el nodo CPLEX
en SPSS Modeler sin necesidad de IBM Analytical Decision Management.

Tabla 64. Propiedades cplexoptnode

Propiedades cplexoptnode Tipo de datos Descripción de la propiedad
opl_model_text string El programa de scripts OPL (Lenguaje
de programación de optimización) que
ejecutará el nodo Optimización de CPLEX
y, después, generará el resultado de la
optimización.

Capítulo 10. Propiedades de nodos de operaciones con registros 125

 Tabla 64. Propiedades cplexoptnode (continuación)
Propiedades cplexoptnode Tipo de datos Descripción de la propiedad
opl_tuple_set_name string Nombre de conjunto de tuplas en el
modelo OPL que corresponde a los datos
de entrada. Esto no es necesario y,
normalmente, no se establece a través del
script. Solo se debe utilizar para editar
correlaciones de campos de una fuente de
datos seleccionada.
data_input_map Lista de propiedades Las correlaciones de campos de entrada
estructuradas para una fuente de datos. Esto no
es necesario y, normalmente, no se
establece a través del script. Solo se
debe utilizar para editar correlaciones
de campos de una fuente de datos
seleccionada.

126 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 64. Propiedades cplexoptnode (continuación)
Propiedades cplexoptnode Tipo de datos Descripción de la propiedad
md_data_input_map Lista de propiedades Las correlaciones de campos entre cada
estructuradas tupla definida en el OPL, con cada fuente
de datos de campo correspondiente
(datos de entrada). Los usuarios pueden
editarlas de forma individual por fuente de
datos. Con este script, puede establecer la
propiedad directamente para definir todas
las correlaciones a la vez. Este valor no se
muestra en la interfaz de usuario.
Cada entidad de la lista corresponde a
datos estructurados.
Etiqueta de fuente de datos. La
etiqueta de la fuente de datos, que
se puede encontrar en el desplegable
de fuentes de datos. Por ejemplo, para
0_Products_Type la etiqueta es 0.
Índice de fuentes de datos. La secuencia
física (índice) de la fuente de datos.
Esto se determina mediante el orden de
conexión.
Nodo de origen. El nodo de origen
(anotación) de la fuente de datos. Este
se puede encontrar en el desplegable
de fuentes de datos. Por ejemplo, para
0_Products_Type el nodo de origen es
Products.
Nodo conectado. El nodo anterior
(anotación) que se conecta al nodo de
optimización de CPLEX actual. Este se
puede encontrar en el desplegable de
fuentes de datos. Por ejemplo, para
0_Products_Type, el nodo conectado es
Type.
Nombre de conjunto de tuplas. El
nombre de conjunto de tuplas de la fuente
de datos. Debe coincidir con lo que está
definido en el OPL.
Nombre de campo de tupla. El nombre
del campo de conjunto de tuplas de la
fuente de datos. Debe coincidir con lo que
está definido en la definición del conjunto
de tuplas de OPL.
Tipo de almacenamiento. El tipo de
almacenamiento de campo. Los valores
posibles son int, float o string.

Capítulo 10. Propiedades de nodos de operaciones con registros 127

 Tabla 64. Propiedades cplexoptnode (continuación)
Propiedades cplexoptnode Tipo de datos Descripción de la propiedad

Nombre de campo de datos. El nombre

de campo de la fuente de datos.
Ejemplo:

[[0,0,'Product','Type','Products',
'prod_id_tup','int','prod_id'],
[0,0,'Product','Type','Products',
'prod_name_tup','string',
'prod_name'],
[1,1,'Components','Type','Components'
,
'comp_id_tup','int','comp_id'],
[1,1,'Components','Type',
'Components',
'comp_name_tup','string','comp_name']
]

opl_data_text string La definición de algunas variables o datos

utilizados para el OPL.
output_value_mode string Los valores posibles son raw o dvar.
Si se proporciona dvar, en la pestaña
Resultado el usuario debe especificar el
nombre de variable de función de objeto
en OPL para el resultado. Si se especifica
raw, la función de objetivo se producirá
directamente, independientemente del
nombre.
decision_variable_name string El nombre de variable de la función de
objetivo definido en el OPL. Este valor
solo está habilitado cuando la propiedad
output_value_mode está establecida
en dvar.
objective_function string El nombre del campo para el valor de
_value_fieldname la función de objetivo para utilizar en
la salida. El valor predeterminado es
_OBJECTIVE.

128 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 64. Propiedades cplexoptnode (continuación)
Propiedades cplexoptnode Tipo de datos Descripción de la propiedad
output_tuple_set_names string El nombre de las tuplas predefinidas a
partir de los datos entrantes. Este actúa
como los índices de la variable de decisión
y se espera que sea la salida con las
salidas de variable. La tupla de salida
debe ser coherente con la definición de
la variable de decisión en el OPL. Si hay
varios índices, los nombres de tupla se
deben unir con una coma (,).
Un ejemplo de una sola tupla es
Products, con la definición de OPL
correspondiente que es dvar float+
Production[Products];
Un ejemplo de varias
tuplas es Products,Components,
con la definición de OPL
correspondiente que es dvar
float+ Production[Products]
[Components];

decision_output_map Lista de propiedades La correlación de campos entre variables

estructuradas definidas en el OPL que será la salida y
los campos de salidas. Cada entidad de la
lista corresponde a datos estructurados.
Nombre de variable. El nombre de
variable en el OPL para el resultado.
Tipo de almacenamiento. Los valores
posibles son int, float o string.
Nombre de campo de salida. El nombre
de campo previsto en los resultados
(salida o exportación).
Ejemplo:

[['Production','int','res'],
['Remark','string','res_1']
['Cost',
'float','res_2']]

Propiedades derive_stbnode
El nodo Cajas-espacio-tiempo deriva Cajas-espacio-tiempo de los campos latitud,
longitud e indicación de fecha y hora. Las Cajas-espacio-tiempo también pueden
identificarse como lugares comunes.

Ejemplo

node = modeler.script.stream().createAt("derive_stb", "My node", 96, 96)

# Modalidad Individual Records (registros individuales)

node.setPropertyValue("mode", "IndividualRecords")
node.setPropertyValue("latitude_field", "Latitude")
node.setPropertyValue("longitude_field", "Longitude")

Capítulo 10. Propiedades de nodos de operaciones con registros 129

 node.setPropertyValue("timestamp_field", "OccurredAt")
node.setPropertyValue("densities", ["STB_GH7_1HOUR", "STB_GH7_30MINS"])
node.setPropertyValue("add_extension_as", "Prefix")
node.setPropertyValue("name_extension", "stb_")

# Modalidad Hangouts
node.setPropertyValue("mode", "Hangouts")
node.setPropertyValue("hangout_density", "STB_GH7_30MINS")
node.setPropertyValue("id_field", "Event")
node.setPropertyValue("qualifying_duration", "30MINUTES")
node.setPropertyValue("min_events", 4)
node.setPropertyValue("qualifying_pct", 65)

Tabla 65. Propiedades del nodo Cajas-Espacio-Tiempo

Propiedades de Tipo de datos Descripción de la propiedad
derive_stbnode
mode
IndividualRecords
Hangouts

latitude_field campo
longitude_field campo
timestamp_field campo
hangout_density densidad Una sola densidad. Consulte en densities
los valores de densidad válidos.
densities [densidad,densidad,..., Cada densidad es una cadena, por ejemplo,
densidad] STB_GH8_1DAY.
Nota: Existen límites para que las
densidades sean válidas. En geohash, se
pueden utilizar los valores de GH1 a GH15.
Para la parte temporal, se pueden utilizar
los valores siguientes:

EVER
1YEAR
1MONTH
1DAY
12HOURS
8HOURS
6HOURS
4HOURS
3HOURS
2HOURS
1HOUR
30MINS
15MINS
10MINS
5MINS
2MINS
1MIN
30SECS
15SECS
10SECS
5SECS
2SECS
1SEC

id_field campo

130 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 65. Propiedades del nodo Cajas-Espacio-Tiempo (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
derive_stbnode
qualifying_duration Debe ser una cadena.
1DAY
12HOURS
8HOURS
6HOURS
4HOURS
3HOURS
2Hours
1HOUR
30MIN
15MIN
10MIN
5MIN
2MIN
1MIN
30SECS
15SECS
10SECS
5SECS
2SECS
1SECS

min_events entero El valor de entero válido mínimo es de 2.

qualifying_pct entero Debe estar en el rango de 1 a 100.
add_extension_as
Prefix
Suffix

name_extension cadena

propiedades de distinctnode
El nodo Distinguir se puede usar para eliminar registros duplicados pasando el
primero de los registros distintos a la ruta de datos o descartando el primer registro
y pasando cualquier duplicado a la ruta de datos en su lugar.

Ejemplo

node = stream.create("distinct", "My node")

node.setPropertyValue("mode", "Include")
node.setPropertyValue("fields", ["Age" "Sex"])
node.setPropertyValue("keys_pre_sorted", True)

Tabla 66. propiedades de distinctnode

Propiedad de Tipo de datos Descripción de la propiedad
distinctnode
mode Incluir Se puede incluir el primer nodo distinto en
la ruta o descartar el primer nodo distinto
Descartar y pasar en su lugar todos los registros
duplicados a la ruta de datos.
grouping_fields lista Enumera los campos utilizados para
determinar si los registros son idénticos.
Nota: Esta propiedad está en desuso desde
IBM SPSS Modeler 16 y posterior.

Capítulo 10. Propiedades de nodos de operaciones con registros 131

 Tabla 66. propiedades de distinctnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
distinctnode
composite_value Intervalo estructurado Vea el ejemplo que se muestra a
continuación.
composite_values Intervalo estructurado Vea el ejemplo que se muestra a
continuación.
inc_record_count marca Crea un campo adicional que indica la
cantidad de registros de entrada agregados
para conformar cada registro agregado.
count_field cadena Especifica el nombre del campo de recuento
de registros.
sort_keys Intervalo estructurado Nota: Esta propiedad está en desuso desde
IBM SPSS Modeler 16 y posterior.

default_ascending marca
low_distinct_key_count tag Especifica que sólo tiene un pequeño
número de registros y/o un pequeño número
de valores exclusivos del campo(s) clave.
keys_pre_sorted tag Especifica que todos los registros con los
mismos valores clave se agrupan en la
entrada.
disable_sql_generation tag

Ejemplo para la propiedad composite_value

La propiedad composite_value tiene el formato general siguiente:

node.setKeyedPropertyValue("composite_value", FIELD, FILLOPTION)

FILLOPTION tiene el formato [ FillType, Option1, Option2, ...].

Ejemplos:

node.setKeyedPropertyValue("composite_value", "Age", ["First"])

node.setKeyedPropertyValue("composite_value", "Age", ["last"])
node.setKeyedPropertyValue("composite_value", "Age", ["Total"])
node.setKeyedPropertyValue("composite_value", "Age", ["Average"])
node.setKeyedPropertyValue("composite_value", "Age", ["Min"])
node.setKeyedPropertyValue("composite_value", "Age", ["Max"])
node.setKeyedPropertyValue("composite_value", "Date", ["Earliest"])
node.setKeyedPropertyValue("composite_value", "Date", ["Latest"])
node.setKeyedPropertyValue("composite_value", "Code", ["FirstAlpha"])
node.setKeyedPropertyValue("composite_value", "Code", ["LastAlpha"])

Las opciones personalizadas requieren más de un argumento, añadidos como una lista, por ejemplo:

node.setKeyedPropertyValue("composite_value", "Name", ["MostFrequent", "FirstRecord"])

node.setKeyedPropertyValue("composite_value", "Date", ["LeastFrequent", "LastRecord"])
node.setKeyedPropertyValue("composite_value", "Pending", ["IncludesValue", "T", "F"])
node.setKeyedPropertyValue("composite_value", "Marital", ["FirstMatch", "Married", "Divorced",
"Separated"])
node.setKeyedPropertyValue("composite_value", "Code", ["Concatenate"])
node.setKeyedPropertyValue("composite_value", "Code", ["Concatenate", "Space"])
node.setKeyedPropertyValue("composite_value", "Code", ["Concatenate", "Comma"])
node.setKeyedPropertyValue("composite_value", "Code", ["Concatenate", "UnderScore"])

132 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Ejemplo para la propiedad composite_values
La propiedad composite_values tiene el formato general siguiente:

node.setPropertyValue("composite_values", [
[FIELD1, [FILLOPTION1]],
[FIELD2, [FILLOPTION2]],
.
.
])

Ejemplo:

node.setPropertyValue("composite_values", [
["Age", ["First"]],
["Name", ["MostFrequent", "First"]],
["Pending", ["IncludesValue", "T"]],
["Marital", ["FirstMatch", "Married", "Divorced", "Separated"]],
["Code", ["Concatenate", "Comma"]]
])

Propiedades de extensionprocessnode

Con el nodo de Transformación de extensión,

puede tomar datos de una ruta y aplicar
transformaciones a los datos utilizando scripts R
o scripts Python para Spark.

Ejemplo de Python para Spark

#### Ejemplo de script de Python para Spark
import modeler.api
ruta = modeler.script.stream()
node = stream.create("extension_process", "extension_process")
node.setPropertyValue("syntax_type", "Python")

process_script = """
import spss.pyspark.runtime
from pyspark.sql.types import *

cxt = spss.pyspark.runtime.getContext()

if cxt.isComputeDataModelOnly():
_schema = StructType([StructField("Age", LongType(), nullable=True), \
StructField("Sex", StringType(), nullable=True), \
StructField("BP", StringType(), nullable=True), \
StructField("Na", DoubleType(), nullable=True), \
StructField("K", DoubleType(), nullable=True), \
StructField("Drug", StringType(), nullable=True)])
cxt.setSparkOutputSchema(_schema)
else:
df = cxt.getSparkInputData()
print df.dtypes[:]
_newDF = df.select("Age","Sex","BP","Na","K","Drug")
print _newDF.dtypes[:]
cxt.setSparkOutputData(_newDF)
"""

node.setPropertyValue("python_syntax", process_script)

Ejemplo de R
#### Ejemplo de script de R
node.setPropertyValue("syntax_type", "R")
node.setPropertyValue("r_syntax", """day<-as.Date(modelerData$dob, format="%Y-%m-%d")
next_day<-day + 1
modelerData<-cbind(modelerData,next_day)

Capítulo 10. Propiedades de nodos de operaciones con registros 133

 var1<-c(fieldName="Next day",fieldLabel="",fieldStorage="date",fieldMeasure="",fieldFormat="",
fieldRole="")
modelerDataModel<-data.frame(modelerDataModel,var1)""")

Tabla 67. Propiedades de extensionprocessnode

Propiedades de Tipo de datos Descripción de la propiedad
extensionprocessnode
syntax_type R Especifica qué script se ejecuta: R o Python
(R es el valor predeterminado).
Python
r_syntax cadena Sintaxis de scripts R a ejecutar.
python_syntax cadena Sintaxis de scripts Python a ejecutar.
use_batch_size marca Habilitar uso de proceso por lotes.
batch_size entero Especifique el número de registros de datos
a incluir en cada lote.
convert_flags Opción para convertir campos de distintivos.
StringsAndDoubles
LogicalValues

convert_missing marca Opción para convertir valores perdidos al

valor NA de R.
convert_datetime marca Opción para convertir las variables con los
formatos de fecha o de fecha y hora para
formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a qué formato se
POSIXct
POSIXlt convierten las variables con los formatos de
fecha o de fecha y hora.

propiedades de mergenode
El nodo Fundir toma varios registros de entrada y crea un registro de salida único
que contiene todos o algunos de los campos de entrada. Es útil para fusionar datos
desde diferentes orígenes, como datos de clientes internos y datos demográficos
adquiridos.

Ejemplo

node = stream.create("merge", "My node")

# supongamos que customerdata y salesdata son nodos de importación de base
de datos configurados
stream.link(customerdata, node)
stream.link(salesdata, node)
node.setPropertyValue("method", "Keys")
node.setPropertyValue("key_fields", ["id"])
node.setPropertyValue("common_keys", True)
node.setPropertyValue("join", "PartialOuter")
node.setKeyedPropertyValue("outer_join_tag", "2", True)
node.setKeyedPropertyValue("outer_join_tag", "4", True)
node.setPropertyValue("single_large_input", True)
node.setPropertyValue("single_large_input_tag", "2")
node.setPropertyValue("use_existing_sort_keys", True)
node.setPropertyValue("existing_sort_keys", [["id", "Ascending"]])

134 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 68. propiedades de mergenode
Propiedad de mergenode Tipo de datos Descripción de la propiedad
method Order Especifique si los registros se fusionan en
el orden en que aparecen en los archivos
Keys de datos, si se utilizarán uno o más campos
clave para fusionar los registros que tengan
el mismo valor en sus campos clave, si
Condition los registros se fusionarán si se satisface
una condición especificada, o si se debe
Rankedcondition fusionar cada emparejamiento de fila de los
conjuntos primario y todos los secundarios;
utilizando la expresión de clasificación para
ordenar coincidencias múltiples de menor a
mayor.
condition string Si method se establece en Condition,
especifica la condición para incluir o
descartar registros.
key_fields lista
common_keys marca
join Interior

FullOuter

PartialOuter

Anti
outer_join_tag.n marca En esta propiedad, n es el nombre de
etiqueta tal y como recoge el cuadro de
diálogo Seleccionar conjunto de datos.
Tenga en cuenta que es posible que existan
varios nombres de etiquetas especificados,
ya que pueden ser varios los conjuntos de
datos que aporten registros incompletos.
single_large_input marca Determina si se va a usar la optimización
para tener una entrada relativamente
grande en comparación con el resto de
entradas.
single_large_input_tag string Especifica el nombre de etiqueta tal y
como se muestra en el cuadro de diálogo
Seleccionar conjunto de datos grande.
Tenga en cuenta que el uso de esta
propiedad es ligeramente distinto que el
de la propiedad outer_join_tag (marca
frente a cadena), ya que solamente se
puede especificar un único conjunto de
datos de entrada.
use_existing_sort_keys marca Determina si las entradas ya se han
ordenado en función de uno o varios
campos clave.

Capítulo 10. Propiedades de nodos de operaciones con registros 135

 Tabla 68. propiedades de mergenode (continuación)
Propiedad de mergenode Tipo de datos Descripción de la propiedad
existing_sort_keys [['string', 'Ascending'] \ Especifica los campos que ya están
['string'', 'Descending']] ordenados y la dirección en que dicho
orden se ha establecido.
primary_dataset string Si method es Rankedcondition,
seleccione el conjunto de datos primario de
la fusión. Esto se puede considerar como
el lado izquierdo de una fusión de unión
externa.
rename_duplicate_field Booleana Si method es Rankedcondition, y este
s valor está establecido en Y, si el conjunto
de datos fusionado resultante contiene
varios campos con el mismo nombre
procedentes de orígenes de datos distintos,
se añaden las etiquetas respectivas de
los orígenes de datos al comienzo de las
cabeceras de columna de campo.
merge_condition string
ranking_expression string
Num_matches entero Número de coincidencias a devolver,
en función de merge_condition y
ranking_expression. Mínimo 1, máximo
100.

propiedades rfmaggregatenode
El nodo Adición de RFM (actualidad, frecuencia, monetario) permite tomar datos
de transacciones históricas de clientes, deshacerse de los datos no utilizados y
combinar todos los datos de transacciones restantes en una única fila que indica
cuándo hizo negociaciones con los clientes por última vez, cuántas transacciones
hicieron y el valor monetario total de dichas transacciones.

Ejemplo

node = stream.create("rfmaggregate", "My node")

node.setPropertyValue("relative_to", "Fixed")
node.setPropertyValue("reference_date", "2007-10-12")
node.setPropertyValue("id_field", "CardID")
node.setPropertyValue("date_field", "Date")
node.setPropertyValue("value_field", "Amount")
node.setPropertyValue("only_recent_transactions", True)
node.setPropertyValue("transaction_date_after", "2000-10-01")

Tabla 69. propiedades rfmaggregatenode

propiedades Tipo de datos Descripción de la propiedad
rfmaggregatenode
relative_to Fixed Especifica la fecha a partir de la que se
calculará la actualidad de las transacciones.
Today

136 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 69. propiedades rfmaggregatenode (continuación)
propiedades Tipo de datos Descripción de la propiedad
rfmaggregatenode
reference_date date Sólo está disponible si se selecciona Fixed
en relative_to.
contiguous marca Si los datos se han clasificado previamente
de forma que todos los registros con el
mismo ID aparecen en la ruta de datos,
al seleccionar esta opción acelerará el
procesamiento.
id_field campo Especifica el campo que desea utilizar para
identificar el cliente y sus transacciones.
date_field campo Especifica el campo de fecha que se
utilizará para calcular la actualidad.
value_field campo Especifica el campo que se utilizará para
calcular el valor monetario.
extensión string Especifica un prefijo o sufijo para campos
agregados duplicados.
add_as Suffix Especifica si la extensión se debe añadir
como sufijo o prefijo.
Prefix
discard_low_value_reco marca Permite utilizar la configuración
rds discard_records_below.
discard_records_below number Especifique un valor mínimo por debajo
del cual no se utilice ningún detalle de
transacción al calcular los totales de RFM.
Las unidades del valor se relacionan con el
campo valor seleccionado.
only_recent_transactio marca Permite utilizar de la configuración
ns specify_transaction_date o
transaction_within_last.
specify_transaction_da marca
te
transaction_date_after date Sólo está disponible si selecciona
specify_transaction_date. Especifica
la fecha de transacción tras la que se
incluirán los registros en su análisis.
transaction_within_las number Sólo está disponible si selecciona
t transaction_within_last. Especifica el
número y tipo de períodos (días, semanas,
meses o años) desde la fecha Calcular
actualidad relativa a tras la cual se incluirán
los registros en su análisis.

Capítulo 10. Propiedades de nodos de operaciones con registros 137

 Tabla 69. propiedades rfmaggregatenode (continuación)
propiedades Tipo de datos Descripción de la propiedad
rfmaggregatenode
transaction_scale Days Sólo está disponible si selecciona
transaction_within_last. Especifica el
Weeks número y tipo de períodos (días, semanas,
meses o años) desde la fecha Calcular
actualidad relativa a tras la cual se incluirán
Meses los registros en su análisis.

Años
save_r2 marca Muestra la fecha de la segunda transacción
más reciente para cada cliente.
save_r3 marca Sólo está disponible si selecciona save_r2.
Muestra la fecha de la tercera transacción
más reciente para cada cliente.

Propiedades de Rprocessnode
El nodo Transformación R le permite tomar
datos de una ruta de IBM(r) SPSS(r) Modeler y
modificar los datos utilizando su propio script R
personalizado. Una vez modificados los datos, se
devuelven a la cadena.

Ejemplo

node = stream.create("rprocess", "My node")

node.setPropertyValue("custom_name", "my_node")
node.setPropertyValue("syntax", """day<-as.Date(modelerData$dob, format="%Y-
%m-%d")
next_day<-day + 1
modelerData<-cbind(modelerData,next_day)
var1<-c(fieldName="Next
day",fieldLabel="",fieldStorage="date",fieldMeasure="",fieldFormat="",
fieldRole="")
modelerDataModel<-data.frame(modelerDataModel,var1)""")
node.setPropertyValue("convert_datetime", "POSIXct")

Tabla 70. Propiedades de Rprocessnode

Propiedades de Tipo de datos Descripción de la propiedad
Rprocessnode
syntax cadena
convert_flags
StringsAndDoubles
LogicalValues

convert_datetime marca
convert_datetime_class
POSIXct
POSIXlt

convert_missing marca

138 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 70. Propiedades de Rprocessnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
Rprocessnode
use_batch_size marca Habilite el uso del proceso por lotes
batch_size entero Especifique el número de registros de datos
que se incluirán en cada lote

propiedades de samplenode
El nodo Muestrear selecciona un subconjunto de registros. Se admite una variedad
de tipos de muestras, entre las que se incluyen las muestras estratificadas,
agrupadas en clústeres y no aleatorias (estructuradas). El muestreo puede ser de
gran utilidad para mejorar el rendimiento y para seleccionar grupos de registros o
transacciones relacionadas para un análisis.

Ejemplo

/* Create two Sample nodes to extract

different samples from the same data */

node = stream.create("sample", "My node")

node.setPropertyValue("method", "Simple")
node.setPropertyValue("mode", "Include")
node.setPropertyValue("sample_type", "First")
node.setPropertyValue("first_n", 500)

node = stream.create("sample", "My node")

node.setPropertyValue("method", "Complex")
node.setPropertyValue("stratify_by", ["Sex", "Cholesterol"])
node.setPropertyValue("sample_units", "Proportions")
node.setPropertyValue("sample_size_proportions", "Custom")
node.setPropertyValue("sizes_proportions", [["M", "High", "Default"], ["M",
"Normal",
"Default"],
["F", "High", 0.3], ["F", "Normal", 0.3]])

Tabla 71. propiedades de samplenode

Propiedad de samplenode Tipo de datos Descripción de la propiedad
method Simple

Complex
mode Incluir Incluye o descarta los registros que reúnan
la condición especificada.
Descartar
sample_type Primero Especifica el método de muestreo.

OneInN

RandomPct
first_n entero Se incluirán o descartarán los registros
hasta el punto de corte especificado.

Capítulo 10. Propiedades de nodos de operaciones con registros 139

 Tabla 71. propiedades de samplenode (continuación)
Propiedad de samplenode Tipo de datos Descripción de la propiedad
one_in_n number Incluye o descarta cada n registros.
rand_pct number Especifica el porcentaje de registros que
incluir o descartar.
use_max_size marca Activa el uso del parámetro maximum_size.
maximum_size entero Especifica la muestra más grande que se
va a incluir o descartar de la ruta de
datos. Esta opción es redundante, por lo
que se desactiva cuando se especifican las
opciones First e Include.
set_random_seed marca Activa el uso del parámetro de semillas
aleatorias.
random_seed entero Especifica el valor utilizado como semilla
aleatoria.
complex_sample_type Random

Systematic
sample_units Proportions

Counts
sample_size_proportion Fixed
s
Custom

Variable
sample_size_counts Fixed

Custom

Variable
fixed_proportions number
fixed_counts entero
variable_proportions campo
variable_counts campo
use_min_stratum_size marca
minimum_stratum_size entero Esta opción sólo se aplica cuando se
toma una muestra compleja con Sample
units=Proportions.
use_max_stratum_size marca
maximum_stratum_size entero Esta opción sólo se aplica cuando se
toma una muestra compleja con Sample
units=Proportions.

140 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 71. propiedades de samplenode (continuación)
Propiedad de samplenode Tipo de datos Descripción de la propiedad
clusters campo
stratify_by [field1 ... campoN]
specify_input_weight marca
input_weight campo
new_output_weight string
sizes_proportions [[string valor cadena] Si sample_units=proportions y
[string valor cadena]…] sample_size_proportions=Custom,
especifica un valor para cada combinación
posible de valores de campos de
especificación.
default_proportion number
sizes_counts [[string valor cadena] Especifica un valor para cada combinación
[string valor cadena]…] de valores posible de campos de
estratificación. Se utiliza de forma similar
a sizes_proportions pero especificando
un entero en lugar de una proporción.
default_count number

propiedades de selectnode
El nodo Seleccionar selecciona o descarta un subconjunto de registros de la ruta de
datos en función de una condición específica. Por ejemplo, podría seleccionar los
registros que pertenezcan a una región de ventas determinada.

Ejemplo

node = stream.create("select", "My node")

node.setPropertyValue("mode", "Include")
node.setPropertyValue("condition", "Age < 18")

Tabla 72. propiedades de selectnode

Propiedad de selectnode Tipo de datos Descripción de la propiedad
mode Incluir Especifica si incluir o descartar los registros
seleccionados.
Descartar
condition string Condición para incluir o descartar registros.

propiedades de sortnode
Los nodos Ordenar organizan registros en orden ascendente o descendente
atendiendo a los valores de uno o varios campos.

Capítulo 10. Propiedades de nodos de operaciones con registros 141

 Ejemplo

node = stream.create("sort", "My node")

node.setPropertyValue("keys", [["Age", "Ascending"], ["Sex", "Descending"]])
node.setPropertyValue("default_ascending", False)
node.setPropertyValue("use_existing_keys", True)
node.setPropertyValue("existing_keys", [["Age", "Ascending"]])

Tabla 73. propiedades de sortnode

Propiedad de sortnode Tipo de datos Descripción de la propiedad
keys lista Especifica los campos que desea ordenar.
Si no se especifica ninguna dirección, se
utilizará la predeterminada.
default_ascending marca Especifica el orden de clasificación
predeterminado.
use_existing_keys marca Determina si la clasificación se optimiza
usando el orden de clasificación anterior de
los campos que ya están ordenados.
existing_keys Especifica los campos que ya están
ordenados y la dirección en que dicho orden
se ha establecido. Utiliza el mismo formato
que las propiedades keys.

Propiedades de spacetimeboxes
Las cajas-espacio-tiempo (STB) son una extensión de las ubicaciones espaciales
demarcadas mediante Geohash. En concreto, una STB es una cadena alfanumérica
que representa una región de forma regular de espacio y tiempo.

Tabla 74. Propiedades de spacetimeboxes

Propiedades de Tipo de datos Descripción de la propiedad
spacetimeboxes
mode IndividualRecords
Hangouts

latitude_field campo
longitude_field campo
timestamp_field campo

142 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 74. Propiedades de spacetimeboxes (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
spacetimeboxes
densities [density, density, Cada densidad es una serie. Por ejemplo:
density…] STB_GH8_1DAY
Tenga en cuenta que existen límites con
respecto a qué densidades son válidas.
Para geohash, se pueden utilizar los valores
de GH1-GH15.
Para la parte temporal, se pueden utilizar
los valores siguientes:

EVER
1YEAR
1MONTH
1DAY
12HOURS
8HOURS
6HOURS
4HOURS
3HOURS
2HOURS
1HOUR
30MINS
15MINS
10MINS
5MINS
2 MINS
1 MIN
30SECS
15SECS
10SECS
5 SECS
2 SECS
1SEC

field_name_extension cadena
add_extension_as Prefix
Suffix

hangout_density densidad Densidad única (ver más arriba)

id_field campo
qualifying_duration Esto debe ser una serie.
1DAY
12HOURS
8HOURS
6HOURS
4HOURS
2HOURS
1HOUR
30MIN
15MIN
10MIN
5MIN
2MIN
1MIN
30SECS
15SECS
10SECS
5SECS
2SECS
1SECS

min_events entero El valor mínimo es 2

Capítulo 10. Propiedades de nodos de operaciones con registros 143

 Tabla 74. Propiedades de spacetimeboxes (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
spacetimeboxes
qualifying_pct entero Debe estar dentro del rango de 1-100

Propiedades streamingtimeseries
El nodo Serie temporal de modalidad continua crea y puntúa modelos de serie
temporal en un solo paso.
Nota: Este nodo Serie temporal de modalidad continua sustituye el nodo Resolución
de TS original que estaba en desuso en la versión 18 de SPSS Modeler.

Tabla 75. propiedades streamingtimeseries

Propiedades streamingtimeseries Valores Descripción de la
propiedad
targets campo El nodo Serie temporal
de modalidad continua
prevé uno o más
objetivos, de forma
opcional, utilizando
uno o más campos
de entrada como
predictores. Los campos
de frecuencia y
ponderación no se usan.
Consulte “Propiedades
comunes de nodos de
modelado” en la página
221 para obtener más
información.
candidate_inputs [field1 ... fieldN] Campos de entrada o
predictor utilizados por
el modelo.
use_period marca
date_time_field campo

144 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
input_interval Ninguno

Desconocido

Año

Trimestre

Mes

Semana

Día

Hora

Hour_nonperiod

Minuto

Minute_nonperiod

Segundo

Second_nonperiod
period_field campo
period_start_value entero
num_days_per_week entero
start_day_of_week Sunday

Monday

Martes

Miércoles

Jueves

Viernes

Saturday
num_hours_per_day entero
start_hour_of_day entero

Capítulo 10. Propiedades de nodos de operaciones con registros 145

 Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
timestamp_increments entero
cyclic_increments entero
cyclic_periods list
output_interval Ninguno

Año

Trimestre

Mes

Semana

Día

Hora

Minuto

Segundo
is_same_interval marca
cross_hour marca
aggregate_and_distribute list
aggregate_default Media

Sum

Mode

Mín

Máx
distribute_default Media

Sum

146 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
group_default Media

Sum

Mode

Mín

Máx
missing_imput Linear_interp

Series_mean

K_mean

K_median

Linear_trend
k_span_points entero
use_estimation_period marca
estimation_period Observaciones

Times
date_estimation list Solo está disponible
si se utiliza
date_time_field
period_estimation list Solo está disponible si se
utiliza use_period
observations_type Latest

Más antiguo
observations_num entero
observations_exclude entero
method ExpertModeler

Exsmooth

Arima

Capítulo 10. Propiedades de nodos de operaciones con registros 147

 Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
expert_modeler_method ExpertModeler

Exsmooth

Arima
consider_seasonal marca
detect_outliers marca
expert_outlier_additive marca
expert_outlier_level_shift marca
expert_outlier_innovational marca
expert_outlier_level_shift marca
expert_outlier_transient marca
expert_outlier_seasonal_additive marca
expert_outlier_local_trend marca
expert_outlier_additive_patch marca
consider_newesmodels marca

148 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
exsmooth_model_type Simple

HoltsLinearTrend

BrownsLinearTrend

DampedTrend

SimpleSeasonal

WintersAdditive

WintersMultiplicativ
e

DampedTrendAdditive

DampedTrendMultiplic
ative

MultiplicativeTrendA
dditive

MultiplicativeSeason
al

MultiplicativeTrend
Multiplicative

MultiplicativeTrend
futureValue_type_method Compute

specify
exsmooth_transformation_type Ninguno

SquareRoot

NaturalLog
arima.p entero
arima.d entero
arima.q entero
arima.sp entero
arima.sd entero

Capítulo 10. Propiedades de nodos de operaciones con registros 149

 Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
arima.sq entero
arima_transformation_type Ninguno

SquareRoot

NaturalLog
arima_include_constant marca
tf_arima.p. nombrecampo entero Para funciones de
transferencia.
tf_arima.d. nombrecampo entero Para funciones de
transferencia.
tf_arima.q. nombrecampo entero Para funciones de
transferencia.
tf_arima.sp. nombrecampo entero Para funciones de
transferencia.
tf_arima.sd. nombrecampo entero Para funciones de
transferencia.
tf_arima.sq. nombrecampo entero Para funciones de
transferencia.
tf_arima.delay. nombrecampo entero Para funciones de
transferencia.
tf_arima.transformation_type. Ninguno Para funciones de
nombrecampo transferencia.
SquareRoot

NaturalLog
arima_detect_outliers marca
arima_outlier_additive marca
arima_outlier_level_shift marca
arima_outlier_innovational marca
arima_outlier_transient marca
arima_outlier_seasonal_additive marca
arima_outlier_local_trend marca
arima_outlier_additive_patch marca
conf_limit_pct real
events campos
forecastperiods entero
extend_records_into_future marca

150 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 75. propiedades streamingtimeseries (continuación)
Propiedades streamingtimeseries Valores Descripción de la
propiedad
conf_limits marca
noise_res marca

Propiedades streamingts (en desuso)

Nota: Este nodo Serie temporal de modalidad continua estaba en desuso en la
versión 18 de SPSS Modeler y se sustituye por el nodo Serie temporal de modalidad
continua que se ha designado para aplicar la potencia de IBM SPSS Analytic Server y
procesas grandes cantidades de datos (Big Data).
El nodo Generación de análisis TS construye y puntúa modelos de series temporales
en un paso, sin la necesidad de un nodo Intervalos de tiempo.

Ejemplo

node = stream.create("streamingts", "My node")

node.setPropertyValue("deployment_force_rebuild", True)
node.setPropertyValue("deployment_rebuild_mode", "Count")
node.setPropertyValue("deployment_rebuild_count", 3)
node.setPropertyValue("deployment_rebuild_pct", 11)
node.setPropertyValue("deployment_rebuild_field", "Year")

Tabla 76. propiedades streamingts

Propiedades de streamingts Tipo de datos Descripción de la propiedad
custom_fields marca Si custom_fields=false, se utilizarán
los valores de un nodo Tipo situado
en un punto anterior de la ruta.
Si custom_fields=true, deberán
especificarse targets e inputs.
targets [campo1...campoN]
inputs [campo1...campoN]
method
ExpertModeler
Exsmooth
Arima

calculate_conf marca
conf_limit_pct real
use_time_intervals_node marca Si use_time_intervals_node=true,
se utilizarán los valores de un
nodo Intervalos de tiempo situado
en un punto anterior de la ruta.
Si use_time_intervals_node=false,
deberán especificarse
interval_offset_position,
interval_offset e interval_type.
interval_offset_position LastObservation se refiere a la Última
LastObservation
LastRecord observación válida. LastRecord se
refiere a la Cuenta hacia atrás a partir del
último registro.

Capítulo 10. Propiedades de nodos de operaciones con registros 151

 Tabla 76. propiedades streamingts (continuación)
Propiedades de streamingts Tipo de datos Descripción de la propiedad
interval_offset número
interval_type
Períodos
Años
Trimestres
Meses
WeeksNonPeriodic
DaysNonPeriodic
HoursNonPeriodic
MinutesNonPeriodic
SecondsNonPeriodic

eventos campos
expert_modeler_method
AllModels
Exsmooth
Arima

consider_seasonal marca
detect_outliers marca
expert_outlier_additive marca
expert_outlier_level_shi marca
ft
expert_outlier_innovatio marca
nal
expert_outlier_transient marca
expert_outlier_seasonal_ marca
additive
expert_outlier_local_tre marca
nd
expert_outlier_additive_ marca
patch
exsmooth_model_type
Simple
HoltsLinearTrend
BrownsLinearTrend
DampedTrend
SimpleSeasonal
WintersAdditive
WintersMultiplicativ
e

exsmooth_transformation_
Ninguno
type SquareRoot
NaturalLog

arima_p entero Misma propiedad que el nodo de modelado

Serie de tiempo
arima_d entero Misma propiedad que el nodo de modelado
Serie de tiempo
arima_q entero Misma propiedad que el nodo de modelado
Serie de tiempo

152 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 76. propiedades streamingts (continuación)
Propiedades de streamingts Tipo de datos Descripción de la propiedad
arima_sp entero Misma propiedad que el nodo de modelado
Serie de tiempo
arima_sd entero Misma propiedad que el nodo de modelado
Serie de tiempo
arima_sq entero Misma propiedad que el nodo de modelado
Serie de tiempo
arima_transformation_typ Misma propiedad que el nodo de modelado
Ninguno
e SquareRoot Serie de tiempo
NaturalLog

arima_include_constant marca Misma propiedad que el nodo de modelado

Serie de tiempo
tf_arima_p.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_d.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_q.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_sp.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_sd.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_sq.nombrecampo entero Misma propiedad que el nodo de modelado
Serie de tiempo. Para funciones de
transferencia.
tf_arima_delay.nombrecam entero Misma propiedad que el nodo de modelado
po Serie de tiempo. Para funciones de
transferencia.

tf_arima_transformation_typ Ninguno
e. SquareRoot
nombredecampo NaturalLog

arima_detect_outlier_mod
Ninguno
e Automatic

arima_outlier_additive marca
arima_outlier_level_shif marca
t
arima_outlier_innovation marca
al

Capítulo 10. Propiedades de nodos de operaciones con registros 153

 Tabla 76. propiedades streamingts (continuación)
Propiedades de streamingts Tipo de datos Descripción de la propiedad
arima_outlier_transient marca
arima_outlier_seasonal_a marca
dditive
arima_outlier_local_tren marca
d
arima_outlier_additive_p marca
atch
deployment_force_rebuild marca
deployment_rebuild_mode
Recuento
Porcentaje

deployment_rebuild_count número
deployment_rebuild_pct número
deployment_rebuild_field <campo>

154 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 11. Propiedades de nodos de operaciones
con campos

propiedades de anonymizenode
El nodo Anonimizar transforma la manera en que se representan los nombres y los
valores de los campos a partir de ese punto de la ruta, lo que permite disfrazar los
datos originales. Puede resultar útil si desea permitir que otros usuarios generen
modelos utilizando datos confidenciales, como los nombres de los clientes u otros
detalles.

Ejemplo

ruta = modeler.script.stream()
varfilenode = stream.createAt("variablefile", "File", 96, 96)
varfilenode.setPropertyValue("full_filename", "$CLEO/DEMOS/DRUG1n")
node = stream.createAt("anonymize", "My node", 192, 96)
# Anonimizar nodo requiere los campos de entrada al establecer los valores
stream.link(varfilenode, node)
node.setKeyedPropertyValue("enable_anonymize", "Age", True)
node.setKeyedPropertyValue("transformation", "Age", "Random")
node.setKeyedPropertyValue("set_random_seed", "Age", True)
node.setKeyedPropertyValue("random_seed", "Age", 123)
node.setKeyedPropertyValue("enable_anonymize", "Drug", True)
node.setKeyedPropertyValue("use_prefix", "Drug", True)
node.setKeyedPropertyValue("prefix", "Drug", "myprefix")

Tabla 77. propiedades de anonymizenode

Propiedades de Tipo de Descripción de la propiedad
anonymizenode datos
enable_anonymize marca Cuando se establece en True, activa la anonimización de
los valores de los campos (equivale a seleccionar Sí para
dicho campo en la columna Anonimizar valores).
use_prefix marca Cuando se establece en True, se utilizará un prefijo
personalizado, si es que se ha establecido uno. Se
aplica a los campos que se anonimizarán mediante el
método Hash y es equivalente a elegir el botón de
radio Personalizado en el cuadro de diálogo Reemplazar
valores correspondiente a dicho campo.
prefix string Equivale a escribir un prefijo en el cuadro de texto
del cuadro de diálogo Reemplazar valores. El prefijo
predeterminado es el valor predeterminado, si no se ha
especificado otra cosa.
transformation Random Determina si los parámetros de transformación que se
aplican a un campo anonimizado mediante el método
Fixed Transformar serán aleatorios o fijos.

set_random_seed marca Cuando se establece en True, se utilizará el valor

inicial especificado (si transformation también se ha
establecido en Random).
 Tabla 77. propiedades de anonymizenode (continuación)
Propiedades de Tipo de Descripción de la propiedad
anonymizenode datos
random_seed entero Cuando set_random_seed se establece en True, esta
es la semilla para el número aleatorio.
scale number Cuando transformation se establece en Fixed, se
utiliza este valor para "scale by" (escalar por). El valor
máximo de la escala suele ser 10, pero puede reducirse
para evitar desbordamientos.
translate number Cuando transformation se establece en Fixed, se
utiliza este valor para "translate" (convertir). El valor
máximo de traslación suele ser 1000, pero puede
reducirse para evitar desbordamientos.

properties autodataprepnode
El nodo de preparación automática de datos (ADP) puede analizar sus datos
e identificar los valores fijos, cribar los campos problemáticos o que no serán
útiles y derivar nuevos atributos cuando sea necesario y mejorar el rendimiento
mediante técnicas de cribado y muestreo inteligente. Puede utilizar el nodo de
forma totalmente automática, permitiendo que el nodo seleccione y aplique valores
fijos, o bien puede tener una vista previa de los cambios antes de que se apliquen y
aceptarlos o rechazarlos.

Ejemplo

node = stream.create("autodataprep", "My node")

node.setPropertyValue("objective", "Balanced")
node.setPropertyValue("excluded_fields", "Filter")
node.setPropertyValue("prepare_dates_and_times", True)
node.setPropertyValue("compute_time_until_date", True)
node.setPropertyValue("reference_date", "Today")
node.setPropertyValue("units_for_date_durations", "Automatic")

Tabla 78. properties autodataprepnode

properties autodataprepnode Tipo de datos Descripción de la propiedad
objective Balanced

Speed

Accuracy

Custom
custom_fields marca Si es verdadero, le permite especificar
el objetivo, la entrada y otros campos
del nodo actual. Si es falso, se utiliza
la configuración actual de un nodo Tipo
situado en un punto anterior de la ruta.
objetivo campo Especifica un campo de objetivo único.

156 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 78. properties autodataprepnode (continuación)
properties autodataprepnode Tipo de datos Descripción de la propiedad
inputs [field1 ... fieldN] Campos de entrada o predictor utilizados
por el modelo.
use_frequency marca
frequency_field campo
use_weight marca
weight_field campo
excluded_fields Filter

Ninguno
if_fields_do_not_match StopExecution

ClearAnalysis
prepare_dates_and_times marca Controla el acceso a todos los campos de
fecha y hora
compute_time_until_date marca
reference_date Today

Fixed
fixed_date date
units_for_date_durations Automatic

Fixed
fixed_date_units Años

Meses

Days
compute_time_until_time marca
reference_time CurrentTime

Fixed
fixed_time hora
units_for_time_durations Automatic

Fixed
fixed_date_units Hours

Minutes

Seconds

Capítulo 11. Propiedades de nodos de operaciones con campos 157

 Tabla 78. properties autodataprepnode (continuación)
properties autodataprepnode Tipo de datos Descripción de la propiedad
extract_year_from_date marca
extract_month_from_date marca
extract_day_from_date marca
extract_hour_from_time marca
extract_minute_from_time marca
extract_second_from_time marca
exclude_low_quality_input marca
s
exclude_too_many_missing marca
maximum_percentage_missin number
g
exclude_too_many_categori marca
es
maximum_number_categories number
exclude_if_large_category marca
maximum_percentage_catego number
ry
prepare_inputs_and_target marca
adjust_type_inputs marca
adjust_type_target marca
reorder_nominal_inputs marca
reorder_nominal_target marca
replace_outliers_inputs marca
replace_outliers_target marca
replace_missing_continuou marca
s_inputs
replace_missing_continuou marca
s_target
replace_missing_nominal_i marca
nputs
replace_missing_nominal_t marca
arget
replace_missing_ordinal_i marca
nputs
replace_missing_ordinal_t marca
arget
maximum_values_for_ordina number
l

158 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 78. properties autodataprepnode (continuación)
properties autodataprepnode Tipo de datos Descripción de la propiedad
minimum_values_for_contin number
uous
outlier_cutoff_value number
outlier_method Replace

Eliminar
rescale_continuous_inputs marca
rescaling_method MinMax

ZScore
min_max_minimum number
min_max_maximum number
z_score_final_mean number
z_score_final_sd number
rescale_continuous_target marca
target_final_mean number
target_final_sd number
transform_select_input_fi marca
elds
maximize_association_with marca
_target
p_value_for_merging number
merge_ordinal_features marca
merge_nominal_features marca
minimum_cases_in_category number
bin_continuous_fields marca
p_value_for_binning number
perform_feature_selection marca
p_value_for_selection number
perform_feature_construct marca
ion
transformed_target_name_e string
xtension
transformed_inputs_name_e string
xtension
constructed_features_root string
_name

Capítulo 11. Propiedades de nodos de operaciones con campos 159

 Tabla 78. properties autodataprepnode (continuación)
properties autodataprepnode Tipo de datos Descripción de la propiedad
years_duration_ string
name_extension
months_duration_ string
name_extension
days_duration_ string
name_extension
hours_duration_ string
name_extension
minutes_duration_ string
name_extension
seconds_duration_name_ext string
ension
year_cyclical_name_extens string
ion
month_cyclical_name_exten string
sion
day_cyclical_name_extensi string
on
hour_cyclical_name_extens string
ion
minute_cyclical_name_exte string
nsion
second_cyclical_name_exte string
nsion

propiedades de astimeintervalsnode
Utilice el nodo Intervalos de tiempo para especificar intervalos y derivar un nuevo
campo de tiempo para la estimación o predicción. Se da soporte a un rango
completo de intervalos de tiempo, desde segundos a años.

Tabla 79. propiedades de astimeintervalsnode

Propiedades de Tipo de datos Descripción de la propiedad
astimeintervalsnode
time_field campo Solo puede aceptar un único campo
continuo. Ese campo lo utiliza el nodo
como la clave de agregación para
convertir el intervalo. Si se utiliza aquí un
campo de entero, se considera como un
índice de tiempo.
dimensiones [campo1 campo2 … Estos campos se utilizan para crear series
campon] temporales individuales basándose en
los valores de campo.

160 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 79. propiedades de astimeintervalsnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
astimeintervalsnode
fields_to_aggregate [campo1 campo2 … Estos campos se agregan como parte del
campon] cambio del período del campo de tiempo.
Los campos no incluidos en este selector
se filtran y excluyen de los datos que
salen del nodo.

propiedades de binningnode
El nodo Intervalos crea automáticamente nuevos campos nominales (conjunto) en
función de los valores de uno o más campos continuos (rango numérico) existentes.
Por ejemplo, puede transformar un campo de ingresos continuo en un campo
categórico nuevo que contenga grupos de ingresos como desviaciones desde la
media. Una vez creados los intervalos para el campo nuevo, puede generar un nodo
Derivar en función de los puntos de corte.

Ejemplo

node = stream.create("binning", "My node")

node.setPropertyValue("fields", ["Na", "K"])
node.setPropertyValue("method", "Rank")
node.setPropertyValue("fixed_width_name_extension", "_binned")
node.setPropertyValue("fixed_width_add_as", "Suffix")
node.setPropertyValue("fixed_bin_method", "Count")
node.setPropertyValue("fixed_bin_count", 10)
node.setPropertyValue("fixed_bin_width", 3.5)
node.setPropertyValue("tile10", True)

Tabla 80. propiedades de binningnode

Propiedad de binningnode Tipo de datos Descripción de la propiedad
campos [field1 field2 ... Los campos continuos (rango numérico)
fieldn] pendientes de transformación. Se
pueden crear intervalos de varios campos
de forma simultánea.
method FixedWidth Método utilizado para determinar los
puntos de corte de los intervalos de
EqualCount campo nuevos (categorías).

Rank

SDev

Optimal
rcalculate_bins Always Especifica si se vuelven a calcular los
intervalos y los datos se colocan en
IfNecessary el intervalo adecuado cada vez que se
ejecuta el nodo o si los datos sólo
se añaden a los intervalos existentes y
cualquier nuevo intervalo que se haya
añadido.

Capítulo 11. Propiedades de nodos de operaciones con campos 161

 Tabla 80. propiedades de binningnode (continuación)
Propiedad de binningnode Tipo de datos Descripción de la propiedad
fixed_width_name_extension string La extensión predeterminada es _BIN.
fixed_width_add_as Suffix Determina si la extensión se debe añadir
al principio (prefijo) o al final (sufijo)
Prefix del nombre de campo. La extensión
predeterminada es income_BIN.
fixed_bin_method Width

Count
fixed_bin_count entero Especifica un número entero para
determinar el número de intervalos de
anchura fija (categorías) para los nuevos
campos.
fixed_bin_width real Valor (entero o real) para calcular el
ancho del intervalo.
equal_count_name_ string La extensión predeterminada es _TILE.

extensión
equal_count_add_as Suffix Especifica una extensión, sufijo o prefijo,
utilizada para el nombre de los campos
Prefix generados con p-tiles estándar. La
extensión predeterminada es _TILE más
N, donde N es el número de cuantil.
tile4 marca Genera cuatro intervalos de cuantiles,
cada uno con el 25% de los casos.
tile5 marca Genera cinco intervalos de quintiles.
tile10 marca Genera 10 intervalos de deciles.
tile20 marca Genera 20 intervalos de veintiles.
tile100 marca Genera 100 intervalos de percentiles.
use_custom_tile marca
custom_tile_name_extension string La extensión predeterminada es _TILEN.
custom_tile_add_as Suffix

Prefix
custom_tile entero
equal_count_method RecordCount El método RecordCount trata de asignar
el mismo número de registros a cada
ValueSum intervalo, mientras que ValueSum asigna
registros de manera que la suma de los
valores de cada intervalo sea la misma.

162 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 80. propiedades de binningnode (continuación)
Propiedad de binningnode Tipo de datos Descripción de la propiedad
tied_values_method Next Especifica en qué intervalo se van a
insertar los datos de valor empatado.
Actual

Random
rank_order Ascending Esta propiedad incluye Ascending (el
valor más bajo se marca con 1) o
Descending Descending (el valor más alto se marca
con 1).
rank_add_as Suffix Esta opción se aplica al rango, rango
fraccional y rango como porcentaje.
Prefix
rank marca
rank_name_extension string La extensión predeterminada es _RANK.
rank_fractional marca Establece rangos de casos en los que
el valor del campo nuevo es igual
al rango dividido por la suma de las
ponderaciones de los casos que no están
perdidos. Los rangos fraccionales están
dentro del rango de 0–1.
rank_fractional_name_ string La extensión predeterminada es
_F_RANK.
extensión
rank_pct marca Cada rango se divide por el número
de registros con valores válidos y
se multiplica por 100. Los rangos
fraccionales de porcentaje están dentro
del rango de 1–100.
rank_pct_name_extension string La extensión predeterminada es
_P_RANK.
sdev_name_extension string
sdev_add_as Suffix

Prefix
sdev_count One

Two

Tres
optimal_name_extension string La extensión predeterminada es
_OPTIMAL.
optimal_add_as Suffix

Prefix

Capítulo 11. Propiedades de nodos de operaciones con campos 163

 Tabla 80. propiedades de binningnode (continuación)
Propiedad de binningnode Tipo de datos Descripción de la propiedad
optimal_supervisor_field campo Campo elegido como campo supervisor,
con el que se relacionan los campos
seleccionados para los intervalos.
optimal_merge_bins marca Especifica que todos los intervalos con un
número pequeño de casos se añadirán a
un intervalo vecino de mayor tamaño.
optimal_small_bin_threshold entero
optimal_pre_bin marca Indica si debe agruparse previamente en
intervalos el conjunto de datos.
optimal_max_bins entero Especifica un límite superior con el fin
de evitar que se genere un número
desmesurado de intervalos.
optimal_lower_end_point Inclusive

Exclusive
optimal_first_bin Unbounded

Bounded
optimal_last_bin Unbounded

Bounded

propiedades de derivenode
El nodo Derivar modifica los valores de datos o crea campos nuevos desde uno
o más campos existentes. Crea campos del tipo fórmula, marca, nominal, estado,
recuento y condicional.

Ejemplo 1
# Crear y configurar un nodo de campo Derivar marca
node = stream.create("derive", "My node")
node.setPropertyValue("new_name", "DrugX_Flag")
node.setPropertyValue("result_type", "Flag")
node.setPropertyValue("flag_true", "1")
node.setPropertyValue("flag_false", "0")
node.setPropertyValue("flag_expr", "'Drug' == \"drugX\"")

# Crear y configurar un nodo de campo Derivar condicional

node = stream.create("derive", "My node")
node.setPropertyValue("result_type", "Conditional")
node.setPropertyValue("cond_if_cond", "@OFFSET(\"Age\", 1) = \"Age\"")
node.setPropertyValue("cond_then_expr", "(@OFFSET(\"Age\", 1) = \"Age\" ><
@INDEX")
node.setPropertyValue("cond_else_expr", "\"Age\"")

164 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Ejemplo 2
Este script presupone que existen dos columnas numéricas denominadas XPos e YPos que representan
las coordenadas X e Y de un punto (por ejemplo, donde se ha producido un evento). El script crea un nodo
Derivar que calcula una columna geoespacial de coordenadas X e Y que representan dicho punto en un
sistema de coordenadas específico:

ruta = modeler.script.stream()
# Otro código de configuración de ruta
node = stream.createAt("derive", "Location", 192, 96)
node.setPropertyValue("new_name", "Location")
node.setPropertyValue("formula_expr", "['XPos', 'YPos']")
node.setPropertyValue("formula_type", "Geospatial")
# Ahora que hemos definido el tipo de medición general, defina los
# detalles del objeto geoespacial
node.setPropertyValue("geo_type", "Point")
node.setPropertyValue("has_coordinate_system", True)
node.setPropertyValue("coordinate_system", "ETRS_1989_EPSG_Arctic_zone_5-47")

Tabla 81. propiedades de derivenode

Propiedad de Tipo de datos Descripción de la propiedad
derivenode
new_name string Nombre del campo nuevo.
mode Single Especifica si los campos son únicos
o múltiples.
Multiple
campos lista Se utiliza en modo Múltiple
solamente para seleccionar varios
campos.
name_extension string Especifica la extensión de los
nombres de los nuevos campos.
add_as Suffix Añade la extensión como un prefijo
(al principio) o como un sufijo (al
Prefix final) del nombre de los campos.

result_type Formula Los seis tipos de campos nuevos

que se pueden crear.
Flag

Set

State

Count

Conditional
formula_expr string Expresión para calcular un nuevo
valor de campo en el nodo Derivar.
flag_expr string
flag_true string
flag_false string

Capítulo 11. Propiedades de nodos de operaciones con campos 165

 Tabla 81. propiedades de derivenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
derivenode
set_default string
set_value_cond string Estructurada para proporcionar la
condición asociada a un valor dado.
state_on_val string Especifica el valor del campo nuevo
cuando se cumple la condición
Activado.
state_off_val string Especifica el valor del campo nuevo
cuando se cumple la condición
Desactivado.
state_on_expression string
state_off_expression string
state_initial On Asigna a cada registro del nuevo
campo un valor inicial activado (On)
Off o desactivado (Off). Este valor
puede cambiar a medida que se
cumplan las condiciones.
count_initial_val string
count_inc_condition string
count_inc_expression string
count_reset_conditio string
n
cond_if_cond string
cond_then_expr string
cond_else_expr string

166 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 81. propiedades de derivenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
derivenode
formula_measure_type Range / MeasureType.RANGE Esta propiedad se puede utilizar
para definir la medición asociada
Discrete / con el campo derivado. La función
MeasureType.DISCRETE de establecimiento se puede pasar
como una cadena o uno de los
valores MeasureType. El método
Flag / MeasureType.FLAG de obtención siempre devolverá los
valores MeasureType.
Set / MeasureType.SET

OrderedSet /
MeasureType.ORDERED_SET

Typeless /
MeasureType.TYPELESS

Collection /
MeasureType.COLLECTION

Geospatial /
MeasureType.GEOSPATIAL
collection_measure Range / MeasureType.RANGE Para campos de recopilación (listas
con profundidad 0), esta propiedad
Flag / MeasureType.FLAG define el tipo de medición asociado
con los valores subyacentes.

Set / MeasureType.SET

OrderedSet /
MeasureType.ORDERED_SET

Typeless /
MeasureType.TYPELESS
geo_type Point En campos geoespaciales, esta
propiedad define el tipo del objeto
Multipunto geoespacial representado por este
campo. Debería ser coherente con la
profundidad de lista de los valores
Cadena lineal

Cadena multilínea

Polígono

Multipolígono
has_coordinate_syste booleano En campos geoespaciales, esta
m propiedad define si este campo
tiene un sistema de coordenadas

Capítulo 11. Propiedades de nodos de operaciones con campos 167

 Tabla 81. propiedades de derivenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
derivenode
coordinate_system cadena En campos geoespaciales, esta
propiedad define el sistema de
coordenadas para este campo

propiedades de ensemblenode
El nodo Conjunto combina dos o más nugget de modelo para obtener predicciones
más precisas que pueden conseguirse de cualquier modelo.

Ejemplo

# Crear y configurar un nodo Conjunto

# Utilizar este nodo con los modelos en
demos\streams\pm_module\pm_binaryclassifier.str
node = stream.create("ensemble", "My node")
node.setPropertyValue("ensemble_target_field", "response")
node.setPropertyValue("filter_individual_model_output", False)
node.setPropertyValue("flag_ensemble_method", "ConfidenceWeightedVoting")
node.setPropertyValue("flag_voting_tie_selection", "HighestConfidence")

Tabla 82. propiedades de ensemblenode

propiedades de ensemblenode Tipo de datos Descripción de la propiedad
ensemble_target_field campo Especifica el campo objetivo de
todos los modelos utilizados en
el conjunto.
filter_individual_model_o marca Especifica si los resultados de
utput puntuación de los modelos
individuales se deben eliminar.
flag_ensemble_method Voting Especifica el método utilizado
para determinar la puntuación
ConfidenceWeightedVoting del conjunto. Este conjunto
sólo se aplica si el objetivo
seleccionado es un campo de
RawPropensityWeightedVoti marca.
ng

AdjustedPropensityWeighte
dVoting

HighestConfidence

AverageRawPropensity

AverageAdjustedPropensity

168 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 82. propiedades de ensemblenode (continuación)
propiedades de ensemblenode Tipo de datos Descripción de la propiedad
set_ensemble_method Voting Especifica el método utilizado
para determinar la puntuación
ConfidenceWeightedVoting del conjunto. Este conjunto
sólo se aplica si el objetivo
seleccionado es un campo
HighestConfidence nominal.
flag_voting_tie_selection Random Si se selecciona un método de
votación, especifica cómo se
HighestConfidence resolverán los empates. Este
conjunto sólo se aplica si el
objetivo seleccionado es un
RawPropensity campo de marca.

AdjustedPropensity
set_voting_tie_selection Random Si se selecciona un método de
votación, especifica cómo se
HighestConfidence resolverán los empates. Este
conjunto sólo se aplica si el
objetivo seleccionado es un
campo nominal.
calculate_standard_error marca Si el campo objetivo es continuo,
se ejecuta un error estándar
de forma predeterminada para
calcular la diferencia entre los
valores medidos o estimados y
los valores true; y para mostrar
si las estimaciones coinciden.

propiedades de fillernode
El nodo Rellenar sustituye valores de campos y cambia el almacenamiento. Puede
sustituir los valores en función de una condición CLEM, como @BLANK(@FIELD).
También puede sustituir todos los espacios vacíos o valores nulos por un valor
específico. Un nodo Rellenar suelen utilizarse junto con un nodo Tipo para sustituir
valores perdidos.

Ejemplo

node = stream.create("filler", "My node")

node.setPropertyValue("fields", ["Age"])
node.setPropertyValue("replace_mode", "Always")
node.setPropertyValue("condition", "(\"Age\" > 60) and (\"Sex\" = \"M\"")
node.setPropertyValue("replace_with", "\"old man\"")

Tabla 83. propiedades de fillernode

Propiedad de fillernode Tipo de datos Descripción de la propiedad
campos lista Campos del conjunto de datos cuyos
valores se van a examinar y sustituir.

Capítulo 11. Propiedades de nodos de operaciones con campos 169

 Tabla 83. propiedades de fillernode (continuación)
Propiedad de fillernode Tipo de datos Descripción de la propiedad
replace_mode Always Se pueden sustituir todos los valores,
valores vacíos o valores nulos, o bien
Conditional reemplazar aquellos basados en una
condición específica.

Vacío

Null

BlankAndNull
condition string
replace_with string

propiedades de filternode
El nodo Filtrar filtra (descarta) campos, vuelve a nombrar campos y correlaciona
campos de nodo de origen a otro.

Ejemplo:

node = stream.create("filter", "My node")

node.setPropertyValue("default_include", True)
node.setKeyedPropertyValue("new_name", "Drug", "Chemical")
node.setKeyedPropertyValue("include", "Drug", False)

Usando la propiedad default_include. Tenga en cuenta que, si establece el valor de la propiedad

default_include, no se incluirán o excluirán automáticamente todos los campos, sino que
simplemente se determinará el valor predeterminado de los seleccionados actualmente. Esto equivale
funcionalmente a pulsar en el botón Incluir campos de forma predeterminada del cuadro de diálogo del
nodo Filtrar. Por ejemplo, imagine que ejecuta el siguiente script:

node = modeler.script.stream().create("filter", "Filter")

node.setPropertyValue("default_include", False)
# Incluir estos dos campos en la lista
for f in ["Age", "Sex"]:
node.setKeyedPropertyValue("include", f, True)

Esto hará que el nodo pase los campos Edad y Sexo y descarte el resto. Después de ejecutar el script
anterior, suponga que añade las líneas siguientes al script para nombrar dos campos más:

node.setPropertyValue("default_include", False)
# Incluir estos dos campos en la lista
for f in ["BP", "Na"]:
node.setKeyedPropertyValue("include", f, True)

De esta forma, se añadirán dos campos más al filtro, de manera que pasan un total de cuatro campos
(Edad, Sexo, PS y Na). En otras palabras, al volver a establecer el valor de default_include en False
no se restablecen automáticamente todos los campos.
Si lo desea, si ahora cambia default_include a True (ya sea usando un script o en el cuadro de
diálogo del nodo Filtrar), cambiará el comportamiento de forma que los cuatro campos enumerados

170 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 anteriormente no se incluirían, sino que quedarían descartados. Si no está seguro, se recomienda
experimentar con los controles del cuadro de diálogo del nodo Filtrar para entender esta interacción.

Tabla 84. propiedades de filternode

Propiedad de filternode Tipo de datos Descripción de la propiedad
default_include marca Propiedad con clave para especificar si el
comportamiento predeterminado es para
pasar o filtrar los campos:

Tenga en cuenta que, si se establece esta

propiedad, no se incluirán o excluirán
automáticamente todos los campos, sino
que simplemente se determinará si los
campos seleccionados se incluyen o
excluyen de forma predeterminada. Vea
el ejemplo que se muestra a continuación
para ver más comentarios.
include marca Propiedad con clave para incluir y
eliminar el campo.
new_name string

propiedades de historynode
El nodo Historial se utiliza para crear campos nuevos que contienen datos de
los campos de registros anteriores. Los nodos Historial se suelen utilizar para los
datos secuenciales, como los datos de series temporales. Antes de utilizar un nodo
Historial, puede desear ordenar los datos utilizando un nodo Ordenar.

Ejemplo

node = stream.create("history", "My node")

node.setPropertyValue("fields", ["Drug"])
node.setPropertyValue("offset", 1)
node.setPropertyValue("span", 3)
node.setPropertyValue("unavailable", "Discard")
node.setPropertyValue("fill_with", "undef")

Tabla 85. propiedades de historynode

Propiedad de historynode Tipo de datos Descripción de la propiedad
campos lista Campos para los que desea un historial.
offset number Especifica el último registro anterior
al registro actual desde el que desea
extraer valores del campo histórico.
span number Especifica el número de registros
anteriores de los que desea extraer
valores.
unavailable Descartar Para tratar registros que no tienen
valores de historial, suele hacer
Leave referencia a los primeros registros (en
la parte superior del conjunto de datos),
de los que no hay registros previos que
Fill utilizar como historial.

Capítulo 11. Propiedades de nodos de operaciones con campos 171

 Tabla 85. propiedades de historynode (continuación)
Propiedad de historynode Tipo de datos Descripción de la propiedad
fill_with Cadena Especifica un valor o cadena que utilizar
en el caso de los registros en los que no
Number existen valores de historial disponibles.

propiedades de partitionnode
El nodo Partición genera un campo de partición, que divide los datos en
subconjuntos diferentes para las fases de entrenamiento, comprobación y
validación en la generación del modelo.

Ejemplo

node = stream.create("partition", "My node")

node.setPropertyValue("create_validation", True)
node.setPropertyValue("training_size", 33)
node.setPropertyValue("testing_size", 33)
node.setPropertyValue("validation_size", 33)
node.setPropertyValue("set_random_seed", True)
node.setPropertyValue("random_seed", 123)
node.setPropertyValue("value_mode", "System")

Tabla 86. propiedades de partitionnode

Propiedad de Tipo de datos Descripción de la propiedad
partitionnode
new_name string Nombre del campo de partición generado
por el nodo.
create_validation marca Especifica si se debe crear una partición de
validación.
training_size entero Porcentaje de registros (0-100) que se van a
asignar a la partición de entrenamiento.
testing_size entero Porcentaje de registros (0-100) que se van a
asignar a la partición de comprobación.
validation_size entero Porcentaje de registros (0-100) que se van
a asignar a la partición de entrenamiento.
Se ignora si no se crea una partición de
validación.
training_label string Etiqueta para la partición de entrenamiento.
testing_label string Etiqueta para la partición de comprobación.
validation_label string Etiqueta para la partición de validación.
Se ignora si no se crea una partición de
validación.
value_mode Sistema Especifica los valores utilizados para
representar cada partición en los datos. Por
SystemAndLabel ejemplo, el entero del sistema 1, la etiqueta
Entrenamiento o una combinación de
los dos, 1_Entrenamiento, pueden
Label representar la muestra de entrenamiento.

172 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 86. propiedades de partitionnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
partitionnode
set_random_seed Booleana Especifica si se debe utilizar una semilla
aleatoria especificada por el usuario.
random_seed entero Valor de semilla aleatoria especificada por
el usuario. Para que se pueda utilizar
este valor, set_random_seed se debe
establecer en True.
enable_sql_generation Booleana Especifica si se utiliza la retrotracción SQL
para asignar registros a particiones.
unique_field Especifica el campo de entrada que
se utiliza para garantizar que los
registros se asignan a particiones de
una forma aleatoria pero reproducible.
Para que se pueda utilizar este
valor, enable_sql_generation se debe
establecer en True.

propiedades de reclassifynode
El nodo Reclasificar transforma un conjunto de valores categóricos en otro. La
reclasificación es útil para contraer categorías o reagrupar datos para su análisis.

Ejemplo

node = stream.create("reclassify", "My node")

node.setPropertyValue("mode", "Multiple")
node.setPropertyValue("replace_field", True)
node.setPropertyValue("field", "Drug")
node.setPropertyValue("new_name", "Chemical")
node.setPropertyValue("fields", ["Drug", "BP"])
node.setPropertyValue("name_extension", "reclassified")
node.setPropertyValue("add_as", "Prefix")
node.setKeyedPropertyValue("reclassify", "drugA", True)
node.setPropertyValue("use_default", True)
node.setPropertyValue("default", "BrandX")
node.setPropertyValue("pick_list", ["BrandX", "Placebo", "Generic"])

Tabla 87. propiedades de reclassifynode

Propiedad de reclassifynode Tipo de datos Descripción de la propiedad
mode Single Single reclasifica las categorías de un
campo. Multiple activa las opciones
Multiple que permiten la transformación de varios
campos al mismo tiempo.
replace_field marca
campo string Sólo se utiliza en modo Single.
new_name string Sólo se utiliza en modo Single.

Capítulo 11. Propiedades de nodos de operaciones con campos 173

 Tabla 87. propiedades de reclassifynode (continuación)
Propiedad de reclassifynode Tipo de datos Descripción de la propiedad
campos [field1 field2 ... Sólo se utiliza en modo Multiple.
fieldn]
name_extension string Sólo se utiliza en modo Multiple.
add_as Suffix Sólo se utiliza en modo Multiple.

Prefix
reclasificar string Propiedad estructurada para valores de
campos.
use_default marca Utiliza el valor predeterminado.
valor predeterminado string Especifica un valor predeterminado.
pick_list [string string … Permite al usuario importar una lista de
string] valores nuevos conocidos para rellenar la
lista desplegable de la tabla.

propiedades de reordernode
El nodo Reorg. campos define el orden natural utilizado para mostrar los campos
en la parte posterior de la ruta. Este orden afecta a la visualización de los campos
en diversas ubicaciones, como las tablas, las listas y el selector de campos. Esta
operación resulta útil al trabajar con conjuntos de datos amplios que hacen más
visibles los campos de interés.

Ejemplo

node = stream.create("reorder", "My node")

node.setPropertyValue("mode", "Custom")
node.setPropertyValue("sort_by", "Storage")
node.setPropertyValue("ascending", False)
node.setPropertyValue("start_fields", ["Age", "Cholesterol"])
node.setPropertyValue("end_fields", ["Drug"])

Tabla 88. propiedades de reordernode

Propiedad de reordernode Tipo de datos Descripción de la propiedad
mode Custom Se pueden ordenar los valores de
forma automática o especificar un orden
Auto personalizado.

sort_by Name

Tipo

Storage
ascending marca
start_fields [campo1 campo2 … Los campos nuevos se han insertado
campon] después de estos campos.

174 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 88. propiedades de reordernode (continuación)
Propiedad de reordernode Tipo de datos Descripción de la propiedad
end_fields [campo1 campo2 … Los campos nuevos se han insertado
campon] antes de estos campos.

propiedades de reprojectnode
En SPSS Modeler, elementos como las funciones espaciales Creador de
expresiones, el nodo de Predicción espacio-temporal (STP) y el nodo Visualización
de mapas utilizan el sistema de coordenadas proyectado. Utilice el nodo
Reproyectar para cambiar el sistema de coordenadas de los datos que importa y
que utilizan un sistema de coordenadas geográficas.

Tabla 89. propiedades de reprojectnode

Propiedades de reprojectnode Tipo de datos Descripción de la propiedad
reproject_fields [campo1 campo2 … Lista todos los campos que se van a
campon] reproyectar.
reproject_type Streamdefault Elija cómo reproyectar los campos.

Especifica
coordinate_system string El nombre del sistema de coordenadas
que se aplicará a los campos. Ejemplo:

set
reprojectnode.coordinate_system
= “WGS_1984_World_Mercator”

propiedades de restructurenode
El nodo Reestructurar convierte un campo nominal o marca en un grupo de campos
que se puede rellenar con los valores todavía de otro campo. Por ejemplo, para un
campo determinado llamado tipo de pago, con valores de crédito, efectivo, y débito,
se crearían tres campos nuevos (crédito, efectivo, débito), que contendría cada uno
el valor del pago real realizado.

Ejemplo

node = stream.create("restructure", "My node")

node.setKeyedPropertyValue("fields_from", "Drug", ["drugA", "drugX"])
node.setPropertyValue("include_field_name", True)
node.setPropertyValue("value_mode", "OtherFields")
node.setPropertyValue("value_fields", ["Age", "BP"])

Tabla 90. propiedades de restructurenode

Propiedad de restructurenode Tipo de datos Descripción de la propiedad
fields_from [category category
category]

all

Capítulo 11. Propiedades de nodos de operaciones con campos 175

 Tabla 90. propiedades de restructurenode (continuación)
Propiedad de restructurenode Tipo de datos Descripción de la propiedad
include_field_name marca Indica si se debe usar el nombre
del campo en el nombre de campo
reestructurado.
value_mode OtherFields Indica el modo de definir los valores
para los campos reestructurados. Con
Flags OtherFields, debe especificar los
campos que se van a usar (consulte a
continuación). Con Flags, los valores
son marcas numéricas.
value_fields lista Es necesario en caso de que
value_mode sea OtherFields.
Especifica los campos que se van a usar
como campos de valores.

propiedades de rfmanalysisnode
El nodo Análisis de RFM (actualidad, frecuencia, monetario) permite determinar
cuantitativamente qué clientes son los mejores examinando cuándo ha sido la
compra más reciente de un cliente (actualidad), cuántas veces suele comprar
(frecuencia) y cuánto gasta el cliente en todas las transacciones (valor monetario).

Ejemplo

node = stream.create("rfmanalysis", "My node")

node.setPropertyValue("recency", "Recency")
node.setPropertyValue("frequency", "Frequency")
node.setPropertyValue("monetary", "Monetary")
node.setPropertyValue("tied_values_method", "Next")
node.setPropertyValue("recalculate_bins", "IfNecessary")
node.setPropertyValue("recency_thresholds", [1, 500, 800, 1500, 2000, 2500])

Tabla 91. propiedades de rfmanalysisnode

propiedades de Tipo de datos Descripción de la propiedad
rfmanalysisnode
recency campo Especifica el campo de actualidad. Puede
ser una fecha, marca de tiempo o un
número simple.
frequency campo Especifica el campo de frecuencia.
monetary campo Especifica el campo de monetario.
recency_bins entero Especifica el número de intervalos de
actividades recientes que se van a generar.
recency_weight number Especifica la ponderación que se aplicará a
los datos de actividades recientes. El valor
predeterminado es 100.
frequency_bins entero Especifica el número de intervalos de
frecuencia que se van a generar.

176 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 91. propiedades de rfmanalysisnode (continuación)
propiedades de Tipo de datos Descripción de la propiedad
rfmanalysisnode
frequency_weight number Especifica la ponderación que se aplicará a
los datos de frecuencia. El valor por omisión
es 10.
monetary_bins entero Especifica el número de intervalos de
monetario que se van a generar.
monetary_weight number Especifica la ponderación que se aplicará
a los datos de monetario. El valor
predeterminado es 1.
tied_values_method Next Especifica en qué intervalo se van a insertar
los datos de valor empatado.
Actual

recalculate_bins Always

IfNecessary
add_outliers marca Sólo está disponible si
recalculate_bins se define como
IfNecessary. Si se selecciona, los
registros por debajo del intervalo más
inferior se añaden al intervalo inferior y los
registros por encima, se añaden al intervalo
superior.
binned_field Recency

Frequency

Monetary
recency_thresholds valor valor Sólo está disponible si
recalculate_bins se define como
Siempre. Especifica los umbrales superior
e inferior de los intervalos de actividades
recientes. El umbral superior de un
intervalo se utiliza como el umbral inferior
del siguiente, por ejemplo, [10 30 60]
definiría dos intervalos, el primer intervalo
con los umbrales superior e inferior de 10 y
30, con los umbrales del segundo intervalo
de 30 y 60.
frequency_thresholds valor valor Sólo está disponible si
recalculate_bins se define como
Siempre.
monetary_thresholds valor valor Sólo está disponible si
recalculate_bins se define como
Siempre.

Capítulo 11. Propiedades de nodos de operaciones con campos 177

propiedades de settoflagnode
El nodo Marcas deriva varios campos de marcas en función de los valores
categóricos definidos para uno o más campos nominales.

Ejemplo

node = stream.create("settoflag", "My node")

node.setKeyedPropertyValue("fields_from", "Drug", ["drugA", "drugX"])
node.setPropertyValue("true_value", "1")
node.setPropertyValue("false_value", "0")
node.setPropertyValue("use_extension", True)
node.setPropertyValue("extension", "Drug_Flag")
node.setPropertyValue("add_as", "Suffix")
node.setPropertyValue("aggregate", True)
node.setPropertyValue("keys", ["Cholesterol"])

Tabla 92. propiedades de settoflagnode

Propiedad de settoflagnode Tipo de datos Descripción de la propiedad
fields_from [category category
category]

all
true_value string Especifica el valor para verdadero
utilizado por el nodo al configurar una
marca. El valor predeterminado es T (del
inglés 'True').
false_value string Especifica el valor para falso utilizado por
el nodo al configurar una marca. El valor
predeterminado es F (del inglés 'False').
use_extension marca Utiliza una extensión como sufijo o prefijo
para el nuevo campo de marca.
extensión string
add_as Suffix Especifica si la extensión es un sufijo o un
prefijo.
Prefix
aggregate marca Agrupa registros en función de campos
clave. Si algún registro se establece como
verdadero, se activarán todos los campos
de marca de un grupo.
keys lista Campos clave.

propiedades de statisticstransformnode
El nodo Transformación Statistics ejecuta una selección de comandos de sintaxis
de IBM SPSS Statistics en los orígenes de datos de IBM SPSS Modeler. Este nodo
requiere una copia de IBM SPSS Statistics con licencia.

178 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Las propiedades de este nodo están descritas en “propiedades de statisticstransformnode” en la página
437.

Propiedades timeintervalsnode (en desuso)

Nota: Este nodo estaba en desuso en la versión 18 de SPSS Modeler y se sustituye
por el nuevo nodo Serie temporal.
El nodo Intervalos de tiempo especifica intervalos y genera etiquetas (si es
necesario) para modelar los datos de series temporales. Si los valores no están
espaciados de manera uniforme, el nodo puede rellenar o agregar valores según sea
necesario para crear un intervalo uniforme entre registros.

Ejemplo

node = stream.create("timeintervals", "My node")

node.setPropertyValue("interval_type", "SecondsPerDay")
node.setPropertyValue("days_per_week", 4)
node.setPropertyValue("week_begins_on", "Tuesday")
node.setPropertyValue("hours_per_day", 10)
node.setPropertyValue("day_begins_hour", 7)
node.setPropertyValue("day_begins_minute", 5)
node.setPropertyValue("day_begins_second", 17)
node.setPropertyValue("mode", "Label")
node.setPropertyValue("year_start", 2005)
node.setPropertyValue("month_start", "January")
node.setPropertyValue("day_start", 4)
node.setKeyedPropertyValue("pad", "AGE", "MeanOfRecentPoints")
node.setPropertyValue("agg_mode", "Specify")
node.setPropertyValue("agg_set_default", "Last")

Capítulo 11. Propiedades de nodos de operaciones con campos 179

 Tabla 93. propiedades de timeintervalsnode
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
interval_type Ninguno

Períodos

CyclicPeriods

Años

Trimestres

Meses

DaysPerWeek

DaysNonPeriodic

HoursPerDay

HoursNonPeriodic

MinutesPerDay

MinutesNonPeriodic

SecondsPerDay

SecondsNonPeriodic
mode Label Determina si desea etiquetar los
registros de manera consecutiva o crear
Create la serie según una fecha, marca de
tiempo o campo de tiempo concretos.
campo campo Al crear la serie a partir de los datos,
especifica el campo que informa de la
fecha u hora de cada registro.
period_start entero Especifica el intervalo de inicio para
períodos o períodos cíclicos.
cycle_start entero Ciclo de inicio de los períodos cíclicos.
year_start entero En el caso de los tipos de intervalo
que procedan, el año en que el primer
intervalo tiene lugar.
quarter_start entero En el caso de los tipos de intervalo que
procedan, el trimestre en que el primer
intervalo tiene lugar.

180 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 93. propiedades de timeintervalsnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
month_start
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

day_start entero
hour_start entero
minute_start entero
second_start entero
periods_per_cycle entero En el caso de los períodos cíclicos,
número en cada ciclo.
fiscal_year_begins En el caso de los intervalos trimestrales,
Enero
Febrero especifica el mes en el que comienza el
Marzo año fiscal.
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

week_begins_on Sunday En el caso de los intervalos periódicos

(días a la semana, horas al día, minutos
Monday al día y segundos al día), especifica el
día en el que comienza la semana.

Tuesday

Wednesday

Thursday

Friday

Saturday

Sunday

Capítulo 11. Propiedades de nodos de operaciones con campos 181

 Tabla 93. propiedades de timeintervalsnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
day_begins_hour entero En el caso de los intervalos periódicos
(horas al día, minutos al día y
segundos al día), especifica la hora
a la que comienza el día. Se puede
usar junto con day_begins_minute y
day_begins_second para determinar
una hora exacta, como 8:05:01. Vea
el ejemplo de uso que se muestra a
continuación.
day_begins_minute entero En el caso de los intervalos periódicos
(horas al día, minutos al día y segundos
al día), especifica el minuto en el que
comienza el día (por ejemplo, 5 en
8:05).
day_begins_second entero En el caso de los intervalos periódicos
(horas al día, minutos al día y segundos
al día), especifica el segundo en el que
comienza el día (por ejemplo, 17 en
8:05:17).
days_per_week entero En el caso de los intervalos periódicos
(días a la semana, horas al día, minutos
al día y segundos al día), especifica el
número de días a la semana.
hours_per_day entero En el caso de los intervalos periódicos
(horas al día, minutos al día y segundos
al día), especifica el número de horas al
día.
interval_increment 1 En el caso de los minutos al día y de los
segundos al día, especifica el número
2 de minutos o segundos que se va a
aumentar en cada registro.
3

10

15

20

30

182 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 93. propiedades de timeintervalsnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
field_name_extension cadena
field_name_extension_as_pr tag
efix
date_format
"DDMMAA"
"MMDDYY"
"AAMMDD"
"YYMMDD"
"YYYYDDD"
DAY
MONTH
"DD-MM-YY"
"DD-MM-YYYY"
"MM-DD-YY"
"MM-DD-AAAA"
"DD-MES-YY"
"DD-MES-YYYY"
"YYYY-MM-DD"
"DD.MM.YY"
"DD.MM.AAAA"
"MM.DD.YYYY"
"DD.MES.YY"
"DD.MES.YYYY"
"DD/MM/YY"
"DD/MM/AAAA"
"MM/DD/YY"
"MM/DD/YYYY"
"DD/MES/YY"
"DD/MES/YYYY"
MON YYYY
q Q YYYY
ww WK YYYY

time_format
"HHMMSS"
"HHMM"
"MMSS"
"HH:MM:SS"
"HH:MM"
"MM:SS"
"(H)H:(M)M:(S)S"
"(H)H:(M)M"
"(M)M:(S)S"
"HH.MM.SS"
"HH.MM"
"MM.SS"
"(H)H.(M)M.(S)S"
"(H)H.(M)M"
"(M)M.(S)S"

Capítulo 11. Propiedades de nodos de operaciones con campos 183

 Tabla 93. propiedades de timeintervalsnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
aggregate Media Especifica el método de agregación para
un campo.
Sum

Mode

Mín

Máx

Primero

Last

TrueIfAnyTrue
pad Vacío Especifica el método de relleno para un
campo.
MeanOfRecentPoints

True

False
agg_mode Todos Determina si se agregan o rellenan
todos los campos con las funciones
Especifica predeterminadas según sea necesario o
bien si se especifican los campos y las
funciones que deben usarse.
agg_range_default Media Especifica la función predeterminada
que se va a usar al agregar campos
Sum continuos.

Mode

Mín

Máx
agg_set_default Mode Especifica la función predeterminada
que se va a usar al agregar campos
Primero nominales.

Last

184 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 93. propiedades de timeintervalsnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
timeintervalsnode
agg_flag_default TrueIfAnyTrue

Mode

Primero

Last
pad_range_default Vacío Especifica la función predeterminada
que se va a usar al agregar campos
MeanOfRecentPoints continuos.
pad_set_default Vacío

MostRecentValue
pad_flag_default Vacío

True

False
max_records_to_create entero Especifica el número máximo de
registros que se van a crear al rellenar
la serie.
estimation_from_beginning tag
estimation_to_end tag
estimation_start_offset entero
estimation_num_holdouts entero
create_future_records tag
num_future_records entero
create_future_field tag
future_field_name cadena

propiedades de transposenode
El nodo Transponer intercambia los datos en filas y columnas de manera que los
registros se conviertan en campos y los campos en registros.

Ejemplo

node = stream.create("transpose", "My node")

node.setPropertyValue("transposed_names", "Read")
node.setPropertyValue("read_from_field", "TimeLabel")

Capítulo 11. Propiedades de nodos de operaciones con campos 185

 node.setPropertyValue("max_num_fields", "1000")
node.setPropertyValue("id_field_name", "ID")

Tabla 94. propiedades de transposenode

Propiedad de Tipo de datos Descripción de la propiedad
transposenode
transpose_method enum Especifica el método de transposición:
Normal (normal), CASE a VAR
(casetovar) o VAR a CASE (vartocase).
transposed_names Prefix Propiedad para el método de transposición
normal. Se pueden generar nuevos
Leer nombres de campo automáticamente a
partir de un prefijo concreto o bien se
pueden leer desde un campo existente en
los datos.
prefix string Propiedad para el método de transposición
normal.
num_new_fields entero Propiedad para el método de transposición
normal. Al usar un prefijo, especifica el
número máximo de campos nuevos que se
van a crear.
read_from_field campo Propiedad para el método de transposición
normal. Campo del que se leen los
nombres. Debe tratarse de un campo
instanciado o, de lo contrario, se producirá
un error al ejecutar el nodo.
max_num_fields entero Propiedad para el método de transposición
normal. Al leer nombres de un campo,
especifica un límite superior con el fin
de evitar que se genere un número
desmesurado de campos.
transpose_type Numérico Propiedad para el método de transposición
normal. De forma predeterminada,
Cadena solamente los campos continuos (rango
numérico) se transponen, si bien se
puede elegir un subconjunto personalizado
Custom de campos numéricos o, en su lugar,
transponer todos los campos de cadena.
transpose_fields lista Propiedad para el método de transposición
normal. Especifica los campos que se van
a transponer cuando se usa la opción
Custom.
id_field_name campo Propiedad para el método de transposición
normal.
transpose_casetovar_id campo Propiedad para el método de transposición
fields CASE a VAR (casetovar). Acepta varios
campos a utilizar como campos de índice.

field1 ... fieldN

186 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 94. propiedades de transposenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
transposenode
transpose_casetovar_co campo Propiedad para el método de transposición
lumnfields CASE a VAR (casetovar). Acepta varios
campos que se utilizarán como campos de
columna.

field1 ... fieldN

transpose_casetovar_va campo Propiedad para el método de transposición
luefields CASE a VAR (casetovar). Acepta varios
campos que se utilizarán como campos de
valor.

field1 ... fieldN

transpose_vartocase_id campo Propiedad para el método de transposición
fields VAR a CASE (vartocase). Acepta varios
campos que se deberán utilizar como
campos de variable de ID.

field1 ... fieldN

transpose_vartocase_va campo Propiedad para el método de transposición
lfields VAR a CASE (vartocase). Acepta varios
campos que se deberán utilizar como
campos de variable de valor.

field1 ... fieldN

propiedades de typenode
El nodo Tipo especifica propiedades y metadatos de campo. Por ejemplo, puede
especificar un nivel de medición (continuo, nominal, ordinal o marca) para cada
campo, establecer las opciones para gestionar valores perdidos y nulos del sistema,
establecer el rol de un campo con fines de modelado, especificar las etiquetas de
valor y campo y especificar los valores de un campo.

Ejemplo

node = stream.createAt("type", "My node", 50, 50)

node.setKeyedPropertyValue("check", "Cholesterol", "Coerce")
node.setKeyedPropertyValue("direction", "Drug", "Input")
node.setKeyedPropertyValue("type", "K", "Range")
node.setKeyedPropertyValue("values", "Drug", ["drugA", "drugB", "drugC",
"drugD", "drugX",
"drugY", "drugZ"])
node.setKeyedPropertyValue("null_missing", "BP", False)
node.setKeyedPropertyValue("whitespace_missing", "BP", False)
node.setKeyedPropertyValue("description", "BP", "Blood Pressure")
node.setKeyedPropertyValue("value_labels", "BP", [["HIGH", "High Blood
Pressure"],
["NORMAL", "normal blood pressure"]])

Capítulo 11. Propiedades de nodos de operaciones con campos 187

 Observe que en algunos casos puede que sea necesario instanciar totalmente el nodo Tipo para que
otros nodos funcionen adecuadamente, como, por ejemplo, la propiedad fields from del nodo Marcas.
Simplemente conecte un nodo Tabla y ejecútelo para instanciar los campos:

tablenode = stream.createAt("table", "Table node", 150, 50)

stream.link(node, tablenode)
tablenode.run(None)
stream.delete(tablenode)

Tabla 95. propiedades de typenode

Propiedad de Tipo de datos Descripción de la propiedad
typenode
dirección Input Propiedad con clave para los roles de los
campos.
Destino
Nota: Los valores In y Out han quedado
Both en desuso. Es posible que ya no puedan
utilizarse en futuras versiones.

Ninguno

Partition

Split

Frequency

RecordID
type Range El nivel de medición del campo
(anteriormente denominado el "tipo" de
Flag campo). Si se establece type en
Default, se borrará cualquier
Set valor del parámetro values,
y si value_mode tiene el valor
Specify, se restablecerá en Read.
Sin tipo Si value_mode se establece en Pass
o Read,
Discrete el establecimiento de type
no afectará a value_mode.
OrderedSet
Nota: Los tipos de datos utilizados
Predeterminado internamente difieren de los que
son visibles en el nodo tipo. La
correspondencia es la siguiente: Range ->
Continuous Set - > Nominal OrderedSet
-> Ordinal Discrete- > Categorical

188 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
almacenamie Desconocido Propiedad con clave de solamente lectura
nto para el tipo de almacenamiento de
Cadena campos.

Entero

Real

Hora

Fecha

Marca de tiempo
check Ninguno Propiedad con clave para la
comprobación del rango y el tipo de
Nullify campo.

Coerce

Descartar

Warn

Abort
values [value value] Para un campo continuos, el primer valor
es el mínimo y el último es el máximo.
Para campos nominales, especifique
todos los valores. Para los campos
marca, el primer valor representa falso
y el último, verdadero. La configuración
de esta propiedad establece de forma
automática la propiedad value_mode en
Specify.
value_mode Leer Determina la forma en la que se
establecen los valores. Tenga en cuenta
Pasar que no puede establecer esta propiedad
directamente en Specify. Para utilizar
valores específicos, establezca la
Leer+ propiedad values.

Actual

Especifica

Capítulo 11. Propiedades de nodos de operaciones con campos 189

 Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
extend_valu marca Se aplica cuando value_mode se
es establece en Read. Establézcala en T
para añadir nuevos valores de lectura
a los valores existentes del campo.
Establézcala en F para descartar los
valores existentes y favorecer a los
nuevos valores de lectura.
enable_miss marca Cuando está definida como T, activa el
ing seguimiento de los valores perdidos para
el campo.
missing_val [value value ...] Especifica los valores de datos que
ues denotan los datos perdidos.
range_missi marca Especifica si se ha definido un rango de
ng valores perdidos (vacíos) para un campo.
missing_low string Si range_missing es verdadero,
er especifica el límite inferior del rango de
valores perdidos.
missing_upp string Si range_missing es verdadero,
er especifica el límite superior del rango de
valores perdidos.
null_missin marca Cuando se establece en T, los valores
g nulos (valores no definidos que se
muestran como $null$ en el software)
se consideran valores perdidos.
whitespace_ marca Cuando se establece en T, los valores
missing que sólo contienen un espacio en blanco
(espacios, tabulaciones y líneas nuevas)
se consideran valores perdidos.
description string Especifica la descripción de un campo.
value_label [[Value LabelString] [ Value LabelString] ...] Se utiliza para especificar etiquetas para
s los pares de valores.
display_pla entero Establece el número de cifras decimales
ces para el campo cuando se muestra (sólo
se aplica a campos con almacenamiento
REAL). Un valor de 1 utilizará el valor
predeterminado de la ruta.
export_plac entero Establece el número de cifras decimales
es para el campo cuando se exporta (sólo
se aplica a campos con almacenamiento
REAL). Un valor de 1 utilizará el valor
predeterminado de la ruta.

190 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
decimal_sep DEFAULT Establece el separador decimal para el
arator campo (sólo se aplica a campos con
PERIOD almacenamiento REAL).

COMMA
date_format Establece el formato de fecha
"DDMMAA"
"MMDDYY" para el campo (sólo se aplica a
"AAMMDD" campos con almacenamiento FECHA o
"YYMMDD"
"YYYYDDD" MARCADETIEMPO).
DAY
MONTH
"DD-MM-YY"
"DD-MM-YYYY"
"MM-DD-YY"
"MM-DD-AAAA"
"DD-MES-YY"
"DD-MES-YYYY"
"YYYY-MM-DD"
"DD.MM.YY"
"DD.MM.AAAA"
"MM.DD.YYYY"
"DD.MES.YY"
"DD.MES.YYYY"
"DD/MM/YY"
"DD/MM/AAAA"
"MM/DD/YY"
"MM/DD/YYYY"
"DD/MES/YY"
"DD/MES/YYYY"
MON YYYY
q Q YYYY
ww WK YYYY

time_format Establece el formato de hora para el

"HHMMSS"
"HHMM" campo (sólo se aplica a campos con
"MMSS" almacenamiento TIME o TIMESTAMP).
"HH:MM:SS"
"HH:MM"
"MM:SS"
"(H)H:(M)M:(S)S"
"(H)H:(M)M"
"(M)M:(S)S"
"HH.MM.SS"
"HH.MM"
"MM.SS"
"(H)H.(M)M.(S)S"
"(H)H.(M)M"
"(M)M.(S)S"

number_form DEFAULT Establece el formato de presentación de

at los números para el campo.
STANDARD

SCIENTIFIC

CURRENCY

Capítulo 11. Propiedades de nodos de operaciones con campos 191

 Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
standard_pl entero Establece el número de cifras decimales
aces para el campo cuando se muestra
en formato estándar. Un valor de 1
utilizará el valor predeterminado de
la ruta. Tenga en cuenta que el
intervalo display_places existente
también cambiará esto, pero ahora se ha
desaprobado.
scientific_ entero Establece el número de cifras decimales
places para el campo cuando se muestra en
formato científico. Un valor de 1 utilizará
el valor predeterminado de la ruta.
currency_pl entero Establece el número de cifras decimales
aces para el campo cuando se muestra en
formato moneda. Un valor de 1 utilizará
el valor predeterminado de la ruta.
grouping_sy DEFAULT Establece el símbolo de agrupación para
mbol el campo.
NONE

LOCALE

PERIOD

COMMA

SPACE
column_widt entero Establece el ancho de columna para el
h campo. Un valor de 1 establecerá el
ancho de columna en Auto.
justify AUTO Establece la justificación de columna para
el campo.
CENTER

LEFT

RIGHT

192 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
measure_typ Range / MeasureType.RANGE Esta propiedad con clave es similar
e a type en cuanto a que puede
Discrete / MeasureType.DISCRETE utilizarse para definir la medición
asociada al campo. La diferencia es que,
en los scripts Python, la función de
Flag / MeasureType.FLAG establecimiento puede pasar también uno
de los valores MeasureType, mientras
Set / MeasureType.SET que la función de obtención siempre
devolverá los valores MeasureType.
OrderedSet /
MeasureType.ORDERED_SET

Typeless / MeasureType.TYPELESS

Collection /
MeasureType.COLLECTION

Geospatial /
MeasureType.GEOSPATIAL
collection_ Range / MeasureType.RANGE Para campos de recopilación (listas con
measure profundidad 0), esta propiedad con clave
Flag / MeasureType.FLAG define el tipo de medición asociado con
los valores subyacentes.

Set / MeasureType.SET

OrderedSet /
MeasureType.ORDERED_SET

Typeless / MeasureType.TYPELESS
geo_type Point En campos geoespaciales, esta propiedad
con clave define el tipo del objeto
Multipunto geoespacial representado por este
campo. Debería ser coherente con la
profundidad de lista de los valores.
Cadena lineal

Cadena multilínea

Polígono

Multipolígono
has_coordin booleano Para campos geoespaciales, esta
ate_ system propiedad define si este campo tiene una
coordenada sistema
coordinate_ string En campos geoespaciales, esta propiedad
system con clave define el sistema de
coordenadas para este campo.

Capítulo 11. Propiedades de nodos de operaciones con campos 193

 Tabla 95. propiedades de typenode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
typenode
custom_stor Unknown / MeasureType.UNKNOWN Esta propiedad con clave es similar a
age_ type custom_storage en cuanto a que puede
String / MeasureType.STRING utilizarse para definir el almacenamiento
de alteración temporal para el campo.
La diferencia es que, en los scripts
Integer / MeasureType.INTEGER Python, la función de establecimiento
puede pasar también uno de los valores
Real / MeasureType.REAL StorageType, mientras que la función
de obtención siempre devolverá los
Time / MeasureType.TIME valores StorageType.

Date / MeasureType.DATE

Timestamp /
MeasureType.TIMESTAMP

List / MeasureType.LIST
custom_list String / MeasureType.STRING Para campos de lista, esta propiedad
_ con clave especifica el tipo de
storage_typ Integer / MeasureType.INTEGER almacenamiento de los valores
e subyacentes.

Real / MeasureType.REAL

Time / MeasureType.TIME

Date / MeasureType.DATE

Timestamp /
MeasureType.TIMESTAMP
custom_list entero Para campos de lista, esta propiedad
_depth con clave especifica la profundidad del
campo.
max_list_le entero Solo está disponible para datos con
ngth un nivel de medición de Geoespacial o
Colección. Establezca la longitud máxima
de la lista especificando el número de
elementos que puede contener la lista.
max_string_ entero Solo está disponible para datos sin tipos
length y se utiliza al generar SQL para crear una
tabla. Entre el valor de la serie más larga
en los datos; esto genera una columna en
la tabla que es lo suficientemente grande
para contener la serie.

194 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 12. Propiedades de nodos Gráfico

Propiedades comunes del nodo Gráfico

Esta sección describe las propiedades disponibles para los nodos de gráficos, incluidas las comunes y
aquellas específicas de cada tipo de nodo.

Tabla 96. Propiedades comunes de nodos de gráficos

Propiedades comunes de Tipo de datos Descripción de la propiedad
nodos de gráficos
título string Especifica el título. Ejemplo: "Esto es un título".
caption string Especifica el pie. Por ejemplo: "Esto es un pie".
output_mode Screen Determina si el resultado del nodo de gráficos se
muestra o si se guarda en un archivo.
File
output_format BMP Especifica el tipo de resultado. El tipo exacto de
resultado permitido para cada nodo varía.
JPEG

PNG

HTML

output (.cou)
full_filename string Especifica la ruta de destino y el nombre de
archivo del resultado generado por el nodo de
gráficos.
use_graph_size marca Controla si el tamaño del gráfico se ha
establecido de manera explícita mediante las
propiedades de ancho y altura a continuación.
Afecta solamente a los gráficos que tienen
salida a pantalla. No disponible para el nodo
Distribución.
graph_width number Cuando use_graph_size es True, establece el
ancho del gráfico en píxeles.
graph_height number Cuando use_graph_size es True, establece la
altura del gráfico en píxeles.

Desactivación de los campos opcionales

Los campos opcionales, como un campo de superposición para gráficos, se pueden desactivar
estableciendo el valor de la propiedad en "" (cadena vacía), tal y como se muestra en el siguiente
ejemplo:

plotnode.setPropertyValue("color_field", "")
 Especificación de colores
Los colores de los títulos, pies, fondos y etiquetas se pueden especificar mediante las cadenas
hexadecimales que comiencen con el símbolo almohadilla (#). Por ejemplo, para establecer el fondo
del gráfico en cielo azul, debe utilizar la siguiente instrucción:

mygraphnode.setPropertyValue("graph_background", "#87CEEB")

Aquí, los dos primeros dígitos, 87, especifican el contenido rojo, los dos del medio, CE, especifican el
contenido verde y los dos últimos, EB, el contenido azul. Cada dígito puede tomar un valor del rango 0-9 o
A-F. Juntos, estos valores pueden especificar red-green-blue, o RGB o color.
Nota: Al especificar colores en RVA, puede utilizar el selector de campos en la interfaz de usuario para
determinar el código de color correcto. Basta con colocarse sobre el color para ver un texto con la
información deseada.

Propiedades de collectionnode
El nodo Colección muestra la distribución de valores de un campo numérico relativo
a los valores de otro. (Crea gráficos parecidos a los histogramas.) Es útil para ilustrar
una variable o un campo cuyos valores cambian con el tiempo. Con los gráficos 3D
también puede incluir un eje simbólico que muestra las distribuciones por categoría.

Ejemplo

node = stream.create("collection", "My node")

# Pestaña "Gráfico"
node.setPropertyValue("three_D", True)
node.setPropertyValue("collect_field", "Drug")
node.setPropertyValue("over_field", "Age")
node.setPropertyValue("by_field", "BP")
node.setPropertyValue("operation", "Sum")
# Sección "Superponer"
node.setPropertyValue("color_field", "Drug")
node.setPropertyValue("panel_field", "Sex")
node.setPropertyValue("animation_field", "")
# pestaña "Opciones"
node.setPropertyValue("range_mode", "Automatic")
node.setPropertyValue("range_min", 1)
node.setPropertyValue("range_max", 100)
node.setPropertyValue("bins", "ByNumber")
node.setPropertyValue("num_bins", 10)
node.setPropertyValue("bin_width", 5)

Tabla 97. propiedades de collectionnode

Propiedad de Tipo de datos Descripción de la propiedad
collectionnode
over_field campo
over_label_auto marca
over_label string
collect_field campo
collect_label_auto marca
collect_label string
three_D marca

196 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 97. propiedades de collectionnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
collectionnode
by_field campo
by_label_auto marca
by_label string
operation Sum

Media

Mín

Máx

SDev
color_field string
panel_field string
animation_field string
range_mode Automatic

UserDefined
range_min number
range_max number
bins ByNumber

ByWidth
num_bins number
bin_width number
use_grid marca
graph_background color Al principio de esta sección se describen los
colores de gráficos estándar.
page_background color Al principio de esta sección se describen los
colores de gráficos estándar.

Propiedades de distributionnode
El nodo Distribución muestra las instancias de valores simbólicos (categóricos),
como el tipo de hipoteca o el género. Normalmente, podría usar el nodo Distribución
para mostrar los desequilibrios de los datos, que pueden rectificarse mediante el
nodo Equilibrar antes de crear un modelo.

Ejemplo

node = stream.create("distribution", "My node")

# Pestaña "Gráfico"

Capítulo 12. Propiedades de nodos Gráfico 197

 node.setPropertyValue("plot", "Flags")
node.setPropertyValue("x_field", "Age")
node.setPropertyValue("color_field", "Drug")
node.setPropertyValue("normalize", True)
node.setPropertyValue("sort_mode", "ByOccurence")
node.setPropertyValue("use_proportional_scale", True)

Tabla 98. propiedades de distributionnode

Propiedades de Tipo de datos Descripción de la propiedad
distributionnode
plot SelectedFields

Flags
x_field campo
color_field campo Campo de superposición.
normalize marca
sort_mode ByOccurence

Alphabetic
use_proportional_scale marca

Propiedades de evaluationnode
El nodo Evaluación ayuda a evaluar y comparar modelos predictivos. El diagrama de
evaluación muestra la calidad con que los modelos predicen resultados particulares.
Ordena registros en función del valor predicho y la confianza de la predicción. Divide
el registro en grupos de igual tamaño (cuantiles) y, a continuación, representa
el valor del criterio de negocio de cada cuantil de mayor a menor. Los diversos
modelos se muestran como líneas separadas en el gráfico.

Ejemplo

node = stream.create("evaluation", "My node")

# Pestaña "Gráfico"
node.setPropertyValue("chart_type", "Gains")
node.setPropertyValue("cumulative", False)
node.setPropertyValue("field_detection_method", "Name")
node.setPropertyValue("inc_baseline", True)
node.setPropertyValue("n_tile", "Deciles")
node.setPropertyValue("style", "Point")
node.setPropertyValue("point_type", "Dot")
node.setPropertyValue("use_fixed_cost", True)
node.setPropertyValue("cost_value", 5.0)
node.setPropertyValue("cost_field", "Na")
node.setPropertyValue("use_fixed_revenue", True)
node.setPropertyValue("revenue_value", 30.0)
node.setPropertyValue("revenue_field", "Age")
node.setPropertyValue("use_fixed_weight", True)
node.setPropertyValue("weight_value", 2.0)
node.setPropertyValue("weight_field", "K")

198 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 99. propiedades de evaluationnode
Propiedad de Tipo de datos Descripción de la propiedad
evaluationnode
chart_type
Gains
Response
Lift
Profit
ROI
ROC

inc_baseline tag
field_detection_method Metadata

Name
use_fixed_cost tag
cost_value number
cost_field cadena
use_fixed_revenue tag
revenue_value number
revenue_field cadena
use_fixed_weight tag
weight_value number
weight_field campo
n_tile Quartiles

Quintles

Deciles

Vingtiles

Percentiles

1000-tiles
cumulative tag
style Line

Point

Capítulo 12. Propiedades de nodos Gráfico 199

 Tabla 99. propiedades de evaluationnode (continuación)
Propiedad de Tipo de datos Descripción de la propiedad
evaluationnode
point_type
Rectángulo
Dot
Triangle
Hexagon
Plus
Pentagon
Star
BowTie
HorizontalDash
VerticalDash
IronCross
Factory
House
Cathedral
OnionDome
ConcaveTriangle
OblateGlobe
CatEye
FourSidedPillow
RoundRectangle
Fan

export_data marca
data_filename string
delimiter string
new_line marca
inc_field_names marca
inc_best_line tag
inc_business_rule tag
business_rule_condition cadena
plot_score_fields tag
score_fields [field1 ... campoN]
target_field campo
use_hit_condition tag
hit_condition cadena
use_score_expression tag
score_expression cadena
caption_auto tag

Propiedades de graphboardnode
El nodo Tablero ofrece muchos tipos diferentes de gráficos en un único nodo.
Con este nodo puede seleccionar los campos de datos que desee explorar y
seleccionar un gráfico de los disponibles para los datos seleccionados. El nodo
filtra automáticamente cualquier tipo de gráfico que no sea compatible con las
selecciones de campo.

Nota: Si establece una propiedad que no es válida para el tipo de gráfico (por ejemplo, si especifica
y_field para un histograma), se ignora dicha propiedad.

200 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Nota: En la interfaz de usuario, en la ficha Detallado de muchos tipos diferentes de gráficos, hay un
campo Resumen; este campo no está soportado actualmente utilizando scripts.
Ejemplo

node = stream.create("graphboard", "My node")

node.setPropertyValue("graph_type", "Line")
node.setPropertyValue("x_field", "K")
node.setPropertyValue("y_field", "Na")

Capítulo 12. Propiedades de nodos Gráfico 201

 Tabla 100. Propiedades de graphboardnode
Propiedades de Tipo de datos Descripción de la propiedad
graphboard
graph_type 2DDotplot Identifica el tipo de gráfico.

3DArea

3DBar

3DDensity

3DHistogram

3DPie

3DScatterplot

Área

ArrowMap

Bar

BarCounts

BarCountsMap

BarMap

BinnedScatter

Diagramas de caja

Bubble

ChoroplethMeans

ChoroplethMedians

ChoroplethSums

ChoroplethValues

202 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 100. Propiedades de graphboardnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
graphboard
ChoroplethCounts

CoordinateMap

CoordinateChoroplethMeans

CoordinateChoroplethMedians

CoordinateChoroplethSums

CoordinateChoroplethValues

CoordinateChoroplethCounts

Dotplot

Heatmap

HexBinScatter

Histograma

Line

LineChartMap

LineOverlayMap

Parallel

Path

Pie

PieCountMap

PieCounts

PieMap

Capítulo 12. Propiedades de nodos Gráfico 203

 Tabla 100. Propiedades de graphboardnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
graphboard
PointOverlayMap

PolygonOverlayMap

Ribbon

Scatterplot

SPLOM

Surface
x_field campo Especifica una etiqueta
personalizada para el eje x.
Disponible solamente para etiquetas.
y_field campo Especifica una etiqueta
personalizada para el eje y.
Disponible solamente para etiquetas.
z_field campo Se utiliza en algunos gráficos 3D.
color_field campo Se utiliza en mapas de calor.
size_field campo Se utiliza en gráficos de burbujas.
categories_fiel campo
d
values_field campo
rows_field campo
columns_field campo
campos campo
start_longitude campo Se utiliza con flechas en un mapa de
_field referencia.
end_longitude_f campo
ield
start_latitude_ campo
field
end_latitude_fi campo
eld
data_key_field campo Se utiliza en diversos mapas.
panelrow_field string
panelcol_field string
animation_field string

204 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 100. Propiedades de graphboardnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
graphboard
longitude_field campo Se utiliza en mapas de coordenadas.
latitude_field campo
map_color_field campo

Propiedades de histogramnode
El nodo Histograma muestra las instancias de valores de los campos numéricos. Se
suele utilizar para explorar los datos antes de las manipulaciones y la generación de
modelos. Al igual que con el nodo Distribución, con frecuencia el nodo Histograma
detecta desequilibrios en los datos.

Ejemplo

node = stream.create("histogram", "My node")

# Pestaña "Gráfico"
node.setPropertyValue("field", "Drug")
node.setPropertyValue("color_field", "Drug")
node.setPropertyValue("panel_field", "Sex")
node.setPropertyValue("animation_field", "")
# pestaña "Opciones"
node.setPropertyValue("range_mode", "Automatic")
node.setPropertyValue("range_min", 1.0)
node.setPropertyValue("range_max", 100.0)
node.setPropertyValue("num_bins", 10)
node.setPropertyValue("bin_width", 10)
node.setPropertyValue("normalize", True)
node.setPropertyValue("separate_bands", False)

Tabla 101. propiedades de histogramnode

Propiedad de histogramnode Tipo de datos Descripción de la propiedad
campo campo
color_field campo
panel_field campo
animation_field campo
range_mode Automatic

UserDefined
range_min number
range_max number
bins ByNumber

ByWidth
num_bins number
bin_width number
normalize marca

Capítulo 12. Propiedades de nodos Gráfico 205

 Tabla 101. propiedades de histogramnode (continuación)
Propiedad de histogramnode Tipo de datos Descripción de la propiedad
separate_bands marca
x_label_auto marca
x_label string
y_label_auto marca
y_label string
use_grid marca
graph_background color Al principio de esta sección se describen los
colores de gráficos estándar.
page_background color Al principio de esta sección se describen los
colores de gráficos estándar.
normal_curve marca Indica si se debe mostrar la curva de
distribución normal en los resultados.

Propiedades de mapvisualization
El nodo Visualización de mapas puede aceptar varias conexiones de entrada y
visualizar datos geoespaciales en un mapa como una serie de capas. Cada capa
es un único campo geoespacial; por ejemplo, la capa base podría ser el mapa de un
país, y por encima puede tener una capa de carreteras, una capa de ríos y una capa
de ciudades.

Tabla 102. Propiedades de mapvisualization

Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
tag cadena Establece el nombre de la etiqueta para
la entrada. La etiqueta predeterminada es
un número basado en el orden en el que
las entradas estaban conectadas al nodo
(la primera etiqueta de conexión es 1, la
segunda etiqueta de conexión es 2, etc.

206 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 102. Propiedades de mapvisualization (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
layer_field campo Selecciona qué geocampo se muestra del
conjunto de datos como una capa en el
mapa. La selección predeterminada se basa
en el orden de clasificación siguiente:
• Primero - Punto
• Cadena lineal
• Polígono
• Multipunto
• Cadena multilínea
• Último - Multipolígono
Si existen dos campos con el mismo
tipo de medida, de forma predeterminada,
se seleccionará el primer campo
alfabéticamente (por nombre).

color_type booleano Especifica si se va a aplicar un color

estándar a todas las características del
geocampo, o un campo de superposición
que colorea las características basándose
en valores de otro campo del conjunto de
datos. Los valores posibles son standard
u overlay. El valor predeterminado es
standard.

color cadena Si standard está seleccionado para

color_type, el desplegable contiene la
misma paleta de colores que el orden
de colores de la categoría de gráfico en
la pestaña Visualización de opciones de
usuario.
El valor predeterminado es el color de
categoría de gráfico 1.

color_field campo Si overlay está seleccionado para

color_type, el desplegable contiene todos
los campos del mismo conjunto de datos
que el geocampo seleccionado como la
capa.

symbol_type booleano Especifica si se va a aplicar un símbolo

estándar a todos los registro del geocampo,
o un símbolo de superposición que cambie
el icono de símbolo para los puntos
basándose en los valores de otro campo
del conjunto de datos. Los valores posibles
son standard u overlay. El valor
predeterminado es standard.

Capítulo 12. Propiedades de nodos Gráfico 207

 Tabla 102. Propiedades de mapvisualization (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
symbol cadena Si standard está seleccionado para
symbol_type, el desplegable contiene una
selección de símbolos que se puede utilizar
para mostrar puntos en el mapa.

symbol_field campo Si overlay está seleccionado para

symbol_type, el desplegable contiene
todos los campos nominales, ordinales o
categóricos del mismo conjunto de datos
como el geocampo seleccionado como la
capa.

size_type booleano Especifica si se va a aplicar un tamaño

estándar a todos los registros del
geocampo, o un tamaño de superposición
que cambia el tamaño del icono de símbolo
o el grosor de la línea basándose en valores
de otro campo del conjunto de datos. Los
valores posibles son standard u overlay.
El valor predeterminado es standard.

tamaño cadena Si standard está seleccionado para

size_type, para point o multipoint,
el desplegable contiene una selección de
tamaños para el símbolo seleccionado.
Para linestring o multilinestring,
el desplegable contiene una selección del
grosor de línea.

size_field campo Si overlay está seleccionado para

size_type, el desplegable contiene todos
los campos del mismo conjunto de datos
que el geocampo seleccionado como la
capa.

transp_type booleano Especifica si se va a aplicar una

transparencia estándar a todos los registros
del geocampo, o una transferencia de
superposición que cambia el nivel de
transparencia para el símbolo, línea o
polígono basándose en valores de otro
campo del conjunto de datos. Los valores
posibles son standard u overlay. El valor
predeterminado es standard.

208 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 102. Propiedades de mapvisualization (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
transp entero Si standard está seleccionado para
transp_type, el desplegable contiene una
selección de niveles de transparencia que
empieza en 0% (opaco) y va aumentando
hasta 100% (transparente) en incrementos
del 10 %. Establece la transparencia de
puntos, líneas o polígonos en el mapa.
Si overlay está seleccionado para
size_type, el desplegable contiene todos
los campos del mismo conjunto de datos
que el geocampo seleccionado como la
capa.
Para points, multipoints,
linestrings y multilinestrings,
polygons y multipolygons (que están
en la capa inferior), el valor predeterminado
es 0%. Para polygons y multipolygons
que no están en la capa inferior, el
valor predeterminado es 50% (para evitar
oscurecer las capas entre estos polígonos.)

transp_field campo Si overlay está seleccionado para

transp_type, el desplegable contiene
todos los campos del mismo conjunto de
datos que el geocampo seleccionado como
la capa.

data_label_field campo Especifica el campo para utilizar como

etiquetas de datos en el mapa. Por ejemplo,
si la capa donde se aplica este valor es
un capa de polígono, la etiqueta de datos
podría ser el campo name – que contiene
el nombre de cada polígono. Así si aquí se
selecciona el campo name, se mostrarán
estos nombres en el mapa.

use_hex_binning booleano Habilita la agrupación hexadecimal y

habilita todos los desplegables de
agregación. Este valor está desactivado de
forma predeterminada.

Capítulo 12. Propiedades de nodos Gráfico 209

 Tabla 102. Propiedades de mapvisualization (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
color_aggregation y cadena Si selecciona un campo de superposición
transp_aggregation para una capa de puntos que utiliza la
agrupación hexadecimal, todos los valores
para dicho campo se deben agregar para
todos los puntos del hexágono. Por lo tanto,
debe especificar una función de agregación
para cualquier otro campo de superposición
que desea aplicar al mapa.
Las funciones de agregación disponibles
son:
Continuas (almacenamiento de Real o
Entero)
• Suma
• Media.
• Mín
• Máx
• Mediana
• Primer cuartil
• Tercer cuartil
Continuas (almacenamiento de Hora, Fecha
o Indicación de fecha y hora):
• Media.
• Mín
• Máx
Nominal/Categórico:
• Modo
• Mín
• Máx
Distintivo:
• True si es verdadero
• False si es falso

custom_storage cadena Establece el tipo de almacenamiento

general del campo. El valor predeterminado
es List. Si se ha especificado List,
los controles custom_value_storage y
list_depth siguientes están inhabilitados.

custom_value_storage cadena Establece los tipos de almacenamiento

de los elementos de la lista, en lugar
de los campos como un todo. EL valor
predeterminado es Real.

210 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 102. Propiedades de mapvisualization (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
mapvisualization
list_depth entero Establece la profundidad del campo de lista.
Su profundidad necesaria depende del tipo
de geocampo, siguiendo estos criterios:
• Punto - 0
• Serie lineal - 1
• Polígono - 2
• Multipunto - 1
• Multi serie lineal - 2
• Multipolígono - 3
Debe conocer el tipo de campo geoespacial
que está volviendo a convertir a una lista
y la profundidad necesaria para dicho tipo
de campo. Si se ha establecido de forma
incorrecta, el campo no se puede utilizar.
El valor predeterminado es 0, el valor
mínimo es 0, y el valor máximo es 10.

Propiedades de multiplotnode
El nodo G. múltiple crea un gráfico que muestra varios campos Y sobre un campo
X único. Los campos Y están representados como líneas coloreadas; cada uno
equivale a un nodo Gráfico con el estilo establecido en Línea y el Modo para X
establecido en Ordenar. Los gráficos múltiples son útiles cuando quiere explorar la
fluctuación de varias variables a través del tiempo.

Ejemplo

node = stream.create("multiplot", "My node")

# Pestaña "Gráfico"
node.setPropertyValue("x_field", "Age")
node.setPropertyValue("y_fields", ["Drug", "BP"])
node.setPropertyValue("panel_field", "Sex")
# Sección "Superponer"
node.setPropertyValue("animation_field", "")
node.setPropertyValue("tooltip", "test")
node.setPropertyValue("normalize", True)
node.setPropertyValue("use_overlay_expr", False)
node.setPropertyValue("overlay_expression", "test")
node.setPropertyValue("records_limit", 500)
node.setPropertyValue("if_over_limit", "PlotSample")

Tabla 103. propiedades de multiplotnode

Propiedad de multiplotnode Tipo de datos Descripción de la propiedad
x_field campo
y_fields lista
panel_field campo
animation_field campo

Capítulo 12. Propiedades de nodos Gráfico 211

 Tabla 103. propiedades de multiplotnode (continuación)
Propiedad de multiplotnode Tipo de datos Descripción de la propiedad
normalize marca
use_overlay_expr marca
overlay_expression string
records_limit number
if_over_limit PlotBins

PlotSample

PlotAll
x_label_auto marca
x_label string
y_label_auto marca
y_label string
use_grid marca
graph_background color Al principio de esta sección se describen los
colores de gráficos estándar.
page_background color Al principio de esta sección se describen los
colores de gráficos estándar.

Propiedades de plotnode
El nodo Gráfico muestra la relación entre los campos numéricos. Puede crear un
gráfico mediante puntos (un diagrama de dispersión) o líneas.

Ejemplo

node = stream.create("plot", "My node")

# Pestaña "Gráfico"
node.setPropertyValue("three_D", True)
node.setPropertyValue("x_field", "BP")
node.setPropertyValue("y_field", "Cholesterol")
node.setPropertyValue("z_field", "Drug")
# Sección "Superponer"
node.setPropertyValue("color_field", "Drug")
node.setPropertyValue("size_field", "Age")
node.setPropertyValue("shape_field", "")
node.setPropertyValue("panel_field", "Sex")
node.setPropertyValue("animation_field", "BP")
node.setPropertyValue("transp_field", "")
node.setPropertyValue("style", "Point")
# Pestaña "Resultados"
node.setPropertyValue("output_mode", "File")
node.setPropertyValue("output_format", "JPEG")
node.setPropertyValue("full_filename", "C:/temp/graph_output/
plot_output.jpeg")

212 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 104. propiedades de plotnode
Propiedad de plotnode Tipo de datos Descripción de la propiedad
x_field campo Especifica una etiqueta personalizada para el
eje x. Disponible solamente para etiquetas.
y_field campo Especifica una etiqueta personalizada para el
eje y. Disponible solamente para etiquetas.
three_D marca Especifica una etiqueta personalizada para
el eje y. Disponible sólo para etiquetas en
gráficos 3D.
z_field campo
color_field campo Campo de superposición.
size_field campo
shape_field campo
panel_field campo Especifica un campo de marcas o nominal
para crear un gráfico independiente para cada
categoría. Los gráficos aparecerán juntos en
una ventana de resultados.
animation_field campo Especifica un campo de marcas o nominal
para ilustrar las categorías de los valores
de datos creando una serie de gráficos
secuenciados mediante la animación.
transp_field campo Especifica un campo para ilustrar las
categorías de los valores de datos utilizando
un nivel de transparencia distinto para cada
categoría. No disponible para gráficos de
líneas.
overlay_type Ninguno Determina si se muestra una función
superpuesta o suavizado LOESS.
Smoother

Función
overlay_expression string Especifica la expresión utilizada cuando
overlay_type se establece en Function.
style Point

Line

Capítulo 12. Propiedades de nodos Gráfico 213

 Tabla 104. propiedades de plotnode (continuación)
Propiedad de plotnode Tipo de datos Descripción de la propiedad
point_type
Rectángulo
Dot
Triangle
Hexagon
Plus
Pentagon
Star
BowTie
HorizontalDash
VerticalDash
IronCross
Factory
House
Cathedral
OnionDome
ConcaveTriangle
OblateGlobe
CatEye
FourSidedPillow
RoundRectangle
Fan

x_mode Ordenar

Overlay

AsRead
x_range_mode Automatic

UserDefined
x_range_min number
x_range_max number
y_range_mode Automatic

UserDefined
y_range_min number
y_range_max number
z_range_mode Automatic

UserDefined
z_range_min number
z_range_max number
jitter marca
records_limit number
if_over_limit PlotBins

PlotSample

PlotAll

214 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 104. propiedades de plotnode (continuación)
Propiedad de plotnode Tipo de datos Descripción de la propiedad
x_label_auto marca
x_label string
y_label_auto marca
y_label string
z_label_auto marca
z_label string
use_grid marca
graph_background color Al principio de esta sección se describen los
colores de gráficos estándar.
page_background color Al principio de esta sección se describen los
colores de gráficos estándar.
use_overlay_expr marca Desaprobado en favor de overlay_type.

Propiedades de timeplotnode
El nodo Gráfico de tiempo muestra uno o más conjuntos de datos de series
temporales. Normalmente, primero se utilizaría un nodo Intervalos de tiempo para
crear un campo EtiquetaTiempo, que se utilizaría para etiquetar el eje x.

Ejemplo

node = stream.create("timeplot", "My node")

node.setPropertyValue("y_fields", ["sales", "men", "women"])
node.setPropertyValue("panel", True)
node.setPropertyValue("normalize", True)
node.setPropertyValue("line", True)
node.setPropertyValue("smoother", True)
node.setPropertyValue("use_records_limit", True)
node.setPropertyValue("records_limit", 2000)
# Appearance settings
node.setPropertyValue("symbol_size", 2.0)

Tabla 105. propiedades de timeplotnode

Propiedad de timeplotnode Tipo de datos Descripción de la propiedad
plot_series Series

Models
use_custom_x_field marca
x_field campo
y_fields lista
panel marca
normalize marca
line marca

Capítulo 12. Propiedades de nodos Gráfico 215

 Tabla 105. propiedades de timeplotnode (continuación)
Propiedad de timeplotnode Tipo de datos Descripción de la propiedad
points marca
point_type
Rectángulo
Dot
Triangle
Hexagon
Plus
Pentagon
Star
BowTie
HorizontalDash
VerticalDash
IronCross
Factory
House
Cathedral
OnionDome
ConcaveTriangle
OblateGlobe
CatEye
FourSidedPillow
RoundRectangle
Fan

suavizado marca Puede añadir suavizados al gráfico

únicamente si establece panel en True.
use_records_limit marca
records_limit entero
symbol_size number Especifica el tamaño del símbolo.
panel_layout Horizontal

Vertical

Propiedades eplotnode
El nodo Gráfico electrónico (Beta) muestra la relación entre campos numéricos. Es
similar al nodo Gráfico, pero sus opciones difieren y su salida utiliza una nueva
interfaz de gráficos específica a este nodo. Utilice el nodo de nivel beta para probar
las nuevas características de gráficos.

Tabla 106. propiedades eplotnode

Propiedades eplotnode Tipo de datos Descripción de la propiedad
x_field string Especifique el campo para mostrar en el
eje X horizontal.
y_field string Especifique el campo para mostrar en el
eje Y vertical.
color_field string Especifique el campo para utilizar para
el preformato de mapa de colores en la
salida, si se desea.
size_field string Especifique el campo para utilizar para
el preformato de mapa de tamaño en la
salida, si se desea.

216 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 106. propiedades eplotnode (continuación)
Propiedades eplotnode Tipo de datos Descripción de la propiedad
shape_field string Especifique el campo para utilizar para
el preformato de mapa de formas en la
salida, si se desea.
interested_fields string Especifique los campos que desea incluir
en la salida.
records_limit entero Especifique un número para el número
máximo de registros para trazar en la
salida. 2000 es el valor predeterminado.
if_over_limit Booleana Especifique si se va a utilizar la opción
Muestra o la opción Utilizar todos
los datos si se supera el valor de
records_limit. Muestra es el valor
predeterminado, y muestra de forma
aleatoria los datos hasta que alcanza el
valor de records_limit. Si especifica
Utilizar todos los datos para
ignorar el valor de records_limit y
traza todos los puntos de datos, tenga
en cuenta que esto podría degradar el
rendimiento de forma significativa.

Propiedades tsnenode

t-SNE (vecino estocástico con t distribuida incorporado) es una herramienta para

visualizar datos de alta dimensión. Convierte afinidades de puntos de datos a
probabilidades. Este nodo t-SNE en SPSS Modeler se implementa en Python y
requiere la biblioteca scikit-learn© Python.

Tabla 107. propiedades tsnenode

Propiedades tsnenode Tipo de datos Descripción de la propiedad
mode_type string Especifique la modalidad simple o
experto.
n_components string Dimensión del espacio incorporado (2D
o 3D). Especifique 2 o 3. El valor
predeterminado es 2.
method string Especifique barnes_hut o exact. El
valor predeterminado es barnes_hut.
init string Inicialización de la incorporación.
Especifique random o pca. El valor
predeterminado es random.
target_field string El nombre del campo objetivo. Será un
mapa de colores en el gráfico de salida.
Renombrado como target a El gráfico utilizará un color si no se
partir de la versión 18.2.1.1 especifica ningún campo objetivo.

Capítulo 12. Propiedades de nodos Gráfico 217

 Tabla 107. propiedades tsnenode (continuación)
Propiedades tsnenode Tipo de datos Descripción de la propiedad
perplexity float La perplejidad está relacionada con el
número de los vecinos más cercanos
utilizados en otros algoritmos de
aprendizaje de colector. Normalmente, los
conjuntos de datos más grandes requieren
una mayor perplejidad. Considere
seleccionar un valor entre 5 y 50. El valor
predeterminado es 30.
early_exaggeration float Controla cómo de ajustados están los
clústeres naturales del espacio original en
el espacio incorporado, y cuánto espacio
habrá entre ellos. El valor predeterminado
es 12.0.
learning_rate float El valor predeterminado es 200.
n_iter entero Número máximo de iteraciones para la
optimización. Se establece en 250, como
mínimo. El valor predeterminado es 1000.
angle float El tamaño angular del nodo distante como
se ha medido a partir de un punto.
Especifique un valor dentro del rango de
0-1. El valor predeterminado es 0,5.
enable_random_seed Booleana Establezca el valor en true para habilitar
el parámetro random_seed. El valor
predeterminado es false.
random_seed entero La semilla de aleatorización para utilizar.
El valor predeterminado es Ninguno.
n_iter_without_progress entero Máximo de iteraciones sin progreso. El
valor predeterminado es 300.
min_grad_norm string Si la norma gradiente está por debajo de
este umbral, la optimización se detendrá.
El valor predeterminado es 1.0E-7. Los
valores posibles son:
• 1.0E-1
• 1.0E-2
• 1.0E-3
• 1.0E-4
• 1.0E-5
• 1.0E-6
• 1.0E-7
• 1.0E-8

isGridSearch Booleana Se establece en true para realizar t-SNE

con varias perplejidades distintas. El valor
predeterminado es false.

218 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 107. propiedades tsnenode (continuación)
Propiedades tsnenode Tipo de datos Descripción de la propiedad
output_Rename Booleana Especifique true si desea proporcionar
un nombre personalizado, o false para
denominar la salida automáticamente. El
valor predeterminado es false.
output_to string Especifique Screen o Output. El valor
predeterminado es Screen.
full_filename cadena Especifique el nombre de archivo de
salida.
output_file_type cadena Formato de archivo de salida. Especifique
HTML u Objeto de salida. El valor
predeterminado es HTML.

Propiedades de webnode
El nodo Malla muestra la fuerza de las relaciones entre los valores de dos o más
campos simbólicos (categóricos). El gráfico utiliza líneas de varios anchos para
indicar la fuerza de la conexión. Podría utilizar un nodo Malla, por ejemplo, para
explorar las relaciones existentes entre la compra de un conjunto de elementos en
un sitio de comercio electrónico.

Ejemplo

node = stream.create("web", node "My ")

# Pestaña "Gráfico"
node.setPropertyValue("use_directed_web", True)
node.setPropertyValue("to_field", "Drug")
node.setPropertyValue("fields", ["BP", "Cholesterol", "Sex", "Drug"])
node.setPropertyValue("from_fields", ["BP", "Cholesterol", "Sex"])
node.setPropertyValue("true_flags_only", False)
node.setPropertyValue("line_values", "Absolute")
node.setPropertyValue("strong_links_heavier", True)
# pestaña "Opciones"
node.setPropertyValue("max_num_links", 300)
node.setPropertyValue("links_above", 10)
node.setPropertyValue("num_links", "ShowAll")
node.setPropertyValue("discard_links_min", True)
node.setPropertyValue("links_min_records", 5)
node.setPropertyValue("discard_links_max", True)
node.setPropertyValue("weak_below", 10)
node.setPropertyValue("strong_above", 19)
node.setPropertyValue("link_size_continuous", True)
node.setPropertyValue("web_display", "Circular")

Tabla 108. Propiedades de webnode

Propiedad de webnode Tipo de datos Descripción de la propiedad
use_directed_web marca
campos lista
to_field campo
from_fields lista
true_flags_only marca

Capítulo 12. Propiedades de nodos Gráfico 219

 Tabla 108. Propiedades de webnode (continuación)
Propiedad de webnode Tipo de datos Descripción de la propiedad
line_values Absolute

OverallPct

PctLarger

PctSmaller
strong_links_heavier marca
num_links ShowMaximum

ShowLinksAbove

ShowAll
max_num_links number
links_above number
discard_links_min marca
links_min_records number
discard_links_max marca
links_max_records number
weak_below number
strong_above number
link_size_continuous marca
web_display Circular

Network

Directed

Cuadrícula
graph_background color Al principio de esta sección se describen los
colores de gráficos estándar.
symbol_size number Especifica el tamaño del símbolo.

220 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 13. Propiedades de nodos de modelado

Propiedades comunes de nodos de modelado

Las siguientes propiedades son comunes a algunos o todos los nodos de modelado. Las excepciones se
indican en la documentación de los nodos de modelado individuales según sea adecuado.

Tabla 109. Propiedades comunes de nodos de modelado

Propiedad Valores Descripción de la propiedad
custom_fields marca Si es verdadero, le permite especificar
el objetivo, la entrada y otros campos
del nodo actual. Si es falso, se utiliza
la configuración actual de un nodo Tipo
situado en un punto anterior de la ruta.
objetivo campo Especifica un único campo objetivo o
varios campos objetivo dependiendo
o o del tipo de modelo.

targets [field1 ... fieldN]

inputs [field1 ... fieldN] Campos de entrada o predictor
utilizados por el modelo.
partición campo
use_partitioned_data marca Si se ha definido un campo de
partición, esta opción garantiza que
sólo se utilizarán los datos de la
partición de entrenamiento para la
generación del modelo.
use_split_data marca
splits [field1 ... campoN] Especifica el campo o campos para
utilizar en el modelado de divisiones.
Sólo funciona si use_split_data
está establecido como True.
use_frequency marca Los modelos específicos utilizan
campos de ponderación y frecuencia
como se indica en cada tipo de
modelo.
frequency_field campo
use_weight marca
weight_field campo
use_model_name marca
model_name string Nombre personalizado para nuevo
modelo.
 Tabla 109. Propiedades comunes de nodos de modelado (continuación)
Propiedad Valores Descripción de la propiedad
mode Simple

Expert

propiedades de anomalydetectionnode
El nodo Detección de anomalías identifica casos extraños, o valores atípicos, que
no se ajustan a patrones de datos “normales”. Con este nodo, es posible identificar
valores atípicos aunque no se ajusten a ningún patrón previamente conocido o no se
realice una búsqueda exacta.

Ejemplo

node = stream.create("anomalydetection", "My node")

node.setPropertyValue("anomaly_method", "PerRecords")
node.setPropertyValue("percent_records", 95)
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("peer_group_num_auto", True)
node.setPropertyValue("min_num_peer_groups", 3)
node.setPropertyValue("max_num_peer_groups", 10)

Tabla 110. propiedades de anomalydetectionnode

Propiedades de Valores Descripción de la propiedad
anomalydetectionnode
inputs [field1 ... campoN] Los modelos de detección
de anomalías criban registros
basándose en los campos de entrada
especificados. No utilizan un campo
objetivo. Los campos de ponderación
y frecuencia tampoco se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página
221 para obtener más información.
mode Expert

Simple
anomaly_method IndexLevel Especifica el método utilizado para
determinar el valor de corte para
PerRecords marcar los registros como anómalos.

NumRecords
index_level number Especifica el valor de corte mínimo
con el que se van a marcar
anomalías.
percent_records number Establece el umbral para marcar
registros de acuerdo al porcentaje
de registros en los datos de
entrenamiento.

222 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 110. propiedades de anomalydetectionnode (continuación)
Propiedades de Valores Descripción de la propiedad
anomalydetectionnode
num_records number Establece el umbral para marcar
registros de acuerdo al número
de registros en los datos de
entrenamiento.
num_fields entero El número de campos de los que
se va a informar por cada registro
anómalo.
impute_missing_values marca
adjustment_coeff number Valor que se usa para equilibrar la
ponderación relativa asignada a los
campos categóricos y continuos al
calcular la distancia.
peer_group_num_auto marca Calcula automáticamente el número
de grupos de homólogos.
min_num_peer_groups entero Especifica el número mínimo de
grupos de homólogos empleado
cuando peer_group_num_auto se
establece en True.
max_num_per_groups entero Especifica el número máximo de
grupos de homólogos.
num_peer_groups entero Especifica el número de
grupos de homólogos empleado
cuando peer_group_num_auto se
establece en False.
noise_level number Determina el modo en que se
tratan los valores atípicos durante el
clúster. Especifique un valor entre 0
y 0,5.
noise_ratio number Especifica la parte de memoria
asignada al componente que debe
usarse para el almacenamiento en
búfer de ruido. Especifique un valor
entre 0 y 0,5.

Propiedades de apriorinode
El nodo Apriori extrae un conjunto de reglas de los datos y destaca aquellas reglas
con un mayor contenido de información. Apriori ofrece cinco métodos diferentes
para la selección de reglas y utiliza un sofisticado esquema de indización para
procesar eficientemente grandes conjuntos de datos. En los problemas de mucho
volumen, Apriori se entrena más rápidamente, no tiene un límite arbitrario para el
número de reglas que puede retener y puede gestionar reglas que tengan hasta
32 precondiciones. Apriori requiere que todos los campos de entrada y salida sean
categóricos, pero ofrece un mejor rendimiento ya que está optimizado para este tipo
de datos.

Capítulo 13. Propiedades de nodos de modelado 223

 Ejemplo

node = stream.create("apriori", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("partition", "Test")
# Para no transaccionales
node.setPropertyValue("use_transactional_data", False)
node.setPropertyValue("consequents", ["Age"])
node.setPropertyValue("antecedents", ["BP", "Cholesterol", "Drug"])
# Para transaccionales
node.setPropertyValue("use_transactional_data", True)
node.setPropertyValue("id_field", "Age")
node.setPropertyValue("contiguous", True)
node.setPropertyValue("content_field", "Drug")
# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "Apriori_bp_choles_drug")
node.setPropertyValue("min_supp", 7.0)
node.setPropertyValue("min_conf", 30.0)
node.setPropertyValue("max_antecedents", 7)
node.setPropertyValue("true_flags", False)
node.setPropertyValue("optimize", "Memory")
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("evaluation", "ConfidenceRatio")
node.setPropertyValue("lower_bound", 7)

Tabla 111. Propiedades de apriorinode

Propiedades de Valores Descripción de la propiedad
apriorinode
consequents campo Los modelos Apriori utilizan Consecuentes
y Antecedentes en lugar de los campos
estándar objetivo y de entrada. Los
campos de ponderación y frecuencia no
se usan. Consulte “Propiedades comunes
de nodos de modelado” en la página 221
para obtener más información.
antecedents [field1 ... fieldN]
min_supp number
min_conf number
max_antecedents number
true_flags marca
optimize Speed

Memory
use_transactional_data marca Cuando el valor es true, la puntuación
para cada ID de transacción es
independiente de otros ID de transacción.
Cuando los datos que se van a puntuar
son demasiado grandes para obtener un
rendimiento aceptable, se recomienda
separar los datos.
contiguous marca

224 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 111. Propiedades de apriorinode (continuación)
Propiedades de Valores Descripción de la propiedad
apriorinode
id_field string
content_field string
mode Simple

Expert
evaluación RuleConfidence

DifferenceToPrior

ConfidenceRatio

InformationDifferenc
e

NormalizedChiSquare
lower_bound number
optimize Speed Se utiliza para especificar si la generación
del modelo se debe optimizar para la
Memory velocidad o la memoria.

propiedades associationrulesnode
El nodo Reglas de asociación es parecido al nodo Apriori; sin embargo, a diferencia
de Apriori, el nodo Reglas de asociación puede procesar datos de lista. Además,
el nodo Reglas de asociación se puede utilizar con IBM SPSS Analytic Server para
procesar big data y aprovechar el procesamiento paralelo.

Tabla 112. propiedades associationrulesnode

Propiedades Tipo de datos Descripción de la propiedad
associationrulesnode
predicciones campo Los campos en esta lista sólo pueden
aparecer como un predictor de una regla
condiciones [field1...fieldN] Los campos en esta lista sólo pueden
aparecer como una condición de una regla
max_rule_conditions entero El número máximo de condiciones que
pueden incluirse en una sola regla. Mínimo
1, máximo 9.
max_rule_predictions entero El número máximo de predicciones que
pueden incluirse en una sola regla. Mínimo
1, máximo 5.
max_num_rules entero El número máximo de reglas que pueden
considerarse como parte de la generación
de regla. Mínimo 1, máximo 10.000.

Capítulo 13. Propiedades de nodos de modelado 225

 Tabla 112. propiedades associationrulesnode (continuación)
Propiedades Tipo de datos Descripción de la propiedad
associationrulesnode
rule_criterion_top_n Confianza El criterio de reglas que determina el
valor por el cual se eligen las reglas "N"
Rulesupport superiores en el modelo.

Lift

Conditionsupport

Capacidad de
despliegue
true_flags Booleana Establecer en Y determina que sólo se
considerarán los valores verdaderos para
campos de distintivo durante la generación
de la regla.
rule_criterion Booleana Establecer en Y determina que los valores
del criterio de regla se utilizan para excluir
reglas durante la generación de modelos.
min_confidence number 0,1 a 100 - el valor de porcentaje para el
nivel de confianza mínimo necesario para
una regla producida por el modelo. Si el
modelo genera una regla con un nivel de
confianza inferior al valor especificado aquí,
la regla se descarta.
min_rule_support number 0,1 a 100 - el valor de porcentaje para el
soporte de regla mínimo necesario para una
regla producida por el modelo. Si el modelo
genera una regla con un nivel de soporte de
regla inferior al valor especificado, la regla
se descarta.
min_condition_support number 0,1 a 100 - el valor de porcentaje para
el soporte de condición mínima necesaria
para una regla producida por el modelo. Si
el modelo genera una regla con un nivel
de soporte de condición inferior al valor
especificado, la regla se descarta.
min_lift entero 1 a 10 – representa la elevación mínima
necesaria para una regla producida por el
modelo. Si el modelo genera una regla
con un nivel de elevación inferior al valor
especificado, la regla se descarta.

226 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 112. propiedades associationrulesnode (continuación)
Propiedades Tipo de datos Descripción de la propiedad
associationrulesnode
exclude_rules Booleana Se utiliza para seleccionar una lista de
campos relacionados a partir de los cuales
no desea que el modelo cree reglas.

Ejemplo: set :gsarsnode.exclude_rules =

[[[field1,field2, field3]],[[field4, field5]]] -
donde cada lista de campos separados por
[] es una fila en la tabla.
num_bins entero Establezca el número de intervalos
automáticos en los que se agrupan los
campos continuos. Mínimo 2, máximo 10.
max_list_length entero Se aplica a cualquier campo de lista del
que no se conoce la longitud máxima.
Los elementos de la lista hasta el
número especificado aquí se incluyen en
la generación de modelos; los elementos
adicionales se descartan. Mínimo 1, máximo
100.
output_confidence Booleana
output_rule_support Booleana
output_lift Booleana
output_condition_suppo Booleana
rt
output_deployability Booleana
rules_to_display upto El número máximo de reglas a visualizar en
las tablas de salida.
all
display_upto entero Si upto se establece en
rules_to_display, establezca el número
de reglas a visualizar en las tablas de salida.
El mínimo es 1.
field_transformations Booleana
records_summary Booleana
rule_statistics Booleana
most_frequent_values Booleana
most_frequent_fields Booleana
word_cloud Booleana

Capítulo 13. Propiedades de nodos de modelado 227

 Tabla 112. propiedades associationrulesnode (continuación)
Propiedades Tipo de datos Descripción de la propiedad
associationrulesnode
word_cloud_sort Confianza

Rulesupport

Lift

Conditionsupport

Capacidad de
despliegue
word_cloud_display entero Mínimo 1, máximo 20.
max_predictions entero El número máximo de reglas que se pueden
aplicar a cada entrada de la puntuación.
criterio Confianza Seleccione la medida utilizada para
determinar la fuerza de las reglas.
Rulesupport

Lift

Conditionsupport

Capacidad de
despliegue
allow_repeats Booleana Determine si las reglas con la misma
predicción se incluyen en la puntuación.
check_input NoPredictions

Predictions

NoCheck

propiedades de autoclassifiernode
El nodo Clasificador automático crea y compara varios modelos diferentes para
obtener resultados binarios (sí o no, abandono o no de clientes, etc.), lo que
le permite seleccionar el mejor enfoque para un análisis determinado. Son
compatibles varios algoritmos de modelado, por lo que es posible seleccionar los
métodos que desee utilizar, las opciones específicas para cada uno y los criterios
para comparar los resultados. El nodo genera un conjunto de modelos basado en las
opciones especificadas y clasifica los mejores candidatos en función de los criterios
que especifique.

Ejemplo

node = stream.create("autoclassifier", "My node")

node.setPropertyValue("ranking_measure", "Accuracy")

228 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

node.setPropertyValue("ranking_dataset", "Training")
node.setPropertyValue("enable_accuracy_limit", True)
node.setPropertyValue("accuracy_limit", 0.9)
node.setPropertyValue("calculate_variable_importance", True)
node.setPropertyValue("use_costs", True)
node.setPropertyValue("svm", False)

Tabla 113. propiedades de autoclassifiernode

Propiedades de autoclassifiernode Valores Descripción de la propiedad
objetivo campo En objetivos de marca, el nodo
Clasificador binario requiere un
único campo objetivo y uno o
más campos de entrada. También
se puede especificar campos
de ponderación y frecuencia.
Consulte “Propiedades comunes
de nodos de modelado” en la
página 221 para obtener más
información.
ranking_measure Accuracy

Area_under_curve

Profit

Lift

Num_variables
ranking_dataset Entrenamiento

Test
number_of_models entero Número de modelos que se
incluirán en el nugget de modelo.
Especifique un entero entre 1 y
100.
calculate_variable_importance marca
enable_accuracy_limit marca
accuracy_limit entero Entero entre 0 y 100.
enable_ area_under_curve marca
_limit
area_under_curve_limit number Número real entre 0,0 y 1,0.
enable_profit_limit marca
profit_limit number Entero mayor que 0.
enable_lift_limit marca
lift_limit number Número real mayor que 1,0.
enable_number_of_variables_lim marca
it

Capítulo 13. Propiedades de nodos de modelado 229

 Tabla 113. propiedades de autoclassifiernode (continuación)
Propiedades de autoclassifiernode Valores Descripción de la propiedad
number_of_variables_limit number Entero mayor que 0.
use_fixed_cost marca
fixed_cost number Número real mayor que 0.0.
variable_cost campo
use_fixed_revenue marca
fixed_revenue number Número real mayor que 0.0.
variable_revenue campo
use_fixed_weight marca
fixed_weight number Número real mayor que 0,0
variable_weight campo
lift_percentile number Entero entre 0 y 100.
enable_model_build_time_limit marca
model_build_time_limit number Entero que indica el número
máximo de minutos que se puede
tardar en generar cada uno de los
modelos.
enable_stop_after_time_limit marca
stop_after_time_limit number Número real que indica el
número máximo de horas que
puede tardar una ejecución del
clasificador automático.
enable_stop_after_valid_model_ marca
produced
use_costs marca
<algorithm> marca Activa o desactiva el uso de un
determinado algoritmo.
<algorithm>.<property> string Define un valor de propiedad para
un algoritmo específico. Consulte
el tema “Propiedades de ajustes
de algoritmo” en la página 230
para obtener más información.

Propiedades de ajustes de algoritmo

En el caso de los nodos Clasificador automático, Autonumérico y Agrupación en clústeres automática,
las propiedades de determinados algoritmos utilizados por el nodo se pueden establecer utilizando el
formato general:

autonode.setKeyedPropertyValue(<algoritmo>, <propiedad>, <valor>)

Por ejemplo:

node.setKeyedPropertyValue("neuralnetwork", "method", "MultilayerPerceptron")

230 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Los nombres de algoritmos del nodo Clasificador automático son cart, chaid, quest, c50, logreg,
decisionlist, bayesnet, discriminant, svm y knn.
Los nombres de algoritmos del nodo Autonumérico son cart, chaid, neuralnetwork, genlin, svm,
regression, linear y knn.
Los nombres de algoritmos del nodo Autoclúster son twostep, k-means y kohonen.
Los nombres de las propiedades son los nombres estándar, según se han documentado para cada nodo
de algoritmo.
Las propiedades de algoritmos que contienen puntos u otros signos de puntuación deben encerrarse
entre comillas simples. Por ejemplo:

node.setKeyedPropertyValue("logreg", "tolerance", "1.0E-5")

También es posible asignar varios valores a una propiedad. Por ejemplo:

node.setKeyedPropertyValue("decisionlist", "search_direction", ["Up",

"Down"])

Para activar o desactivar el uso de un determinado algoritmo:

node.setPropertyValue("chaid", True)

Nota: En los casos en los que determinadas opciones de algoritmos no están disponibles en el nodo
Clasificador automático o cuando sólo se puede especificar un único valor, en lugar de un intervalo de
valores, se aplican los mismos límites que tienen los scripts cuando se accede al nodo de la manera
estándar.

propiedades de nodo de agrupación en clústeres automática

El nodo Agrupación en clústeres automática calcula y compara los modelos de
agrupación en clústeres que identifican grupos de registros con características
similares. El nodo funciona de la misma manera que otros nodos de modelado
automático, permitiéndole experimentar con múltiples combinaciones de opciones
en una única pasada de modelado. Los modelos se pueden comparar utilizando
medidas básicas con las que se intenta filtrar y definir la utilidad de los modelos de
clúster y proporcionar una medida según la importancia de campos concretos.

Ejemplo

node = stream.create("autocluster", "My node")

node.setPropertyValue("ranking_measure", "Silhouette")
node.setPropertyValue("ranking_dataset", "Training")
node.setPropertyValue("enable_silhouette_limit", True)
node.setPropertyValue("silhouette_limit", 5)

Capítulo 13. Propiedades de nodos de modelado 231

 Tabla 114. propiedades de nodo de agrupación en clústeres automática
Propiedades de Valores Descripción de la propiedad
autoclusternode
evaluación campo Nota: Solo nodo Agrupación en
clústeres automática. Identifica el
campo cuyo valor de importancia se
calculará. Como alternativa, se puede
utilizar para identificar la calidad con
la que el clúster diferencia el valor de
este campo y, por lo tanto; la calidad
con la que el modelo predecirá este
campo.

ranking_measure Silhouette

Num_clusters

Size_smallest_cluster

Size_largest_cluster

Smallest_to_largest

Importance
ranking_dataset Entrenamiento

Test
summary_limit entero Número de modelos que se incluirán
en el informe. Especifique un entero
entre 1 y 100.
enable_silhouette_limit marca
silhouette_limit entero Entero entre 0 y 100.
enable_number_less_limit marca
number_less_limit number Número real entre 0,0 y 1,0.
enable_number_greater_li marca
mit
number_greater_limit number Entero mayor que 0.
enable_smallest_cluster_ marca
limit
smallest_cluster_units Percentage

Counts
smallest_cluster_limit_p number
ercentage
smallest_cluster_limit_c entero Entero mayor que 0.
ount

232 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 114. propiedades de nodo de agrupación en clústeres automática (continuación)
Propiedades de Valores Descripción de la propiedad
autoclusternode
enable_largest_cluster_l marca
imit
largest_cluster_units Percentage

Counts
largest_cluster_limit_pe number
rcentage
largest_cluster_limit_co entero
unt
enable_smallest_largest_ marca
limit
smallest_largest_limit number
enable_importance_limit marca
importance_limit_conditi Greater_than
on
Less_than
importance_limit_greater number Entero entre 0 y 100.
_than
importance_limit_less_th number Entero entre 0 y 100.
an
<algorithm> marca Activa o desactiva el uso de un
determinado algoritmo.
<algorithm>.<property> string Define un valor de propiedad para un
algoritmo específico. Consulte el tema
“Propiedades de ajustes de algoritmo”
en la página 230 para obtener más
información.

propiedades de autonumericnode
El nodo Autonumérico calcula y compara modelos para resultados de rango
numérico continuo utilizando cierto número de métodos diferentes. El nodo
funciona de la misma manera que el nodo Clasificador automático, lo que le
permite seleccionar los algoritmos que desee utilizar y experimentar con varias
combinaciones de opciones en una única pasada de modelado. Los algoritmos
admitidos incluyen redes neuronales, C&RT, CHAID, regresión lineal, regresión lineal
generalizada y máquinas de vectores de soporte (SVM). Los modelos se pueden
comparar basándose en la correlación, el error relativo o el número de variables
utilizado.

Ejemplo

node = stream.create("autonumeric", "My node")

node.setPropertyValue("ranking_measure", "Correlation")
node.setPropertyValue("ranking_dataset", "Training")
node.setPropertyValue("enable_correlation_limit", True)

Capítulo 13. Propiedades de nodos de modelado 233

 node.setPropertyValue("correlation_limit", 0.8)
node.setPropertyValue("calculate_variable_importance", True)
node.setPropertyValue("neuralnetwork", True)
node.setPropertyValue("chaid", False)

Tabla 115. propiedades de autonumericnode

Propiedades de Valores Descripción de la propiedad
autonumericnode
custom_fields marca Si es verdadero, se utilizará
la configuración de campos
personalizada en lugar de la
configuración del nodo Tipo.
objetivo campo El nodo Autonumérico requiere un
único campo objetivo y uno o más
campos de entrada. También se puede
especificar campos de ponderación
y frecuencia. Consulte “Propiedades
comunes de nodos de modelado”
en la página 221 para obtener más
información.
inputs [field1 … field2]
partición campo
use_frequency marca
frequency_field campo
use_weight marca
weight_field campo
use_partitioned_data marca Si se ha definido un campo de
partición, sólo se utilizarán los datos
de entrenamiento para la generación
del modelo.
ranking_measure Correlation

NumberOfFields
ranking_dataset Test

Entrenamiento
number_of_models entero Número de modelos que se incluirán
en el nugget de modelo. Especifique
un entero entre 1 y 100.
calculate_variable_impor marca
tance
enable_correlation_limit marca
correlation_limit entero
enable_number_of_fields_ marca
limit
number_of_fields_limit entero

234 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 115. propiedades de autonumericnode (continuación)
Propiedades de Valores Descripción de la propiedad
autonumericnode
enable_relative_error_li marca
mit
relative_error_limit entero
enable_model_build_time_ marca
limit
model_build_time_limit entero
enable_stop_after_time_l marca
imit
stop_after_time_limit entero
stop_if_valid_model marca
<algorithm> marca Activa o desactiva el uso de un
determinado algoritmo.
<algorithm>.<property> string Define un valor de propiedad para un
algoritmo específico. Consulte el tema
“Propiedades de ajustes de algoritmo”
en la página 230 para obtener más
información.

Propiedades de bayesnetnode
El nodo Red bayesiana le permite crear un modelo de probabilidad combinando
pruebas observadas y registradas con conocimiento del mundo real para establecer
la probabilidad de instancias. El nodo se centra en las redes Naïve Bayes aumentado
a árbol (TAN) y de manto de Markov que se utilizan principalmente para la
clasificación.

Ejemplo

node = stream.create("bayesnet", "My node")

node.setPropertyValue("continue_training_existing_model", True)
node.setPropertyValue("structure_type", "MarkovBlanket")
node.setPropertyValue("use_feature_selection", True)
# pestaña Experto
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("independence", "Pearson")

Tabla 116. Propiedades de bayesnetnode

Propiedades de bayesnetnode Valores Descripción de la propiedad
inputs [field1 ... campoN] Los modelos de red bayesiana
utilizan un único campo objetivo
y uno o más campos de entrada.
Los campos continuos se establecen
en intervalos automáticamente.
Consulte “Propiedades comunes de
nodos de modelado” en la página
221 para obtener más información.

Capítulo 13. Propiedades de nodos de modelado 235

 Tabla 116. Propiedades de bayesnetnode (continuación)
Propiedades de bayesnetnode Valores Descripción de la propiedad
continue_training_existing_ marca
model
structure_type TAN Seleccione la estructura que desea
utilizar cuando cree la red bayesiana.
MarkovBlanket
use_feature_selection marca
parameter_learning_method Likelihood Especifica el método utilizado para
calcular las tablas de probabilidad
Bayes condicional entre nodos donde
se conocen los valores de los
elementos padre.
mode Expert

Simple
missing_values marca
all_probabilities marca
independence Likelihood Especifica el método utilizado para
determinar si las observaciones
Pearson relacionadas de dos variables son
independientes entre sí.
significance_level number Especifica el valor de corte para
determinar la independencia.
maximal_conditioning_set number Establece el número máximo de
variables de condición que se
utilizarán para la comprobación de la
independencia.
inputs_always_selected [field1 ... campoN] Especifica qué campos del conjunto
de datos se deben utilizar siempre al
generar la red bayesiana.

Nota: el campo objetivo siempre

está seleccionado.

maximum_number_inputs number Especifica el número máximo de

campos de entrada que se deben
utilizar al generar la red bayesiana.
calculate_variable_importan marca
ce
calculate_raw_propensities marca
calculate_adjusted_propensi marca
ties
adjusted_propensity_partiti Test
on
Validation

236 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

propiedades de buildr
El nodo Crear R le permite especificar script R
personalizado para realizar la creación de modelos
y la puntuación de modelos desplegados en IBM
SPSS Modeler.

Ejemplo

node = stream.create("buildr", "My node")

node.setPropertyValue("score_syntax", """
result<-predict(modelerModel,newdata=modelerData)
modelerData<-cbind(modelerData,result)
var1<-
c(fieldName="NaPrediction",fieldLabel="",fieldStorage="real",fieldMeasure="",
fieldFormat="",fieldRole="")
modelerDataModel<-data.frame(modelerDataModel,var1)""")

Tabla 117. propiedades de buildr

Propiedades de buildr Valores Descripción de la propiedad
build_syntax cadena Sintaxis de scripts R para la creación
del modelo.
score_syntax cadena Sintaxis de scripts R para la puntuación
del modelo.
convert_flags Opción para convertir campos de
StringsAndDoubles
LogicalValues distintivos.

convert_datetime marca Opción para convertir las variables con

los formatos de fecha o de fecha y hora
para formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a qué
POSIXct
formato se convierten las variables con
POSIXlt
los formatos de fecha o de fecha y
hora.
convert_missing tag Opción para convertir los valores que
faltan al valor R NA.
output_html tag Opción para visualizar gráficos en una
pestaña en el nugget de modelo R.
output_text marca Opción para escribir salida de texto
de la consola R en una pestaña del
modelo R.

propiedades de c50node
El nodo C5.0 genera un árbol de decisión o un conjunto de reglas. El modelo divide
la muestra basándose en el campo que ofrece la máxima ganancia de información
en cada nivel. El campo objetivo debe ser categórico. Se permiten varias divisiones
en más de dos subgrupos.

Capítulo 13. Propiedades de nodos de modelado 237

 Ejemplo

node = stream.create("c50", "My node")

# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "C5_Drug")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("output_type", "DecisionTree")
node.setPropertyValue("use_xval", True)
node.setPropertyValue("xval_num_folds", 3)
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("favor", "Generality")
node.setPropertyValue("min_child_records", 3)
# pestaña "Costes"
node.setPropertyValue("use_costs", True)
node.setPropertyValue("costs", [["drugA", "drugX", 2]])

Tabla 118. propiedades de c50node

Propiedad de c50node Valores Descripción de la propiedad
objetivo campo Los modelos C50 utilizan un único
campo objetivo y uno o más campos de
entrada. También se puede especificar
un campo de ponderación. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
output_type DecisionTree

RuleSet
group_symbolics marca
use_boost marca
boost_num_trials number
use_xval marca
xval_num_folds number
mode Simple

Expert
favor Accuracy Generalización o precisión de favor.

Generality
expected_noise number
min_child_records number
pruning_severity number
use_costs marca
costes estructurado This is a structured property.
use_winnowing marca
use_global_pruning marca Activado (True) de forma
predeterminada.

238 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 118. propiedades de c50node (continuación)
Propiedad de c50node Valores Descripción de la propiedad
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

propiedades de carmanode
El modelo CARMA extrae un conjunto de reglas de los datos sin necesidad de
especificar campos de entrada ni de objetivo. A diferencia de Apriori el nodo CARMA
ofrece configuraciones de generación basadas en el soporte de las reglas (soporte
tanto para el antecedente como el consecuente) en lugar de hacerlo sólo respecto al
soporte del antecedente. Esto significa que las reglas generadas se pueden utilizar
en una gama de aplicaciones más amplia, por ejemplo, para buscar una lista de
productos o servicios (antecedentes) cuyo consecuente es el elemento que se
desea promocionar durante esta temporada de vacaciones.

Ejemplo

node = stream.create("carma", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("use_transactional_data", True)
node.setPropertyValue("inputs", ["BP", "Cholesterol", "Drug"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "age_bp_drug")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("min_supp", 10.0)
node.setPropertyValue("min_conf", 30.0)
node.setPropertyValue("max_size", 5)
# Opciones de experto
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("use_pruning", True)
node.setPropertyValue("pruning_value", 300)
node.setPropertyValue("vary_support", True)
node.setPropertyValue("estimated_transactions", 30)
node.setPropertyValue("rules_without_antecedents", True)

Capítulo 13. Propiedades de nodos de modelado 239

 Tabla 119. propiedades de carmanode
Propiedades de carmanode Valores Descripción de la propiedad
inputs [field1 ... fieldn] Los modelos CARMA utilizan una
lista de campos de entrada, pero no
de campos objetivo. Los campos de
ponderación y frecuencia no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
id_field campo Campo utilizado como el campo de ID
para la generación del modelo.
contiguous marca Se utiliza para especificar si los ID del
campo de ID son contiguos.
use_transactional_data marca
content_field campo
min_supp number(percent) Está relacionado con el soporte de
regla en lugar de con el soporte de
antecedentes. El valor por omisión es
20%.
min_conf number(percent) El valor por omisión es 20%.
max_size number El valor por omisión es 10.
mode Simple El valor predeterminado es Simple.

Expert
exclude_multiple marca Excluye las reglas con varios
consecuentes. El valor predeterminado
es False.
use_pruning marca El valor predeterminado es False.
pruning_value number El valor predeterminado es 500.
vary_support marca
estimated_transactions entero
rules_without_antecedent marca
s

propiedades de cartnode
El nodo de árbol de clasificación y regresión (C&R) genera un árbol de decisión que
permite predecir o clasificar observaciones futuras. El método utiliza la partición
reiterada para dividir los registros de entrenamiento en segmentos minimizando las
impurezas en cada paso, donde un nodo se considera “puro” si el 100% de los
casos del nodo corresponden a una categoría específica del campo objetivo. Los
campos de entrada y objetivo pueden ser continuos (rango numérico) o categóricos
(nominal, ordinal o marca). Todas las divisiones son binarias (sólo se crean dos
subgrupos).

240 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Ejemplo

node = stream.createAt("cart", "My node", 200, 100)

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "BP", "Cholesterol"])
# "Build Options" tab, "Objective" panel
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("tree_directives", """Grow Node Index 0 Children 1 2
Grow Node Index 2 Children 3 4""")
# "Build Options" tab, "Basics" panel
node.setPropertyValue("prune_tree", False)
node.setPropertyValue("use_std_err_rule", True)
node.setPropertyValue("std_err_multiplier", 3.0)
node.setPropertyValue("max_surrogates", 7)
# "Build Options" tab, "Stopping Rules" panel
node.setPropertyValue("use_percentage", True)
node.setPropertyValue("min_parent_records_pc", 5)
node.setPropertyValue("min_child_records_pc", 3)
# "Build Options" tab, "Advanced" panel
node.setPropertyValue("min_impurity", 0.0003)
node.setPropertyValue("impurity_measure", "Twoing")
# Pestaña "Opciones de modelo"
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Cart_Drug")

Tabla 120. propiedades de cartnode

Propiedades de cartnode Valores Descripción de la propiedad
objetivo campo Los modelos de árbol C&R requieren
un único campo objetivo y uno o más
campos de entrada. También se puede
especificar un campo de frecuencia.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
continue_training_existi marca
ng_model
objective Standard psm se utiliza para conjuntos de datos
de grandes dimensiones y requiere una
Aumento conexión al Servidor.

Agregación
autodocimante

psm
model_output_type Single

InteractiveBuilder
use_tree_directives marca

Capítulo 13. Propiedades de nodos de modelado 241

 Tabla 120. propiedades de cartnode (continuación)
Propiedades de cartnode Valores Descripción de la propiedad
tree_directives string Especifique directivas para desarrollar
el árbol. Las directivas se pueden
escribir entre comillas triples para
evitar comillas o saltos de línea
no deseados. Recuerde que las
directivas pueden ser muy sensibles
a las pequeñas modificaciones de las
opciones de modelado o los datos y es
posible que no se puedan generalizar
para otros conjuntos de datos.

use_max_depth Predeterminado

Custom
max_depth entero Máxima profundidad del árbol, desde
0 a 1000. Sólo se utiliza si
use_max_depth = Custom.
prune_tree marca Poda del árbol para evitar
sobreajustes.
use_std_err marca Use la diferencia máxima en riesgos
(en errores estándar).
std_err_multiplier number Diferencia máxima.
max_surrogates number Número máximo de sustitutos.
use_percentage marca
min_parent_records_pc number
min_child_records_pc number
min_parent_records_abs number
min_child_records_abs number
use_costs marca
costes estructurado Propiedad estructurada.
priors Datos

Equal

Custom
custom_priors estructurado Propiedad estructurada.
adjust_priors marca
trails number Número de modelos de componente
para un aumento o agregación
autodocimante.

242 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 120. propiedades de cartnode (continuación)
Propiedades de cartnode Valores Descripción de la propiedad
set_ensemble_method Voting Regla de combinación predeterminada
para objetivos categóricos.
HighestProbability

HighestMeanProbabilit
y
range_ensemble_method Media Regla de combinación predeterminada
para objetivos continuos.
Mediana
large_boost marca Aplicar aumento a conjunto de datos
muy grandes.
min_impurity number
impurity_measure Gini

Twoing

Ordered
train_pct number Conjunto de prevención sobreajustado.
set_random_seed marca Opción replicar resultados.
seed number
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

propiedades de chaidnode
El nodo CHAID genera árboles de decisión utilizando estadísticos de chi-cuadrado
para identificar las divisiones óptimas. A diferencia de los nodos C&RT y Árbol
y QUEST, CHAID puede generar árboles no binarios, lo que significa que algunas
divisiones generarán más de dos ramas. Los campos de entrada y objetivo
pueden ser continuos (rango numérico) o categóricos. CHAID exhaustivo es una
modificación de CHAID que examina con mayor precisión todas las divisiones
posibles, aunque necesita más tiempo para realizar los cálculos.

Ejemplo

filenode = stream.createAt("variablefile", "My node", 100, 100)

filenode.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
node = stream.createAt("chaid", "My node", 200, 100)

Capítulo 13. Propiedades de nodos de modelado 243

 stream.link(filenode, node)

node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "CHAID")
node.setPropertyValue("method", "Chaid")
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("tree_directives", "Test")
node.setPropertyValue("split_alpha", 0.03)
node.setPropertyValue("merge_alpha", 0.04)
node.setPropertyValue("chi_square", "Pearson")
node.setPropertyValue("use_percentage", False)
node.setPropertyValue("min_parent_records_abs", 40)
node.setPropertyValue("min_child_records_abs", 30)
node.setPropertyValue("epsilon", 0.003)
node.setPropertyValue("max_iterations", 75)
node.setPropertyValue("split_merged_categories", True)
node.setPropertyValue("bonferroni_adjustment", True)

Tabla 121. propiedades de chaidnode

Propiedad de chaidnode Valores Descripción de la propiedad
objetivo campo Los modelos CHAID requieren un único
campo objetivo y uno o más campos de
entrada. También se puede especificar
un campo de frecuencia. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
continue_training_existi marca
ng_model
objective Standard psm se utiliza para conjuntos de datos
de grandes dimensiones y requiere una
Aumento conexión al Servidor.

Agregación
autodocimante

psm
model_output_type Single

InteractiveBuilder
use_tree_directives marca
tree_directives string
method Chaid

ExhaustiveChaid
use_max_depth Predeterminado

Custom

244 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 121. propiedades de chaidnode (continuación)
Propiedad de chaidnode Valores Descripción de la propiedad
max_depth entero Máxima profundidad del árbol, desde
0 a 1000. Sólo se utiliza si
use_max_depth = Custom.
use_percentage marca
min_parent_records_pc number
min_child_records_pc number
min_parent_records_abs number
min_child_records_abs number
use_costs marca
costes estructurado Propiedad estructurada.
trails number Número de modelos de componente
para un aumento o agregación
autodocimante.
set_ensemble_method Voting Regla de combinación predeterminada
para objetivos categóricos.
HighestProbability

HighestMeanProbabilit
y
range_ensemble_method Media Regla de combinación predeterminada
para objetivos continuos.
Mediana
large_boost marca Aplicar aumento a conjunto de datos
muy grandes.
split_alpha number Nivel de significancia para división.
merge_alpha number Nivel de significancia para fusión.
bonferroni_adjustment marca Los valores de significancia de ajuste
utilizando el método de Bonferroni.
split_merged_categories marca Permitir segunda división de categorías
fusionadas.
chi_square Pearson Método usado para calcular la
estadística de chi cuadrado: Pearson o
LR Razón de verosimilitud

epsilon number Cambio mínimo en frecuencias de

casillas esperadas.
max_iterations number Número máximo de iteraciones para la
convergencia.
set_random_seed entero
seed number

Capítulo 13. Propiedades de nodos de modelado 245

 Tabla 121. propiedades de chaidnode (continuación)
Propiedad de chaidnode Valores Descripción de la propiedad
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation
maximum_number_of_models entero

propiedades de coxregnode
El nodo Regresión de Cox le permite crear un modelo de supervivencia para datos
de tiempo hasta el evento en presencia de registros censurados. El modelo produce
una función de supervivencia que predice la probabilidad de que el evento de
interés se haya producido en el momento dado (t) para valores determinados de
las variables de entrada.

Ejemplo

node = stream.create("coxreg", "My node")

node.setPropertyValue("survival_time", "tenure")
node.setPropertyValue("method", "BackwardsStepwise")
# pestaña Experto
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("removal_criterion", "Conditional")
node.setPropertyValue("survival", True)

Tabla 122. propiedades de coxregnode

Propiedades de coxregnode Valores Descripción de la propiedad
survival_time campo Los modelos de regresión de Cox
requieren un único campo con los
tiempos de supervivencia.
objetivo campo Los modelos de regresión de Cox
requieren un único campo objetivo
y uno o más campos de entrada.
Consulte “Propiedades comunes de
nodos de modelado” en la página
221 para obtener más información.
method Intro

Stepwise

BackwardsStepwise
grupos campo

246 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 122. propiedades de coxregnode (continuación)
Propiedades de coxregnode Valores Descripción de la propiedad
model_type MainEffects

Custom
custom_terms ["BP*Sexo" "BP*Edad"]
mode Expert

Simple
max_iterations number
p_converge 1.0E-4

1.0E-5

1.0E-6

1.0E-7

1.0E-8

0
p_converge 1.0E-4

1.0E-5

1.0E-6

1.0E-7

1.0E-8

0
l_converge 1.0E-1

1.0E-2

1.0E-3

1.0E-4

1.0E-5

Capítulo 13. Propiedades de nodos de modelado 247

 Tabla 122. propiedades de coxregnode (continuación)
Propiedades de coxregnode Valores Descripción de la propiedad
removal_criterion LR

Wald

Conditional
probability_entry number
probability_removal number
output_display EachStep

LastStep
ci_enable marca
ci_value 90

95

99
correlación marca
display_baseline marca
survival marca
hazard marca
log_minus_log marca
one_minus_survival marca
separate_line campo
value número o cadena Si no se especifica ningún valor para
un campo, se utilizará la opción
predeterminada "Mean" para dicho
campo.

Propiedades de decisionlistnode
El nodo Lista de decisiones identifica subgrupos, o segmentos, que muestran
una mayor o menor posibilidad de proporcionar un resultado binario relacionado
con la población global. Por ejemplo, puede buscar clientes que tengan menos
posibilidades de abandonar o más posibilidades de responder favorablemente a una
campaña. Puede incorporar su conocimiento empresarial al modelo añadiendo sus
propios segmentos personalizados y previsualizando modelos alternativos uno junto
a otro para comparar los resultados. Los modelos de listas de decisiones constan
de una lista de reglas en las que cada regla tiene una condición y un resultado. Las
reglas se aplican en orden, y la primera regla que coincide determina el resultado.

Ejemplo

node = stream.create("decisionlist", "My node")

node.setPropertyValue("search_direction", "Down")

248 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

node.setPropertyValue("target_value", 1)
node.setPropertyValue("max_rules", 4)
node.setPropertyValue("min_group_size_pct", 15)

Tabla 123. Propiedades de decisionlistnode

Propiedades de Valores Descripción de la propiedad
decisionlistnode
objetivo campo Los modelos de listas de decisiones
utilizan un único campo objetivo y uno
o más campos de entrada. También
se puede especificar un campo de
frecuencia. Consulte “Propiedades
comunes de nodos de modelado”
en la página 221 para obtener más
información.
model_output_type Modelo

InteractiveBuilder
search_direction Up Hace referencia a la localización
de segmentos, donde Up es el
Down equivalente a Alta probabilidad y Down
es el equivalente a Baja probabilidad.
target_value string Si no se especifica, se supondrá el
valor true para las marcas.
max_rules entero Número máximo de segmentos sin
incluir el resto.
min_group_size entero Tamaño mínimo del segmento.
min_group_size_pct number Tamaño mínimo del segmento como
porcentaje.
confidence_level number Umbral mínimo que un campo
de entrada tiene que mejorar
la probabilidad de la respuesta
(aumentar la elevación) para que
merezca la pena añadirlo a la
definición de un segmento.
max_segments_per_rule entero
mode Simple

Expert
bin_method EqualWidth

EqualCount
bin_count number
max_models_per_cycle entero Amplitud de búsqueda de las listas.
max_rules_per_cycle entero Amplitud de búsqueda de las reglas de
segmentación.
segment_growth number

Capítulo 13. Propiedades de nodos de modelado 249

 Tabla 123. Propiedades de decisionlistnode (continuación)
Propiedades de Valores Descripción de la propiedad
decisionlistnode
include_missing marca
final_results_only marca
reuse_fields marca Permite la reutilización de los atributos
(los campos de entrada que aparecen
en las reglas).
max_alternatives entero
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

propiedades de discriminantnode
El análisis discriminante realiza más supuestos rigurosos que regresiones logísticas,
pero puede ser una alternativa o un suplemento valioso al análisis de regresión
logística si se cumplen dichos supuestos.

Ejemplo

node = stream.create("discriminant", "My node")

node.setPropertyValue("target", "custcat")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("method", "Stepwise")

Tabla 124. propiedades de discriminantnode

Propiedades de Valores Descripción de la propiedad
discriminantnode
objetivo campo Los modelos discriminantes requieren
un único campo objetivo y uno o más
campos de entrada. Los campos de
ponderación y frecuencia no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
method Intro

Stepwise
mode Simple

Expert

250 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 124. propiedades de discriminantnode (continuación)
Propiedades de Valores Descripción de la propiedad
discriminantnode
prior_probabilities AllEqual

ComputeFromSizes
covariance_matrix WithinGroups

SeparateGroups
means marca Opciones de estadísticos del cuadro de
diálogo Salida avanzada.
univariate_anovas marca
box_m marca
within_group_covariance marca
within_groups_correlatio marca
n
separate_groups_covarian marca
ce
total_covariance marca
fishers marca
unstandardized marca
casewise_results marca Opciones de clasificación del cuadro
de diálogo Salida avanzada.
limit_to_first number El valor predeterminado es 10.
summary_table marca
leave_one_classification marca
combined_groups marca
separate_groups_covarian marca Opción de matrices Covarianza de
ce grupos separados.
territorial_map marca
combined_groups marca Opción de gráfico Grupos
combinados.
separate_groups marca Opción de gráfico Grupos separados.
summary_of_steps marca
F_pairwise marca

Capítulo 13. Propiedades de nodos de modelado 251

 Tabla 124. propiedades de discriminantnode (continuación)
Propiedades de Valores Descripción de la propiedad
discriminantnode
stepwise_method WilksLambda

UnexplainedVariance

MahalanobisDistance

SmallestF

RaosV
V_to_enter number
criteria UseValue

UseProbability
F_value_entry number El valor predeterminado es 3.84.
F_value_removal number El valor predeterminado es 2.71.
probability_entry number El valor predeterminado es 0.05.
probability_removal number El valor predeterminado es 0,10.
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

Propiedades de extensionmodelnode

Con el nodo de Modelo de extensión, puede

ejecutar scripts R o Python para Spark para crear
y puntuar resultados.

Ejemplo de Python para Spark

#### Ejemplo de script de Python para Spark
import modeler.api
ruta = modeler.script.stream()
node = stream.create("extension_build", "extension_build")
node.setPropertyValue("syntax_type", "Python")

build_script = """
import json
import spss.pyspark.runtime

252 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.linalg import DenseVector
from pyspark.mllib.tree import DecisionTree

cxt = spss.pyspark.runtime.getContext()
df = cxt.getSparkInputData()
schema = df.dtypes[:]

target = "Drug"
predictors = ["Age","BP","Sex","Cholesterol","Na","K"]

def metaMap(row,schema):
col = 0
meta = []
for (cname, ctype) in schema:
if ctype == 'string':
meta.append(set([row[col]]))
else:
meta.append((row[col],row[col]))
col += 1
return meta

def metaReduce(meta1,meta2,schema):
col = 0
meta = []
for (cname, ctype) in schema:
if ctype == 'string':
meta.append(meta1[col].union(meta2[col]))
else:
meta.append((min(meta1[col][0],meta2[col][0]),max(meta1[col][1],meta2[col][1])))
col += 1
return meta

metadata = df.rdd.map(lambda row: metaMap(row,schema)).reduce(lambda x,y:metaReduce(x,y,schema))

def setToList(v):
if isinstance(v,set):
return list(v)
return v

metadata = map(lambda x: setToList(x), metadata)

print metadata

lookup = {}
for i in range(0,len(schema)):
lookup[schema[i][0]] = i

def row2LabeledPoint(dm,lookup,target,predictors,row):
target_index = lookup[target]
tval = dm[target_index].index(row[target_index])
pvals = []
for predictor in predictors:
predictor_index = lookup[predictor]
if isinstance(dm[predictor_index],list):
pval = dm[predictor_index].index(row[predictor_index])
else:
pval = row[predictor_index]
pvals.append(pval)
return LabeledPoint(tval,DenseVector(pvals))

# número de recuento de clases de destino

predictorClassCount = len(metadata[lookup[target]])

# definir función para extraer información de predictor categórico de modelo de datos

def getCategoricalFeatureInfo(dm,lookup,predictors):
info = {}
for i in range(0,len(predictors)):
predictor = predictors[i]
predictor_index = lookup[predictor]
if isinstance(dm[predictor_index],list):
info[i] = len(dm[predictor_index])
return info

# convertir marco de datos a un RDD que contiene LabeledPoint

lps = df.rdd.map(lambda row: row2LabeledPoint(metadata,lookup,target,predictors,row))

treeModel = DecisionTree.trainClassifier(
lps,
numClasses=predictorClassCount,
categoricalFeaturesInfo=getCategoricalFeatureInfo(metadata, lookup, predictors),
impurity='gini',
maxDepth=5,

Capítulo 13. Propiedades de nodos de modelado 253

 maxBins=100)

_outputPath = cxt.createTemporaryFolder()
treeModel.save(cxt.getSparkContext(), _outputPath)
cxt.setModelContentFromPath("TreeModel", _outputPath)
cxt.setModelContentFromString("model.dm",json.dumps(metadata), mimeType="application/json")\
.setModelContentFromString("model.structure",treeModel.toDebugString())

"""

node.setPropertyValue("python_build_syntax", build_script)

Ejemplo de R
#### Ejemplo de script de R
node.setPropertyValue("syntax_type", "R")
node.setPropertyValue("r_build_syntax", """modelerModel <-
lm(modelerData$Na~modelerData$K,modelerData)
modelerDataModel
modelerModel
""")

Tabla 125. Propiedades de extensionmodelnode

Propiedades de Valores Descripción de la propiedad
extensionmodelnode
syntax_type R Especifica qué script se ejecuta: R o
Python (R es el valor predeterminado).
Python
r_build_syntax string Sintaxis de scripts R para la creación
de modelos.
r_score_syntax cadena Sintaxis de scripts R para la puntuación
de modelos.
python_build_syntax string Sintaxis de scripts Python para la
creación de modelos.
python_score_syntax string Sintaxis de scripts Python para la
puntuación de modelos.
convert_flags Opción para convertir campos de
StringsAndDoubles
LogicalValues distintivos.

convert_missing marca Opción para convertir los valores que

faltan al valor R NA.
convert_datetime marca Opción para convertir las variables con
los formatos de fecha o de fecha y hora
para formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a qué
POSIXct
formato se convierten las variables con
POSIXlt
los formatos de fecha o de fecha y
hora.
output_html marca Opción para visualizar gráficos en una
pestaña en el nugget de modelo R.
output_text marca Opción para escribir salida de texto
de la consola R en una pestaña del
modelo R.

254 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

propiedades de factornode
El nodo PCA/Factorial proporciona técnicas eficaces de reducción de datos para
reducir la complejidad de los datos. Análisis de componentes principales (PCA)
busca combinaciones lineales de los campos de entrada que realizan el mejor
trabajo a la hora de capturar la varianza en todo el conjunto de campos, en el que
los componentes son ortogonales (perpendiculares) entre ellos. Análisis factorial
intenta identificar factores subyacentes que expliquen el patrón de correlaciones
dentro de un conjunto de campos observados. Para los dos métodos, el objetivo es
encontrar un número pequeño de campos derivados que resuma de forma eficaz la
información del conjunto original de campos.

Ejemplo

node = stream.create("factor", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("inputs", ["BP", "Na", "K"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Factor_Age")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("method", "GLS")
# Opciones de experto
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("complete_records", True)
node.setPropertyValue("matrix", "Covariance")
node.setPropertyValue("max_iterations", 30)
node.setPropertyValue("extract_factors", "ByFactors")
node.setPropertyValue("min_eigenvalue", 3.0)
node.setPropertyValue("max_factor", 7)
node.setPropertyValue("sort_values", True)
node.setPropertyValue("hide_values", True)
node.setPropertyValue("hide_below", 0.7)
# Sección "Rotación"
node.setPropertyValue("rotation", "DirectOblimin")
node.setPropertyValue("delta", 0.3)
node.setPropertyValue("kappa", 7.0)

Tabla 126. propiedades de factornode

Propiedad de factornode Valores Descripción de la propiedad
inputs [field1 ... fieldN] Los modelos PCA/Factorial utilizan una
lista de campos de entrada, pero no
de campos objetivo. Los campos de
ponderación y frecuencia no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.

Capítulo 13. Propiedades de nodos de modelado 255

 Tabla 126. propiedades de factornode (continuación)
Propiedad de factornode Valores Descripción de la propiedad
method PC

ULS

GLS

ML

PAF

Alpha

Image
mode Simple

Expert
max_iterations number
complete_records marca
matrix Correlation

Covariance
extract_factors ByEigenvalues

ByFactors
min_eigenvalue number
max_factor number
rotation Ninguno

Varimax

DirectOblimin

Equamax

Quartimax

Promax
delta number Si selecciona DirectOblimin como
el tipo de datos de rotación, podrá
especificar un valor para delta.

Si no especifica ningún valor, se

utilizará el valor predeterminado para
delta.

256 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 126. propiedades de factornode (continuación)
Propiedad de factornode Valores Descripción de la propiedad
kappa number Si selecciona Promax como el tipo de
datos de rotación, podrá especificar un
valor para kappa.

Si no especifica ningún valor, se

utilizará el valor predeterminado para
kappa.
sort_values marca
hide_values marca
hide_below number

propiedades de featureselectionnode
El nodo Selección de características filtra los campos de entrada para su eliminación
en función de un conjunto de criterios (como el porcentaje de valores perdidos);
a continuación, clasifica el grado de importancia del resto de entradas de acuerdo
con un objetivo específico. Por ejemplo, a partir de un conjunto de datos dado con
cientos de entradas potenciales, ¿cuáles tienen mayor probabilidad de ser útiles
para el modelado de resultados de pacientes?

Ejemplo

node = stream.create("featureselection", "My node")

node.setPropertyValue("screen_single_category", True)
node.setPropertyValue("max_single_category", 95)
node.setPropertyValue("screen_missing_values", True)
node.setPropertyValue("max_missing_values", 80)
node.setPropertyValue("criteria", "Likelihood")
node.setPropertyValue("unimportant_below", 0.8)
node.setPropertyValue("important_above", 0.9)
node.setPropertyValue("important_label", "Check Me Out!")
node.setPropertyValue("selection_mode", "TopN")
node.setPropertyValue("top_n", 15)

Para obtener un ejemplo más detallado que cree y aplique un modelo de Selección de características,
consulte en.

Tabla 127. propiedades de featureselectionnode

Propiedad de Valores Descripción de la propiedad
featureselectionnode
objetivo campo Los modelos de selección de
características ordenan predictores
por rangos con respecto a su
objetivo específico. Los campos de
ponderación y frecuencia no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página
221 para obtener más información.

Capítulo 13. Propiedades de nodos de modelado 257

 Tabla 127. propiedades de featureselectionnode (continuación)
Propiedad de Valores Descripción de la propiedad
featureselectionnode
screen_single_category marca En caso de establecer True, filtra
campos que tienen demasiados
registros dentro de la misma
categoría respecto al número total
de registros.
max_single_category number Especifica el umbral
que se utiliza cuando
screen_single_category es
True.
screen_missing_values marca Si se establece en True, filtra
campos con demasiados valores
perdidos, expresados como un
porcentaje del número total de
registros.
max_missing_values number
screen_num_categories marca Si se establece en True, filtra
campos con demasiadas categorías
respecto al número total de
registros.
max_num_categories number
screen_std_dev marca Si se establece en True, filtra
campos con una desviación estándar
menor o igual que el mínimo
especificado.
min_std_dev number
screen_coeff_of_var marca Si se establece en True, filtra
campos con un coeficiente de
varianza menor o igual que el
mínimo especificado.
min_coeff_of_var number
criteria Pearson Al clasificar los predictores
categóricos en función de un
Likelihood objetivo categórico, especifica la
medida en la que se basa el valor de
importancia.
CramersV

Lambda
unimportant_below number Especifica los valores p de umbral
utilizados para clasificar las variables
como importantes, marginales o sin
importancia. Acepta valores de 0,0 a
1,0.
important_above number Acepta valores de 0,0 a 1,0.

258 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 127. propiedades de featureselectionnode (continuación)
Propiedad de Valores Descripción de la propiedad
featureselectionnode
unimportant_label string Especifica la etiqueta para la
clasificación como 'Sin importancia'.
marginal_label string
important_label string
selection_mode ImportanceLevel

ImportanceValue

TopN
select_important marca Si selection_mode se establece
en ImportanceLevel, determina
si se seleccionan los campos
importantes.
select_marginal marca Si selection_mode se establece
en ImportanceLevel, determina
si se seleccionan los campos
marginales.
select_unimportant marca Si selection_mode se establece
en ImportanceLevel, determina
si se seleccionan los campos sin
importancia.
importance_value number Si selection_mode se establece
en ImportanceValue, determina el
valor de corte que se va a usar.
Acepta valores de 0 a 100.
top_n entero Si selection_mode se establece
en TopN, determina el valor de corte
que se va a usar. Acepta valores de 0
a 1000.

propiedades de genlinnode
El modelo lineal generalizado amplía el modelo lineal general, de manera que la
variable dependiente está relacionada linealmente con los factores y las covariables
mediante una determinada función de enlace. Además, el modelo permite que la
variable dependiente tenga una distribución no normal. Cubre la funcionalidad de
un amplio número de modelo estadísticos, incluyendo regresión lineal, regresión
logística, modelos log lineales para recuento de datos y modelos de supervivencia
censurados por intervalos.

Ejemplo

node = stream.create("genlin", "My node")

node.setPropertyValue("model_type", "MainAndAllTwoWayEffects")
node.setPropertyValue("offset_type", "Variable")
node.setPropertyValue("offset_field", "Claimant")

Capítulo 13. Propiedades de nodos de modelado 259

 Tabla 128. propiedades de genlinnode
Propiedades de genlinnode Valores Descripción de la propiedad
objetivo campo Los modelos lineales generalizados
requieren un único campo objetivo,
que debe ser un campo nominal o
marca, y uno o más campos de
entrada. También se puede especificar
un campo de ponderación. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
use_weight marca
weight_field campo El tipo de campo es únicamente
continuo.
target_represents_trials marca
trials_type Variable

FixedValue
trials_field campo El tipo de campo es continuo, marca u
ordinal.
trials_number number El valor predeterminado es 10.
model_type MainEffects

MainAndAllTwoWayEffec
ts
offset_type Variable

FixedValue
offset_field campo El tipo de campo es únicamente
continuo.
offset_value number Debe ser un número real.
base_category Last

Primero

include_intercept marca
mode Simple

Expert

260 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 128. propiedades de genlinnode (continuación)
Propiedades de genlinnode Valores Descripción de la propiedad
distribution BINOMIAL IGAUSS: De Gauss inversa.

GAMMA NEGBIN: Negative binomial.

IGAUSS

NEGBIN

NORMAL

POISSON

TWEEDIE

MULTINOMIAL
negbin_para_type Especifica

Estimate
negbin_parameter number El valor predeterminado es 1. Debe
contener un número real no negativo.
tweedie_parameter number

Capítulo 13. Propiedades de nodos de modelado 261

 Tabla 128. propiedades de genlinnode (continuación)
Propiedades de genlinnode Valores Descripción de la propiedad
link_function IDENTITY CLOGLOG: log-log complementario.

CLOGLOG LOGC: complemento log.

LOG NEGBIN: Negative binomial.

LOGC NLOGLOG: Log-log negativo.

LOGIT CUMCAUCHIT: Cauchit acumulada.

NEGBIN CUMCLOGLOG: Log-log complementario

acumulado.
NLOGLOG
CUMLOGIT: Logit acumulado.
ODDSPOWER
CUMNLOGLOG: Log-log negativo
PROBIT acumulado.

POWER CUMPROBIT: Probit acumulado.

CUMCAUCHIT

CUMCLOGLOG

CUMLOGIT

CUMNLOGLOG

CUMPROBIT
power number El valor debe ser real y distinto de
cero.
method Hybrid

Fisher

NewtonRaphson
max_fisher_iterations number El valor predeterminado es 1; sólo se
admiten enteros positivos.
scale_method MaxLikelihoodEstimate

Deviance

PearsonChiSquare

FixedValue

262 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 128. propiedades de genlinnode (continuación)
Propiedades de genlinnode Valores Descripción de la propiedad
scale_value number El valor predeterminado es 1; debe ser
mayor que 0.
covariance_matrix ModelEstimator

RobustEstimator
max_iterations number El valor predeterminado es 100; sólo
enteros no negativos.
max_step_halving number El valor predeterminado es 5; sólo
enteros positivos.
check_separation marca
start_iteration number El valor predeterminado es 20; sólo se
admiten enteros positivos.
estimates_change marca
estimates_change_min number El valor predeterminado es 1E-006;
sólo se admiten números positivos.
estimates_change_type Absolute

Relative
loglikelihood_change marca
loglikelihood_change_min number Sólo se admiten números positivos.
loglikelihood_change_typ Absolute
e
Relative
hessian_convergence marca
hessian_convergence_min number Sólo se admiten números positivos.
hessian_convergence_type Absolute

Relative
case_summary marca
contrast_matrices marca
descriptive_statistics marca
estimable_functions marca
model_info marca
iteration_history marca
goodness_of_fit marca
print_interval number El valor predeterminado es 1; debe ser
un entero positivo.
model_summary marca

Capítulo 13. Propiedades de nodos de modelado 263

 Tabla 128. propiedades de genlinnode (continuación)
Propiedades de genlinnode Valores Descripción de la propiedad
lagrange_multiplier marca
parameter_estimates marca
include_exponential marca
covariance_estimates marca
correlation_estimates marca
analysis_type TypeI

TypeIII

TypeIAndTypeIII
statistics Wald

LR
citype Wald

Profile
tolerancelevel number El valor predeterminado es 0.0001.
confidence_interval number El valor predeterminado es 95.
loglikelihood_function Completa

Kernel
singularity_tolerance 1E-007

1E-008

1E-009

1E-010

1E-011

1E-012
value_order Ascending

Descending

DataOrder
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es

264 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 128. propiedades de genlinnode (continuación)
Propiedades de genlinnode Valores Descripción de la propiedad
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

Propiedades de glmmnode
Un modelo lineal mixto generalizado (GLMM) amplía el modelo lineal de modo que
el objetivo pueda tener una distribución no normal, esté linealmente relacionado
con los factores y covariables mediante una función de enlace especificada y las
observaciones se puedan correlacionar. Los modelos lineales mixtos generalizados
cubren una amplia variedad de modelos, desde modelos de regresión lineal simple
hasta modelos multinivel complejos para datos longitudinales no normales.

Tabla 129. Propiedades de glmmnode

Propiedades de glmmnode Valores Descripción de la propiedad
residual_subject_spec estructurado La combinación de valores de los
campos categóricos especificados que
definen de forma exclusiva los sujetos
del conjunto de datos.
repeated_measures estructurado Campos utilizados para identificar
observaciones repetidas.
residual_group_spec [field1 ... fieldN] Campos que definen conjuntos
independientes de parámetros de
covarianza de efectos repetidos.
residual_covariance_type Diagonal Especifica la estructura de covarianza
de residuos.
AR1

ARMA11

COMPOUND_SYMMETRY

IDENTITY

TOEPLITZ

UNSTRUCTURED

VARIANCE_COMPONENTS
custom_target marca Indica si se puede utilizar un objetivo
definido en el nodo anterior (false) o
un objetivo personalizado especificado
por target_field (true).

Capítulo 13. Propiedades de nodos de modelado 265

 Tabla 129. Propiedades de glmmnode (continuación)
Propiedades de glmmnode Valores Descripción de la propiedad
target_field campo Campo a utilizar como objetivo si
custom_target es true.
use_trials marca Indica si hay que utilizar el campo
adicional o el valor que especifica
el número de ensayos cuando la
respuesta objetivo es un número
de eventos que tienen lugar en
un conjunto de ensayos. El valor
predeterminado es false.
use_field_or_value Campo Indica si se utiliza el campo
(valor predeterminado) o valor para
Value especificar el número de ensayos.

trials_field campo Campo a utilizar para especificar el

número de ensayos.
trials_value entero Valor a utilizar para especificar el
número de ensayos. Si se especifica, el
valor mínimo es 1.
use_custom_target_refere marca Indica si hay que utilizar la categoría
nce de referencia personalizada para
un objetivo categórico. El valor
predeterminado es false.
target_reference_value string Categoría de referencia a utilizar si
use_custom_target_reference es
true.
dist_link_combination Nominal Modelos comunes para la distribución
de valores de objetivo. Seleccione
Logit Custom para especificar una
distribución de la lista proporcionada
por target_distribution.
GammaLog

BinomialLogit

PoissonLog

BinomialProbit

NegbinLog

BinomialLogC

Custom

266 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 129. Propiedades de glmmnode (continuación)
Propiedades de glmmnode Valores Descripción de la propiedad
target_distribution Normal La distribución de valores de objetivo
cuando dist_link_combination es
Binomial Custom.

Multinomial

Gamma

Inverso

NegativeBinomial

Poisson
link_function_type Identity Función de enlace para relacionar
valores
LogC de objetivo a los predictores.
Si target_distribution es
Log Binomial podrá utilizarse cualquiera
de las funciones de enlace listadas.
Si target_distribution es
CLOGLOG Multinomial podrán utilizarse
CLOGLOG, CAUCHIT, LOGIT,
Logit NLOGLOG o PROBIT.
Si target_distribution es
NLOGLOG cualquier cosa distinta de Binomial o
Multinomial podrán utilizarse
IDENTITY, LOG o POWER.
PROBIT

POWER

CAUCHIT
link_function_param number Valor del parámetro de función de
enlace que hay que utilizar. Sólo es
aplicable si normal_link_function
o link_function_type es POWER.
use_predefined_inputs marca Indica si los campos de efectos
fijos deben ser aquellos definidos
anteriormente como campos de
entrada (true) o han de ser
los campos fixed_effects_list
(false). El valor predeterminado es
false.
fixed_effects_list estructurado Si use_predefined_inputs es
falso, especifica los campos de
entrada que se han de utilizar como
campos de efectos fijos.

Capítulo 13. Propiedades de nodos de modelado 267

 Tabla 129. Propiedades de glmmnode (continuación)
Propiedades de glmmnode Valores Descripción de la propiedad
use_intercept marca Si es true, el valor predeterminado.
incluye la interceptación en el modelo.
random_effects_list estructurado Lista de campos para especificar como
efectos aleatorios.
regression_weight_field campo Campo a utilizar como campo de
ponderación de análisis.
use_offset Ninguno Indica cómo se especifica la
compensación. El valor None significa
offset_value que no se ha utilizado compensación.

offset_field
offset_value number El valor que se ha de utilizar para
desplazamiento si use_offset se
establece en offset_value.
offset_field campo El valor que se ha de utilizar para
desplazamiento si use_offset se
establece en offset_field.
target_category_order Ascending Orden de clasificación para objetivos
categóricos. El valor Data especifica
Descending que se utiliza el orden de clasificación
de los datos. El valor predeterminado
es Ascending.
Datos
inputs_category_order Ascending Orden de clasificación para predictores
categóricos. El valor Data especifica
Descending que se utiliza el orden de clasificación
de los datos. El valor predeterminado
es Ascending.
Datos
max_iterations entero Número máximo de iteraciones
que ejecutará el algoritmo. Un
número entero no negativo; el valor
predeterminado es 100.
confidence_level entero Nivel de confianza utilizado para
calcular estimaciones de intervalo
de los coeficientes del modelo.
Un número entero no negativo; el
valor máximo es 100, el valor
predeterminado es 95.
degrees_of_freedom_metho Fixed Especifica cómo se calculan los
d grados de libertad para la prueba de
Varied significación.

test_fixed_effects_coeff Modelo Método para calcular la matriz de

ecients covarianza de las estimaciones de los
robusta parámetros.

268 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 129. Propiedades de glmmnode (continuación)
Propiedades de glmmnode Valores Descripción de la propiedad
use_p_converge marca Opción para la convergencia de
parámetros.
p_converge número Blanco, o cualquier valor positivo.
p_converge_type
Absolute
Relative

use_l_converge marca Opción para la convergencia log-

likelihood.
l_converge número Blanco, o cualquier valor positivo.
l_converge_type
Absolute
Relative

use_h_converge marca Opción para la convergencia hessiana.

h_converge número Blanco, o cualquier valor positivo.
h_converge_type
Absolute
Relative

max_fisher_steps entero
singularity_tolerance número
use_model_name marca Indica si hay que especificar un
nombre personalizado para el modelo
(true) o si se ha de utilizar el nombre
generado por el sistema false). El
valor predeterminado es false.
model_name string Si use_model_name es true,
especifica el nombre de modelo que se
va a utilizar.
confidence onProbability Base para calcular el valor de confianza
de la puntuación: probabilidad más
onIncrease alta predicha, o la diferencia entre la
probabilidad más alta predicha y la
segunda probabilidad más alta.
score_category_probabili marca Si es true, genera las probabilidades
ties predichas para objetivos categóricos.
El valor predeterminado es false.
max_categories entero Si
score_category_probabilities
es true, especifica el número máximo
de categorías que se han de guardar.
score_propensity marca Si es true, produce puntuaciones de
propensión para campos de objetivo de
marca que indican la probabilidad del
resultado "true" para el campo.

Capítulo 13. Propiedades de nodos de modelado 269

 Tabla 129. Propiedades de glmmnode (continuación)
Propiedades de glmmnode Valores Descripción de la propiedad
emeans estructura Para cada campo categórico de la lista
de efectos fijos, especifica si hay que
producir medias marginales estimadas.
covariance_list estructura Para cada campo continuo de la
lista de efectos fijos, especifica si
hay que usar la media o un valor
personalizado al calcular medias
marginales estimadas.
mean_scale Original Especifica si las medias marginales
estimadas se calculan basándose
Transformed en la escala original del objetivo
(valor predeterminado) o en la
transformación de la función de enlace.
comparison_adjustment_me DMS Método de ajuste que hay que utilizar
thod al realizar pruebas de hipótesis con
SEQBONFERRONI varios contrastes.

SEQSIDAK

Propiedades de gle
Un GLE amplía el modelo lineal de forma que el objetivo puede tener una
distribución no normal, está relacionado de forma lineal con los factores y las
covariables a través de una función de enlace especificada y las observaciones se
pueden correlacionar. Los modelos lineales mixtos generalizados cubren una amplia
variedad de modelos, desde modelos de regresión lineal simple hasta modelos
multinivel complejos para datos longitudinales no normales.

Tabla 130. Propiedades de gle

Propiedades de gle Valores Descripción de la propiedad
custom_target marca Indica si se puede utilizar un objetivo
definido en el nodo anterior (false) o
un objetivo personalizado especificado por
target_field (true).
target_field campo Campo a utilizar como objetivo si
custom_target es true.
use_trials marca Indica si hay que utilizar el campo adicional o
el valor que especifica el número de ensayos
cuando la respuesta objetivo es un número
de eventos que tienen lugar en un conjunto
de ensayos. El valor predeterminado es
false.
use_trials_field_or_val Campo Indica si se utiliza el campo (valor
ue predeterminado) o valor para especificar el
Value número de ensayos.

270 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
trials_field campo Campo a utilizar para especificar el número
de ensayos.
trials_value entero Valor a utilizar para especificar el número de
ensayos. Si se especifica, el valor mínimo es
1.
use_custom_target_refer marca Indica si hay que utilizar la categoría de
ence referencia personalizada para un objetivo
categórico. El valor predeterminado es
false.
target_reference_value string Categoría de referencia a utilizar
si use_custom_target_reference es
true.
dist_link_combination NormalIdentity Modelos comunes para la distribución de
valores de objetivo.
GammaLog
Elija CUSTOM para especificar una
PoissonLog distribución en la lista proporcionada por
target_distribution.

NegbinLog

TweedieIdentity

NominalLogit

BinomialLogit

BinomialProbit

BinomialLogC

CUSTOM

Capítulo 13. Propiedades de nodos de modelado 271

 Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
target_distribution Normal La distribución de valores de objetivo cuando
dist_link_combination es Custom.
Binomial

Multinomial

Gamma

INVERSE_GAUSS

NEG_BINOMIAL

Poisson

TWEEDIE

UNKNOWN

272 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
link_function_type UNKNOWN Función de enlace para relacionar
valores de objetivo a los predictores.
IDENTITY Si target_distribution es Binomial
puede utilizar:

LOG
UNKNOWN

LOGIT
IDENTITY

PROBIT
LOG

COMPL_LOG_LOG
LOGIT

POWER
PROBIT

LOG_COMPL
COMPL_LOG_LOG

NEG_LOG_LOG
POWER
ODDS_POWER
LOG_COMPL

NEG_BINOMIAL
NEG_LOG_LOG

GEN_LOGIT
ODDS_POWER

CUMUL_LOGIT
Si target_distribution es
NEG_BINOMIAL puede utilizar:
CUMUL_PROBIT

NEG_BINOMIAL.
CUMUL_COMPL_LOG_L
OG
Si target_distribution es UNKNOWN,
puede utilizar:
CUMUL_NEG_LOG_LOG

GEN_LOGIT
CUMUL_CAUCHIT

CUMUL_LOGIT

CUMUL_PROBIT

CUMUL_COMPL_LOG_LOG

CUMUL_NEG_LOG_LOG

CUMUL_CAUCHIT

Capítulo 13. Propiedades de nodos de modelado 273

 Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
link_function_param number Valor del parámetro Tweedie
que hay que utilizar. Sólo es
aplicable si normal_link_function o
link_function_type es POWER.
tweedie_param número Valor del parámetro de función de
enlace que hay que utilizar. Solo es
aplicable si dist_link_combination
está establecido en TweedieIdentity, o
link_function_type es TWEEDIE.
use_predefined_inputs marca Indica si los campos de efectos del modelo
deben ser aquellos definidos anteriormente
como campos de entrada (true) o han de ser
los campos fixed_effects_list (false).
model_effects_list estructurado Si use_predefined_inputs es falso,
especifica los campos de entrada que se
han de utilizar como campos de efectos del
modelo.
use_intercept marca Si es true, el valor predeterminado. incluye
la interceptación en el modelo.
regression_weight_field campo Campo a utilizar como campo de
ponderación de análisis.
use_offset Ninguno Indica cómo se especifica la compensación.
El valor None significa que no se ha utilizado
Value compensación.

Variable
offset_value número El valor que se ha de utilizar para
desplazamiento si use_offset se establece
en offset_value.
offset_field campo El valor que se ha de utilizar para
desplazamiento si use_offset se establece
en offset_field.
target_category_order Ascending Orden de clasificación para objetivos
categóricos. El valor predeterminado es
Descending Ascending.

inputs_category_order Ascending Orden de clasificación para predictores

categóricos. El valor predeterminado es
Descending Ascending.

max_iterations entero Número máximo de iteraciones que

ejecutará el algoritmo. Un número entero no
negativo; el valor predeterminado es 100.

274 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
confidence_level número Nivel de confianza utilizado para calcular
estimaciones de intervalo de los coeficientes
del modelo. Un número entero no negativo;
el valor máximo es 100, el valor
predeterminado es 95.
test_fixed_effects_coef Modelo Método para calcular la matriz de covarianza
fecients de las estimaciones de los parámetros.
robusta
detect_outliers marca Si es verdadero, el algoritmo encuentra
valores atípicos de influencia para todas las
distribuciones excepto para la distribución
multinomial.
conduct_trend_analysis marca Si el verdadero, el algoritmo realiza un
análisis de tendencias para el diagrama de
dispersión.
estimation_method FISHER_SCORING Especifica el algoritmo de estimación de
máxima verosimilitud.
NEWTON_RAPHSON

HYBRID
max_fisher_iterations entero Si se utiliza FISHER_SCORING
estimation_method, el número máximo
de iteraciones. Mínimo 0, máximo 20.
scale_parameter_method Especifique el método que se va a utilizar
MLE
FIXED para la estimación del parámetro de escala.
DEVIANCE
PEARSON_CHISQUARE

scale_value número Solo está disponible si

scale_parameter_method está
establecido en Fixed.
negative_binomial_metho Especifique el método que se va a utilizar
MLE
d FIXED para la estimación del parámetro auxiliar
binomial negativo.
negative_binomial_value número Solo está disponible si
negative_binomial_method está
establecido en Fixed.
non_neg_least_squares marca Si se deben realizar mínimos de cuadrados
no negativos. El valor predeterminado es
false.
use_p_converge marca Opción para la convergencia de parámetros.
p_converge número Blanco, o cualquier valor positivo.
p_converge_type marca Verdadero = Absoluto, Falso = Relativo
use_l_converge marca Opción para la convergencia log-likelihood.
l_converge número Blanco, o cualquier valor positivo.

Capítulo 13. Propiedades de nodos de modelado 275

 Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
l_converge_type marca Verdadero = Absoluto, Falso = Relativo
use_h_converge marca Opción para la convergencia hessiana.
h_converge número Blanco, o cualquier valor positivo.
h_converge_type marca Verdadero = Absoluto, Falso = Relativo
max_iterations entero Número máximo de iteraciones que
ejecutará el algoritmo. Un número entero no
negativo; el valor predeterminado es 100.
sing_tolerance entero
use_model_selection marca Habilita los controles de umbral de
parámetro y de método de selección de
modelos.
method Determina el método de selección de
LASSO
ELASTIC_NET modelos, o si está utilizando Ridge, el
FORWARD_STEPWISE método de regularización utilizado.
RIDGE

detect_two_way_interact marca Si es True, el modelo

ions detectará automáticamente interacciones
bidireccionales entre campos de entrada.

Este control solo debería estar habilitado si

el modelo es solo efectos principales (es
decir, donde el usuario no ha creado ningún
efecto de orden superior) y si el method
seleccionado es Paso adelante, Lazo, o Red
elástica.
automatic_penalty_param marca Solo está disponible si la selección del
s modelo method es Lazo o red elástica.

Utilice esta función para especificar los

parámetros de penalización asociados a los
métodos de selección de variables Lasso o
Red elástica.

Si es True, se utilizan los valores

predeterminados. Si es False, se pueden
especificar los parámetros de penalización y
los valores personalizados habilitados.
lasso_penalty_param número Solo está disponible si la selección del
modelo method es Lazo o Red elástica y
automatic_penalty_params es False.
Especifique el valor del parámetro de
penalización para Lasso.

276 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
elastic_net_penalty_par número Solo está disponible si la selección del
am1 modelo method es Lazo o Red elástica y
automatic_penalty_params es False.
Especifique el valor del parámetro de
penalización para el parámetro 1 de Red
elástica.
elastic_net_penalty_par número Solo está disponible si la selección del
am2 modelo method es Lazo o Red elástica y
automatic_penalty_params es False.
Especifique el valor del parámetro de
penalización para el parámetro 2 de Red
elástica.
probability_entry número Solo está disponible si el method
seleccionado es Paso adelante. Especifique
el nivel de significación del criterio
estadístico F para la inclusión de efectos.
probability_removal número Solo está disponible si el method
seleccionado es Paso adelante. Especifique
el nivel de significación del criterio
estadístico F para la eliminación de efectos.
use_max_effects marca Solo está disponible si el method
seleccionado es Paso adelante.

Habilita el control max_effects.

Si es False, el número de efectos

predeterminado incluido debería ser igual al
número total de efectos proporcionados al
modelo, menos la interceptación.
max_effects entero Especifique el número máximo de efectos
cuando se utiliza el método de creación de
paso adelante.
use_max_steps marca Habilita el control max_steps.

Si es False, el número predeterminado

de pasos debe ser igual a tres veces el
número de efectos proporcionado al modelo,
excluyendo la interceptación.
max_steps entero Especifique el número máximo de pasos que
se van a realizar cuando se utiliza el method
de creación de paso adelante.
use_model_name marca Indica si hay que especificar un nombre
personalizado para el modelo (true) o si
se ha de utilizar el nombre generado por el
sistema false). El valor predeterminado es
false.
model_name cadena Si use_model_name es true, especifica el
nombre de modelo que se va a utilizar.

Capítulo 13. Propiedades de nodos de modelado 277

 Tabla 130. Propiedades de gle (continuación)
Propiedades de gle Valores Descripción de la propiedad
usePI marca Si true, se calcula la importancia de
predictor.

propiedades de kmeansnode
El nodo K-medias agrupa conjuntos de datos en grupos distintos (o clústeres). El
método define un número fijo de clústeres, de forma iterativa asigna registros a los
clústeres y ajusta los centros de los clústeres hasta que no se pueda mejorar el
modelo. En lugar de intentar predecir un resultado, los modelos de k-medias utilizan
un proceso conocido como aprendizaje no supervisado para revelar los patrones del
conjunto de campos de entrada.

Ejemplo

node = stream.create("kmeans", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("inputs", ["Cholesterol", "BP", "Drug", "Na", "K",
"Age"])
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Kmeans_allinputs")
node.setPropertyValue("num_clusters", 9)
node.setPropertyValue("gen_distance", True)
node.setPropertyValue("cluster_label", "Number")
node.setPropertyValue("label_prefix", "Kmeans_")
node.setPropertyValue("optimize", "Speed")
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("stop_on", "Custom")
node.setPropertyValue("max_iterations", 10)
node.setPropertyValue("tolerance", 3.0)
node.setPropertyValue("encoding_value", 0.3)

Tabla 131. propiedades de kmeansnode

Propiedad de kmeansnode Valores Descripción de la propiedad
inputs [field1 ... fieldN] Los modelos de K-Medias realizan un
análisis de clústeres en un conjunto
de campos de entrada pero no utilizan
ningún campo objetivo. Los campos de
ponderación y frecuencia no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
num_clusters number
gen_distance marca
cluster_label Cadena

Number
label_prefix string

278 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 131. propiedades de kmeansnode (continuación)
Propiedad de kmeansnode Valores Descripción de la propiedad
mode Simple

Expert
stop_on Predeterminado

Custom
max_iterations number
tolerance number
encoding_value number
optimize Speed Se utiliza para especificar si la
generación del modelo se debe
Memory optimizar para la velocidad o la
memoria.

Propiedades kmeansasnode
k-medias es uno de los algoritmos de agrupación en clúster utilizado con más
frecuencia. Agrupa en clúster puntos de datos en un número predefinido de
clústeres. El nodo K-Medias-AS en SPSS Modeler se implementa en Spark. Si desea
más detalles sobre algoritmos de k-medias, consulte https://spark.apache.org/docs/
2.2.0/ml-clustering.html. Tenga en cuenta que el nodo K-Medias-AS realiza una
codificación "one-hot" automáticamente para variables categóricas.

Tabla 132. Propiedades kmeansasnode

Propiedades kmeansasnode Valores Descripción de la propiedad
roleUse string Especifique predefined para utilizar
roles predefinidos, o custom para
utilizar asignaciones de campo
personalizado. El valor predeterminado
es predefined.
autoModel Booleana Especifique true para utilizar
el nombre predeterminado ($S-
prediction) para el nuevo campo de
puntuación generado, o false para
utilizar un nombre personalizado. El
valor predeterminado es true.
features campo Lista de los nombres de campo para
la entrada de información cuando la
propiedad roleUse está establecida
en custom.
name string El nombre del nuevo campo
de puntuación generado cuando
la propiedad autoModel está
establecida en false.
clustersNum entero El número de clústeres para crear. El
valor predeterminado es 5.

Capítulo 13. Propiedades de nodos de modelado 279

 Tabla 132. Propiedades kmeansasnode (continuación)
Propiedades kmeansasnode Valores Descripción de la propiedad
initMode string El algoritmo de inicialización. Los
valores posibles son k-means|| o
random. El valor predeterminado es k-
means||.
initSteps entero El número de pasos de inicialización
cuando initMode está establecido en
k-means||. El valor predeterminado
es 2.
advancedSettings Booleana Especifique true para que estén
disponibles las cuatro propiedades
siguientes. El valor predeterminado es
false.
maxIteration entero Número máximo de iteraciones para
la agrupación en clúster. El valor
predeterminado es 20.
tolerance string La tolerancia para detener las
iteraciones. Los valores posibles son
1.0E-1, 1.0E-2, ..., 1.0E-6. El valor
predeterminado es 1.0E-4.
setSeed Booleana Especifique true para utilizar una
semilla aleatoria personalizada. El
valor predeterminado es false.
randomSeed entero La semilla aleatoria personalizada
cuando la propiedad setSeed es
true.

propiedades de knnnode
El nodo k de modelado de vecino (KNN) asocia el nuevo caso con la categoría o valor
de los objetos k junto a él en el espacio de predictores, donde k es un entero. Los
casos parecidos están próximos y los que no lo son están alejados entre sí.

Ejemplo

node = stream.create("knn", "My node")

# Objectives tab
node.setPropertyValue("objective", "Custom")
# Settings tab - Neighbors panel
node.setPropertyValue("automatic_k_selection", False)
node.setPropertyValue("fixed_k", 2)
node.setPropertyValue("weight_by_importance", True)
# Settings tab - Analyze panel
node.setPropertyValue("save_distances", True)

280 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 133. propiedades de knnnode
Propiedades de knnnode Valores Descripción de la propiedad
de errores PredictTarget

IdentifyNeighbors
objective Balance

Speed

Accuracy

Custom
normalize_ranges marca
use_case_labels marca Seleccione esta casilla de verificación
para activar la siguiente opción.
case_labels_field campo
identify_focal_cases marca Seleccione esta casilla de verificación
para activar la siguiente opción.
focal_cases_field campo
automatic_k_selection marca
fixed_k entero Se activa únicamente si el valor de
automatic_k_selection es False.
minimum_k entero Se activa únicamente si el valor de
automatic_k_selection es True.
maximum_k entero
distance_computation Euclidean

CityBlock
weight_by_importance marca
range_predictions Media

Mediana
perform_feature_selectio marca
n
forced_entry_inputs [field1 ... fieldN]
stop_on_error_ratio marca
number_to_select entero
minimum_change number
validation_fold_assign_b marca
y_field

Capítulo 13. Propiedades de nodos de modelado 281

 Tabla 133. propiedades de knnnode (continuación)
Propiedades de knnnode Valores Descripción de la propiedad
number_of_folds entero Sólo se activa si el valor de
validation_fold_assign_by_fie
ld es False
set_random_seed marca
random_seed number
folds_field campo Sólo se activa si el valor de
validation_fold_assign_by_fie
ld es True
all_probabilities marca
save_distances marca
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

propiedades de kohonennode
El nodo Kohonen genera un tipo de red neuronal que se puede usar para agrupar
un conjunto de datos en grupos distintos. Cuando la red se termina de entrenar,
los registros que son similares se deberían cerrar juntos en el mapa de resultados,
mientras que los registros que son diferentes aparecerían aparte. Puede observar el
número de observaciones capturadas por cada unidad en el nugget de modelo para
identificar unidades fuertes. Esto le proporcionará una idea del número apropiado
de clústeres.

Ejemplo

node = stream.create("kohonen", "My node")

# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "Symbolic Cluster")
node.setPropertyValue("stop_on", "Time")
node.setPropertyValue("time", 1)
node.setPropertyValue("set_random_seed", True)
node.setPropertyValue("random_seed", 12345)
node.setPropertyValue("optimize", "Speed")
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("width", 3)
node.setPropertyValue("length", 3)
node.setPropertyValue("decay_style", "Exponential")
node.setPropertyValue("phase1_neighborhood", 3)
node.setPropertyValue("phase1_eta", 0.5)
node.setPropertyValue("phase1_cycles", 10)
node.setPropertyValue("phase2_neighborhood", 1)
node.setPropertyValue("phase2_eta", 0.2)
node.setPropertyValue("phase2_cycles", 75)

282 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 134. propiedades de kohonennode
Propiedad de kohonennode Valores Descripción de la propiedad
inputs [field1 ... fieldN] Los modelos Kohonen utilizan una
lista de campos de entrada, pero no
de campos objetivo. Los campos de
frecuencia y ponderación no se usan.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
continue marca
show_feedback marca
stop_on Predeterminado

Hora
time number
optimize Speed Se utiliza para especificar si la
generación del modelo se debe
Memory optimizar para la velocidad o la
memoria.
cluster_label marca
mode Simple

Expert
width number
length number
decay_style Lineal

Exponential
phase1_neighborhood number
phase1_eta number
phase1_cycles number
phase2_neighborhood number
phase2_eta number
phase2_cycles number

Propiedades de linearnode
Los modelos de regresión lineal predicen un objetivo continuo tomando como base
las relaciones lineales entre el destino y uno o más predictores.

Ejemplo

node = stream.create("linear", "My node")

# Build Options tab - Objectives panel

Capítulo 13. Propiedades de nodos de modelado 283

 node.setPropertyValue("objective", "Standard")
# Build Options tab - Model Selection panel
node.setPropertyValue("model_selection", "BestSubsets")
node.setPropertyValue("criteria_best_subsets", "ASE")
# Build Options tab - Ensembles panel
node.setPropertyValue("combining_rule_categorical", "HighestMeanProbability")

Tabla 135. Propiedades de linearnode

Propiedades de linearnode Valores Descripción de la propiedad
objetivo campo Especifica un campo de objetivo único.

inputs [field1 ... fieldN] Campos de predictor utilizados por el

modelo.
continue_training_existi marca
ng_model
objective Standard psm se utiliza para conjuntos de datos
de grandes dimensiones y requiere una
Agregación conexión al Servidor.
autodocimante

Aumento

psm
use_auto_data_preparatio marca
n
confidence_level number
model_selection ForwardStepwise

BestSubsets

Ninguno
criteria_forward_stepwis AICC
e
Estadísticas F

R cuadrado corregido

ASE
probability_entry number
probability_removal number
use_max_effects marca
max_effects number
use_max_steps marca
max_steps number

284 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 135. Propiedades de linearnode (continuación)
Propiedades de linearnode Valores Descripción de la propiedad
criteria_best_subsets AICC

R cuadrado corregido

ASE
combining_rule_continuou Media
s
Mediana
component_models_n number
use_random_seed marca
random_seed number
use_custom_model_name marca
custom_model_name string
use_custom_name marca
custom_name string
tooltip string
palabras clave string
annotation string

Propiedades de linearasnode
Los modelos de regresión lineal predicen un objetivo continuo tomando como base
las relaciones lineales entre el destino y uno o más predictores.

Tabla 136. Propiedades de linearasnode

Propiedades de Valores Descripción de la propiedad
linearasnode
objetivo campo Especifica un campo de objetivo único.

inputs [field1 ... fieldN] Campos de predictor utilizados por el

modelo.
weight_field campo Campo de análisis usado por el
modelo.
custom_fields marca El valor predeterminado es TRUE.
intercept marca El valor predeterminado es TRUE.
detect_2way_interaction marca Indica si debe tenerse en cuenta
la interacción bidireccional. El valor
predeterminado es TRUE.

Capítulo 13. Propiedades de nodos de modelado 285

 Tabla 136. Propiedades de linearasnode (continuación)
Propiedades de Valores Descripción de la propiedad
linearasnode
cin number Intervalo de confianza usado para
calcular las estimaciones de los
coeficientes del modelo. Especifique
un valor mayor que 0 y menor que 100.
El valor predeterminado es 95.
factor_order ascending Orden de clasificación para predictores
categóricos. El valor predeterminado
descending es ascending.

var_select_method ForwardStepwise El método de selección de modelo que

se va a usar. El valor predeterminado
BestSubsets es ForwardStepwise.

ninguno
criteria_for_forward_ste AICC La estadística utilizada para determinar
pwise si un efecto debe añadirse o eliminarse
Estadísticas F del modelo. El valor predeterminado es
AdjustedRSquare.

R cuadrado corregido

ASE
pin number El efecto con el valor p más pequeño
con respecto a este umbral de pin
especificado se añade al modelo. El
valor predeterminado es 0.05.
pout number Cualquier efecto del modelo con un
valor p superior a este umbral de
pout especificado se eliminará. El
valor predeterminado es 0,10.
use_custom_max_effects marca Indica si debe utilizarse el número
máximo de efectos en el modelo final.
El valor predeterminado es FALSE.
max_effects number Número máximo de efectos por
usar en el modelo final. El valor
predeterminado es 1.
use_custom_max_steps marca Indica si debe utilizarse el
número máximo de pasos. El valor
predeterminado es FALSE.
max_steps number El número máximo de pasos antes
de que se detenga el algoritmo
escalonado. El valor predeterminado
es 1.

286 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 136. Propiedades de linearasnode (continuación)
Propiedades de Valores Descripción de la propiedad
linearasnode
criteria_for_best_subset AICC La modalidad de criterios a
s utilizar. El valor predeterminado es
R cuadrado corregido AdjustedRSquare.

ASE

Propiedades de logregnode
La regresión logística es una técnica de estadístico para clasificar los registros en
función los valores de los campos de entrada. Es análoga a la regresión lineal pero
toma un campo objetivo categórico en lugar de uno numérico.

Ejemplo multinomial

node = stream.create("logreg", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["BP", "Cholesterol", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Log_reg Drug")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("method", "Stepwise")
node.setPropertyValue("logistic_procedure", "Multinomial")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("model_type", "FullFactorial")
node.setPropertyValue("custom_terms", [["BP", "Sex"], ["Age"], ["Na", "K"]])
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("max_steps", 3)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
node.setPropertyValue("delta", 0.03)
# "Output..." section
node.setPropertyValue("summary", True)
node.setPropertyValue("likelihood_ratio", True)
node.setPropertyValue("asymptotic_correlation", True)
node.setPropertyValue("goodness_fit", True)
node.setPropertyValue("iteration_history", True)
node.setPropertyValue("history_steps", 3)
node.setPropertyValue("parameters", True)
node.setPropertyValue("confidence_interval", 90)
node.setPropertyValue("asymptotic_covariance", True)
node.setPropertyValue("classification_table", True)
# "Stepping" options
node.setPropertyValue("min_terms", 7)
node.setPropertyValue("use_max_terms", True)

Capítulo 13. Propiedades de nodos de modelado 287

 node.setPropertyValue("max_terms", 10)
node.setPropertyValue("probability_entry", 3)
node.setPropertyValue("probability_removal", 5)
node.setPropertyValue("requirements", "Containment")

Ejemplo binomial

node = stream.create("logreg", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Cholesterol")
node.setPropertyValue("inputs", ["BP", "Drug", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "Log_reg Cholesterol")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("binomial_method", "Forwards")
node.setPropertyValue("logistic_procedure", "Binomial")
node.setPropertyValue("binomial_categorical_input", "Sex")
node.setKeyedPropertyValue("binomial_input_contrast", "Sex", "Simple")
node.setKeyedPropertyValue("binomial_input_category", "Sex", "Last")
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
# "Output..." section
node.setPropertyValue("binomial_output_display", "at_each_step")
node.setPropertyValue("binomial_goodness_of_fit", True)
node.setPropertyValue("binomial_iteration_history", True)
node.setPropertyValue("binomial_parameters", True)
node.setPropertyValue("binomial_ci_enable", True)
node.setPropertyValue("binomial_ci", 85)
# "Stepping" options
node.setPropertyValue("binomial_removal_criterion", "LR")
node.setPropertyValue("binomial_probability_removal", 0.2)

Tabla 137. Propiedades de logregnode

Propiedades de logregnode Valores Descripción de la propiedad
objetivo campo Los modelos de regresión logística
requieren un único campo objetivo y
uno o más campos de entrada. Los
campos de frecuencia y ponderación
no se usan. Consulte “Propiedades
comunes de nodos de modelado”
en la página 221 para obtener más
información.
logistic_procedure Binomial

Multinomial
include_constant marca

288 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 137. Propiedades de logregnode (continuación)
Propiedades de logregnode Valores Descripción de la propiedad
mode Simple

Expert
method Intro

Stepwise

Forwards

Backwards

BackwardsStepwise
binomial_method Intro

Forwards

Backwards
model_type MainEffects Si FullFactorial se especifica
como el tipo de modelo, no se
FullFactorial ejecutarán los métodos por pasos,
aunque así se indique. En su lugar, el
método utilizado será Enter.
Custom

Si el tipo de modelo se establece en

Custom pero no se ha especificado
ningún campo personalizado, se
generará un modelo de efectos
principales.
custom_terms [[BP Sexo][BP][Edad]]
multinomial_base_categor string Especifica cómo se determina la
y categoría de referencia.
binomial_categorical_inp string
ut

Capítulo 13. Propiedades de nodos de modelado 289

 Tabla 137. Propiedades de logregnode (continuación)
Propiedades de logregnode Valores Descripción de la propiedad
binomial_input_contrast Indicator Propiedad con clave para la entrada
categórica que especifica cómo se
Simple determina el contraste.

Diferencia

Helmert

Repeated

Polinómico

Desviación
binomial_input_category Primero Propiedad con clave para la entrada
categórica que especifica cómo se
Last determina la categoría de referencia.

scale Ninguno

UserDefined

Pearson

Deviance
scale_value number
all_probabilities marca
tolerance 1.0E-5

1.0E-6

1.0E-7

1.0E-8

1.0E-9

1.0E-10
min_terms number
use_max_terms marca
max_terms number
entry_criterion Puntuación

LR

290 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 137. Propiedades de logregnode (continuación)
Propiedades de logregnode Valores Descripción de la propiedad
removal_criterion LR

Wald
probability_entry number
probability_removal number
binomial_probability_ent number
ry
binomial_probability_rem number
oval
requirements HierarchyDiscrete
HierarchyAll

Containment

Ninguno
max_iterations number
max_steps number
p_converge 1.0E-4

1.0E-5

1.0E-6

1.0E-7

1.0E-8

0
l_converge 1.0E-1

1.0E-2

1.0E-3

1.0E-4

1.0E-5

0
delta number
iteration_history marca
history_steps number

Capítulo 13. Propiedades de nodos de modelado 291

 Tabla 137. Propiedades de logregnode (continuación)
Propiedades de logregnode Valores Descripción de la propiedad
summary marca
likelihood_ratio marca
asymptotic_correlation marca
goodness_fit marca
parameters marca
confidence_interval number
asymptotic_covariance marca
classification_table marca
stepwise_summary marca
info_criteria marca
monotonicity_measures marca
binomial_output_display at_each_step

at_last_step
binomial_goodness_of_fit marca
binomial_parameters marca
binomial_iteration_histo marca
ry
binomial_classification_ marca
plots
binomial_ci_enable marca
binomial_ci number
binomial_residual valores atípicos

all
binomial_residual_enable marca
binomial_outlier_thresho number
ld
binomial_classification_ number
cutoff
binomial_removal_criteri LR
on
Wald

Conditional
calculate_variable_impor marca
tance

292 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 137. Propiedades de logregnode (continuación)
Propiedades de logregnode Valores Descripción de la propiedad
calculate_raw_propensiti marca
es

propiedades de lsvmnode
El nodo Máquina de vectores de soporte lineal (LSVM) le permite clasificar datos en
uno o dos grupos sin que haya un ajuste por exceso. LSVM es lineal y funciona bien
con conjuntos de datos grandes, como aquellos con un gran número de registros.

Tabla 138. propiedades de lsvmnode

Propiedades lsvmnode Valores Descripción de la propiedad
intercept marca Incluye la interceptación del
modelo. El valor predeterminado
es True.
target_order Ascending Especifica el orden de
clasificación del objetivo
Descending categórico. Si ignora para
objetivos continuos. El valor
predeterminado es Ascending.
precision number Sólo se utiliza si el nivel de
medición del campo objetivo
es Continuo. Especifica el
parámetro relacionado con la
sensibilidad de la pérdida de
regresión. El mínimo es 0 y no hay
máximo. El valor predeterminado
es 0.1.
exclude_missing_value marca Si es True, se excluye un registro
s si falta algún valor único. El valor
predeterminado es False.
penalty_function L1 Especifica el tipo de función de
penalización utilizado. El valor
L2 predeterminado es L2.

lambda número Parámetro de penalización

(regularización).

Capítulo 13. Propiedades de nodos de modelado 293

 Tabla 138. propiedades de lsvmnode (continuación)
Propiedades lsvmnode Valores Descripción de la propiedad
calculate_variable_im marca En modelos que producen una
portance medida adecuada de importancia,
esta opción muestra un gráfico
que indica la importancia relativa
de cada predictor al estimar
el modelo.En modelos que
producen una medida adecuada
de importancia, esta opción
muestra un gráfico que indica
la importancia relativa de cada
predictor al estimar el modelo.
Tenga en cuenta que la
importancia variable puede ser
tardar más en calcularse en
algunos modelos, especialmente
al trabajar con grandes conjuntos
de datos y está desactivada
de forma predeterminada para
algunos modelos como resultado.
La importancia variable no está
disponible en los modelos de lista
de decisiones.

propiedades de neuralnetnode
Importante: En este release está disponible una versión más reciente del nodo de modelado Red
neuronal, con características mejoradas, y se describe en la siguiente sección (red neuronal). Aunque
aún puede generar y puntuar un modelo con la versión anterior, recomendamos que actualice sus scripts
para que se use la nueva versión. Los detalles de la versión anterior se conservan aquí como referencia.
Ejemplo

node = stream.create("neuralnet", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("targets", ["Drug"])
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
# "Model" tab
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("method", "Dynamic")
node.setPropertyValue("train_pct", 30)
node.setPropertyValue("set_random_seed", True)
node.setPropertyValue("random_seed", 12345)
node.setPropertyValue("stop_on", "Time")
node.setPropertyValue("accuracy", 95)
node.setPropertyValue("cycles", 200)
node.setPropertyValue("time", 3)
node.setPropertyValue("optimize", "Speed")
# sección "Opciones de experto para método múltiple"
node.setPropertyValue("m_topologies", "5 30 5; 2 20 3, 1 10 1")
node.setPropertyValue("m_non_pyramids", False)
node.setPropertyValue("m_persistence", 100)

294 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 139. propiedades de neuralnetnode
Propiedad de neuralnetnode Valores Descripción de la propiedad
targets [field1 ... fieldN] El nodo Red neuronal espera uno o
varios campos objetivo y uno o más
campos de entrada. Los campos de
frecuencia y ponderación se omiten.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
method Quick

Dynamic

Multiple

Prune

ExhaustivePrune

RBFN
prevent_overtrain marca
train_pct number
set_random_seed marca
random_seed number
mode Simple

Expert
stop_on Predeterminado Modo de parada.

Exactitud

Cycles

Hora
accuracy number Precisión de parada.
cycles number Ciclos para entrenar.
time number Tiempo para entrenar (minutos).
continue marca
show_feedback marca
binary_encode marca
use_last_model marca
gen_logfile marca
logfile_name string

Capítulo 13. Propiedades de nodos de modelado 295

 Tabla 139. propiedades de neuralnetnode (continuación)
Propiedad de neuralnetnode Valores Descripción de la propiedad
alpha number
initial_eta number
high_eta number
low_eta number
eta_decay_cycles number
hid_layers One

Two

Tres
hl_units_one number
hl_units_two number
hl_units_three number
persistence number
m_topologies string
m_non_pyramids marca
m_persistence number
p_hid_layers One

Two

Tres
p_hl_units_one number
p_hl_units_two number
p_hl_units_three number
p_persistence number
p_hid_rate number
p_hid_pers number
p_inp_rate number
p_inp_pers number
p_overall_pers number
p_persistence number
r_num_clusters number
r_eta_auto marca
r_alpha number
r_eta number

296 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 139. propiedades de neuralnetnode (continuación)
Propiedad de neuralnetnode Valores Descripción de la propiedad
optimize Speed Se utiliza para especificar si la
generación del modelo se debe
Memory optimizar para la velocidad o la
memoria.
calculate_variable_impor marca Nota: La propiedad
tance sensitivity_analysis utilizada
en versiones anteriores se ha
desaprobado en favor de esta
propiedad. La propiedad anterior se
sigue admitiendo, pero se recomienda
calculate_variable_importance.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

Propiedades de neuralnetwork
El nodo Red neuronal utiliza un modelo simplificado que emula el modo en que
el cerebro humano procesa la información: Funciona simultaneando un número
elevado de unidades simples de procesamiento interconectadas que parecen
versiones abstractas de neuronas. Las redes neuronales son dispositivos eficaces
de cálculo de funciones generales y requieren un conocimiento matemático o
estadístico mínimo para entrenarlas o aplicarlas.

Ejemplo

node = stream.create("neuralnetwork", "My node")

# Build Options tab - Objectives panel
node.setPropertyValue("objective", "Standard")
# Build Options tab - Ensembles panel
node.setPropertyValue("combining_rule_categorical", "HighestMeanProbability")

Tabla 140. Propiedades de neuralnetwork

Propiedades de Valores Descripción de la propiedad
neuralnetworknode
targets [field1 ... fieldN] Especifica campos objetivo.
inputs [field1 ... fieldN] Campos de predictor utilizados por el
modelo.
splits [field1 ... fieldN Especifica el campo o campos para
utilizar en el modelado de divisiones.

Capítulo 13. Propiedades de nodos de modelado 297

 Tabla 140. Propiedades de neuralnetwork (continuación)
Propiedades de Valores Descripción de la propiedad
neuralnetworknode
use_partition marca Si se ha definido un campo de
partición, esta opción garantiza que
sólo se utilizarán los datos de la
partición de entrenamiento para la
generación del modelo.
continue marca Continuar entrenando modelo
existente.
objective Standard psm se utiliza para conjuntos de datos
de grandes dimensiones y requiere una
Agregación conexión al Servidor.
autodocimante

Aumento

psm
method MultilayerPerceptron

RadialBasisFunction
use_custom_layers marca
first_layer_units number
second_layer_units number
use_max_time marca
tiempo_máx number
use_max_cycles marca
max_cycles number
use_min_accuracy marca
min_accuracy number
combining_rule_categoric Voting
al
HighestProbability

HighestMeanProbabilit
y
combining_rule_continuou Media
s
Mediana

component_models_n number
overfit_prevention_pct number
use_random_seed marca

298 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 140. Propiedades de neuralnetwork (continuación)
Propiedades de Valores Descripción de la propiedad
neuralnetworknode
random_seed number
missing_values listwiseDeletion

missingValueImputatio
n
use_model_name booleano
model_name string
confidence onProbability

onIncrease
score_category_probabili marca
ties
max_categories number
score_propensity marca
use_custom_name marca
custom_name string
tooltip string
palabras clave string
annotation string

propiedades de questnode
El nodo QUEST proporciona un método de clasificación binario para generar árboles
de decisión; está diseñado para reducir el tiempo de procesamiento necesario para
realizar los análisis de C&RT y reducir la tendencia de los métodos de clasificación
de árboles para favorecer a las entradas que permitan realizar más divisiones. Los
campos de entrada pueden ser continuos (rango numérico), sin embargo el campo
objetivo debe ser categórico. Todas las divisiones son binarias.

Ejemplo

node = stream.create("quest", "My node")

node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("max_surrogates", 5)
node.setPropertyValue("split_alpha", 0.03)
node.setPropertyValue("use_percentage", False)
node.setPropertyValue("min_parent_records_abs", 40)
node.setPropertyValue("min_child_records_abs", 30)
node.setPropertyValue("prune_tree", True)
node.setPropertyValue("use_std_err", True)
node.setPropertyValue("std_err_multiplier", 3)

Capítulo 13. Propiedades de nodos de modelado 299

 Tabla 141. propiedades de questnode
Propiedad de questnode Valores Descripción de la propiedad
objetivo campo Los modelos QUEST requieren un único
campo objetivo y uno o más campos de
entrada. También se puede especificar
un campo de frecuencia. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
continue_training_existi marca
ng_model
objective Standard psm se utiliza para conjuntos de datos
de grandes dimensiones y requiere una
Aumento conexión al Servidor.

Agregación
autodocimante

psm
model_output_type Single

InteractiveBuilder
use_tree_directives marca
tree_directives string
use_max_depth Predeterminado

Custom
max_depth entero Máxima profundidad del árbol, desde
0 a 1000. Sólo se utiliza si
use_max_depth = Custom.
prune_tree marca Poda del árbol para evitar
sobreajustes.
use_std_err marca Use la diferencia máxima en riesgos
(en errores estándar).
std_err_multiplier number Diferencia máxima.
max_surrogates number Número máximo de sustitutos.
use_percentage marca
min_parent_records_pc number
min_child_records_pc number
min_parent_records_abs number
min_child_records_abs number
use_costs marca
costes estructurado Propiedad estructurada.

300 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 141. propiedades de questnode (continuación)
Propiedad de questnode Valores Descripción de la propiedad
priors Datos

Equal

Custom
custom_priors estructurado Propiedad estructurada.
adjust_priors marca
trails number Número de modelos de componente
para un aumento o agregación
autodocimante.
set_ensemble_method Voting Regla de combinación predeterminada
para objetivos categóricos.
HighestProbability

HighestMeanProbabilit
y
range_ensemble_method Media Regla de combinación predeterminada
para objetivos continuos.
Mediana
large_boost marca Aplicar aumento a conjunto de datos
muy grandes.
split_alpha number Nivel de significancia para división.
train_pct number Conjunto de prevención sobreajustado.
set_random_seed marca Opción replicar resultados.
seed number
calculate_variable_impor marca
tance
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities
adjusted_propensity_part Test
ition
Validation

Capítulo 13. Propiedades de nodos de modelado 301

propiedades randomtrees
El nodo Árboles aleatorios es similar al nodo C&RT existente; el nodo Árboles
aleatorios se diseñado para procesar grandes cantidades de datos (Big Data) para
crear un único árbol y mostrar el modelo resultante en el visor de la salida que se ha
añadido en SPSS Modeler versión 17. El nodo del árbol Árboles aleatorios genera un
árbol de decisiones que se utiliza para predecir o clasificar observaciones futuras.
El método utiliza la partición reiterada para dividir los registros de entrenamiento en
segmentos minimizando las impurezas en cada paso, donde un nodo se considera
puro si el 100% de los casos del nodo corresponden a una categoría específica
del campo objetivo. Los campos de entrada y objetivo pueden ser continuos
(rango numérico) o categóricos (nominal, ordinal o marca). Todas las divisiones son
binarias (sólo se crean dos subgrupos).

Tabla 142. propiedades randomtrees

Propiedades randomtrees Valores Descripción de la propiedad
objetivo campo En el nodo Árboles aleatorios,
los modelos requieren un único
objetivo y uno o más campos de
entrada. También se puede especificar
un campo de frecuencia. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
number_of_models entero Determina el número de modelos a
construir como parte del modelado de
conjunto.
use_number_of_predictors marca Determina si se utiliza
number_of_predictors.
number_of_predictors entero Especifica el número de predictores
que se van a utilizar al crear modelos
de división.
use_stop_rule_for_accura marca Determina si la creación del modelo se
cy detiene cuando no se puede mejorar la
precisión.
sample_size number Reduzca este valor para mejorar el
rendimiento del procesar conjuntos de
datos muy grandes.
handle_imbalanced_data marca Si el objetivo del modelo es un
resultado de marca determinado, y
la proporción del resultado deseado
con respecto a un resultado no
deseado es muy pequeña, los datos
se desequilibran y el muestreo de
simulación realizado por el modelo
puede afectar a la exactitud del
mismo. Habilite el manejo de datos
desequilibrados para que el modelo
capture una proporción mayor del
resultado deseado y genere un modelo
más sólido.

302 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 142. propiedades randomtrees (continuación)
Propiedades randomtrees Valores Descripción de la propiedad
use_weighted_sampling marca Si se establece en False, las
variables para cada nodo se
seleccionan aleatoriamente con la
misma probabilidad. Si es True, las
variables se ponderan y se seleccionan
de acuerdo con ello.
max_node_number entero Número máximo de nodos permitidos
en árboles individuales. Si el número
va a superarse en la división siguiente,
el crecimiento del árbol se detiene.
max_depth entero Máxima profundidad del árbol antes de
que se detenga el crecimiento.
min_child_node_size entero Determina el número mínimo de
registros permitidos en un nodo hijo
después de que se divida el nodo
padre. Si un nodo hijo va a contener
menos registros de los especificados
aquí, el nodo padre no se dividirá.
use_costs marca
costes estructurado Propiedad estructurada. El formato es
una lista de 3 valores: el valor real, el
valor pronosticado y el coste de una
predicción errónea. Por ejemplo:

tree.setPropertyValue("costs",
[["drugA", "drugB", 3.0], ["drugX",
"drugY", 4.0]])
default_cost_increase ninguno Nota: sólo se habilita para objetivos
ordinales.
lineal
Establece los valores predeterminados
cuadrado de la matriz de costes.

personalizada
max_pct_missing entero Si el porcentaje de valores faltantes
en cualquier entrada es mayor que el
valor especificado aquí, la entrada se
excluye. Mínimo 0, máximo 100.
exclude_single_cat_pct entero Si un valor de categoría representa un
porcentaje mayor de los registros que
el especificado aquí, todo el campo
se excluye de la creación de modelos.
Mínimo 1, máximo 99.
max_category_number entero Si el número de categorías de un
campo supera este valor, el campo se
excluye de la creación de modelos. El
mínimo es 2.

Capítulo 13. Propiedades de nodos de modelado 303

 Tabla 142. propiedades randomtrees (continuación)
Propiedades randomtrees Valores Descripción de la propiedad
min_field_variation number Si el coeficiente de variación de un
campo continuo es inferior a este valor,
el campo se excluye de la creación de
modelos.
num_bins entero Sólo se utiliza si los datos están
formados por entradas continuas.
Establezca el número de intervalos de
frecuencia que deben utilizarse para
las entradas; las opciones son 2, 4, 5,
10, 20, 25, 50 o 100.
topN entero Especifica el número de reglas para
informar. El valor predeterminado es
50, con un mínimo de 1 y un máximo
de 1000.

Propiedades de regressionnode
La regresión lineal es una técnica de estadístico común utilizada para resumir datos
y realizar predicciones ajustando una superficie o línea recta que minimice las
discrepancias existentes entre los valores de salida reales y los pronosticados.

Nota: El nodo Lineal reemplazará al nodo Regresión en una versión futura. Recomendamos que a partir de
ahora utilice modelos lineales para la regresión lineal.
Ejemplo

node = stream.create("regression", "My node")

# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Age")
node.setPropertyValue("inputs", ["Na", "K"])
node.setPropertyValue("partition", "Test")
node.setPropertyValue("use_weight", True)
node.setPropertyValue("weight_field", "Drug")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Regression Age")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("method", "Stepwise")
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("complete_records", False)
node.setPropertyValue("tolerance", "1.0E-3")
# "Stepping..." section
node.setPropertyValue("stepping_method", "Probability")
node.setPropertyValue("probability_entry", 0.77)
node.setPropertyValue("probability_removal", 0.88)
node.setPropertyValue("F_value_entry", 7.0)
node.setPropertyValue("F_value_removal", 8.0)
# "Output..." section
node.setPropertyValue("model_fit", True)
node.setPropertyValue("r_squared_change", True)
node.setPropertyValue("selection_criteria", True)
node.setPropertyValue("descriptives", True)
node.setPropertyValue("p_correlations", True)

304 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

node.setPropertyValue("collinearity_diagnostics", True)
node.setPropertyValue("confidence_interval", True)
node.setPropertyValue("covariance_matrix", True)
node.setPropertyValue("durbin_watson", True)

Tabla 143. Propiedades de regressionnode

Propiedad de Valores Descripción de la propiedad
regressionnode
objetivo campo Los modelos de regresión requieren
un único campo objetivo y uno o más
campos de entrada. También se puede
especificar un campo de ponderación.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
method Intro

Stepwise

Backwards

Forwards
include_constant marca
use_weight marca
weight_field campo
mode Simple

Expert
complete_records marca

Capítulo 13. Propiedades de nodos de modelado 305

 Tabla 143. Propiedades de regressionnode (continuación)
Propiedad de Valores Descripción de la propiedad
regressionnode
tolerance 1.0E-1 Utilice comillas dobles para los
argumentos.
1.0E-2

1.0E-3

1.0E-4

1.0E-5

1.0E-6

1.0E-7

1.0E-8

1.0E-9

1.0E-10

1.0E-11

1.0E-12
stepping_method useP useP : utilizar la probabilidad de F

useF useF: utilizar el valor F

probability_entry number
probability_removal number
F_value_entry number
F_value_removal number
selection_criteria marca
confidence_interval marca
covariance_matrix marca
collinearity_diagnostics marca
regression_coefficients marca
exclude_fields marca
durbin_watson marca
model_fit marca
r_squared_change marca
p_correlations marca

306 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 143. Propiedades de regressionnode (continuación)
Propiedad de Valores Descripción de la propiedad
regressionnode
descriptives marca
calculate_variable_impor marca
tance

propiedades de sequencenode
El nodo Secuencia encuentra reglas de asociación en datos secuenciales o en datos
ordenados en el tiempo. Una secuencia es una lista de conjuntos de elementos que
tiende a producirse en un orden previsible. Por ejemplo, si un cliente compra una
cuchilla y una loción para después del afeitado, probablemente comprará crema
para afeitar la próxima vez que vaya a comprar. El nodo Secuencia se basa en el
algoritmo de reglas de asociación de CARMA, que utiliza un método de dos pasos
para encontrar las secuencias.

Ejemplo

node = stream.create("sequence", "My node")

# "Fields" tab
node.setPropertyValue("id_field", "Age")
node.setPropertyValue("contiguous", True)
node.setPropertyValue("use_time_field", True)
node.setPropertyValue("time_field", "Date1")
node.setPropertyValue("content_fields", ["Drug", "BP"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Sequence_test")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("min_supp", 15.0)
node.setPropertyValue("min_conf", 14.0)
node.setPropertyValue("max_size", 7)
node.setPropertyValue("max_predictions", 5)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("use_max_duration", True)
node.setPropertyValue("max_duration", 3.0)
node.setPropertyValue("use_pruning", True)
node.setPropertyValue("pruning_value", 4.0)
node.setPropertyValue("set_mem_sequences", True)
node.setPropertyValue("mem_sequences", 5.0)
node.setPropertyValue("use_gaps", True)
node.setPropertyValue("min_item_gap", 20.0)
node.setPropertyValue("max_item_gap", 30.0)

Capítulo 13. Propiedades de nodos de modelado 307

 Tabla 144. propiedades de sequencenode
Propiedad de sequencenode Valores Descripción de la propiedad
id_field campo Para crear un modelo de secuencias,
es necesario especificar un campo de
ID, un campo de tiempo opcional y
uno o varios campos de contenido. Los
campos de ponderación y frecuencia
no se usan. Consulte “Propiedades
comunes de nodos de modelado”
en la página 221 para obtener más
información.
time_field campo
use_time_field marca
content_fields [field1 ... fieldn]
contiguous marca
min_supp number
min_conf number
max_size number
max_predictions number
mode Simple

Expert
use_max_duration marca
max_duration number
use_gaps marca
min_item_gap number
max_item_gap number
use_pruning marca
pruning_value number
set_mem_sequences marca
mem_sequences entero

propiedades de slrmnode
El nodo Modelo de respuesta de autoaprendizaje (SLRM) permite crear un modelo
en el que un solo caso nuevo o un pequeño número de casos nuevos se pueden
utilizar para volver a calcular el modelo sin tener que entrenar de nuevo el modelo
utilizando todos los datos.

Ejemplo

node = stream.create("slrm", "My node")

node.setPropertyValue("target", "Offer")

308 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 node.setPropertyValue("target_response", "Response")
node.setPropertyValue("inputs", ["Cust_ID", "Age", "Ave_Bal"])

Tabla 145. propiedades de slrmnode

Propiedades de slrmnode Valores Descripción de la propiedad
objetivo campo El campo objetivo debe ser un campo
nominal o marca. También se puede
especificar un campo de frecuencia.
Consulte “Propiedades comunes de
nodos de modelado” en la página 221
para obtener más información.
target_response campo El tipo debe ser marca.
continue_training_existi marca
ng_model
target_field_values marca Utilizar todos: Usar todos los valores
del origen.

Especifique: Son necesarios

determinados valores.
target_field_values_spec [field1 ... campoN]
ify
include_model_assessment marca
model_assessment_random_ number Debe ser un número real.
seed
model_assessment_sample_ number Debe ser un número real.
size
model_assessment_iterati number Número de iteraciones.
ons
display_model_evaluation marca
max_predictions number
randomization number
scoring_random_seed number
sort Ascending Especifica si se mostrarán primero las
ofertas con las puntuaciones más altas
Descending o más bajas.

model_reliability marca
calculate_variable_impor marca
tance

propiedades de statisticsmodelnode
El nodo Modelo Statistics permite analizar y trabajar con sus datos ejecutando los
procedimientos de IBM SPSS Statistics que producen PMML. Este nodo requiere una
copia de IBM SPSS Statistics con licencia.

Capítulo 13. Propiedades de nodos de modelado 309

 Las propiedades de este nodo están descritas en “propiedades de statisticsmodelnode” en la página 438.

propiedades de stpnode
El nodo Predicción espacio-temporal (STP) utiliza datos que contienen datos de
ubicación, campos de entrada para la predicción (predictores), un campo de hora
y un campo de objetivo. Cada ubicación tiene muchas filas en los datos que
representan los valores de cada predictor en cada tiempo de medición. Después
de analizar los datos, se puede utilizar para predecir los valores de objetivo en
cualquier ubicación dentro de los datos de forma que se utilizan en el análisis.

Tabla 146. propiedades de stpnode

Propiedades de stpnode Tipo de datos Descripción de la propiedad
Pestaña Campos
target campo Este es el campo de destino.
ubicación campo Campo de ubicación del modelo.
Sólo se permiten campos
geoespaciales.
location_label campo Campo categórico a utilizar
en la salida para etiquetar
las ubicaciones elegidas en
location
time_field campo Campo de hora del modelo.
Sólo se permiten campos con
medición continua, y el tipo de
almacenamiento debe ser hora,
fecha, indicación de fecha y hora
o entero.
inputs [field1 ... campoN] Lista de campos de entrada.
Pestaña Intervalos de tiempo
interval_type_timestamp Años

Trimestres

Meses

Weeks

Days

Hours

Minutes

Seconds

310 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
interval_type_date Años

Trimestres

Meses

Weeks

Days
interval_type_time Hours Limita el número de días por
semana que se tienen en cuenta
Minutes al crear el índice de hora que
utiliza STP para el cálculo

Seconds
interval_type_integer Períodos Intervalo en el que se convertirá
el conjunto de datos. La selección
(Sólo campos de índice disponible depende del tipo
de hora, almacenamiento de almacenamiento del campo
Entero) elegido como time_field para
el modelo.
period_start entero
start_month Enero El mes desde el que el modelo
empezará a indexar (por ejemplo,
Febrero si se establece en March pero
el primer registro del conjunto
de datos es January, el modelo
Marzo omitirá los primeros dos registros
y comenzará a indexar en marzo.
Abril

Mayo

Junio

Julio

Agosto

Septiembre

Octubre

Noviembre

Diciembre

Capítulo 13. Propiedades de nodos de modelado 311

 Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
week_begins_on Sunday Punto de partida para el índice
temporal creado por STP a partir
Monday de los datos

Tuesday

Wednesday

Jueves

Friday

Saturday
days_per_week entero Mínimo 1, máximo 7, con
incrementos de 1
hours_per_day entero El número de horas que el
modelo cuenta en un día. Si
se establece en 10, el modelo
empezará a indexar en la hora
day_begins_at y continuará
indexando durante 10 horas,
y luego saltará al siguiente
valor que coincida con el valor
day_begins_at, etc.
day_begins_at 00:00 Establece el valor de hora desde
el que el modelo inicia la
01:00 indexación.

02:00

03:00

...

23:00

312 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
interval_increment 1 Este valor de incremento es de
minutos o segundos. Determina
2 dónde el modelo crea índices a
partir de los datos. Así que con un
incremento de 30 y el intervalo de
3 tipo seconds, el modelo crea un
índice a partir de los datos cada
4 30 segundos.

10

12

15

20

30
data_matches_interval Boolean Si se establece en N, la conversión
de los datos al interval_type
normal se produce antes de que
se construya el modelo.

Si los datos ya tiene el formato

correcto, e interval_type y
sus valores asociados coinciden
con sus datos, establézcalo en
Y para evitar la conversión o la
agregación de los datos.

Si lo establece en Y, se inhabilitan
todos los controles de agregación.

Capítulo 13. Propiedades de nodos de modelado 313

 Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
agg_range_default Sum Determina el método de
agregación predeterminado que
Media se utiliza para los campos
continuos. Los campos continuos
que no estén incluidos
Mín específicamente en la agregación
predeterminada se agregarán
Máx usando el método aquí indicado.

Median

1stQuartile

3rdQuartile
custom_agg [[campo, método de Propiedad estructurada:
agregación],[]..]
Parámetro de script: custom_agg
Demo:
Por ejemplo:
[['x5'
'FirstQuartile']['x4' set :stpnode.custom_agg =
'Sum']] [

[campo1 función]

[campo2 función]

Donde función es la función de

agregación a utilizar con dicho
campo.
Pestaña Procedimientos básicos
include_intercept marca
max_autoregressive_lag entero Mínimo 1, máximo 5, en
incrementos de 1. Es el número
de registros previos necesarios
para una predicción. Por lo tanto,
si se establece en 5, por ejemplo,
entonces los 5 registros se utilizan
para crear un nuevo pronóstico. El
número de registros especificado
aquí a partir de los datos de
construcción se incorporan en el
modelo y, por lo tanto, el usuario
no necesita proporcionar los datos
de nuevo al puntuar el modelo.

314 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
estimation_method Parametric Método para modelar la matriz de
covarianzas espacial
Nonparametric
parametric_model Gaussian Parámetro de orden para el
modelo de covarianza espacial de
Exponential tipo Parametric

PoweredExponential
exponential_power número Nivel alimentación para el modelo
PoweredExponential. Mínimo
1, máximo 2.
Pestaña Avanzada
max_missing_values entero Porcentaje máximo de registros
con valores faltantes que se
permite en el modelo.
significación número Nivel de significación para
pruebas de hipótesis en
la construcción del modelo.
Especifica el valor de significación
para todas las pruebas en
la estimación del modelo STP,
incluidas dos pruebas de Bondad
de ajuste, pruebas F de efectos y
pruebas T de coeficiente.
Pestaña Salida
model_specifications marca
temporal_summary marca
location_summary marca Determina si la tabla Resumen de
ubicación se incluye en la salida
del modelo.
model_quality marca
test_mean_structure marca
mean_structure_coefficients marca
autoregressive_coefficients marca
test_decay_space marca
parametric_spatial_covarian marca
ce
correlations_heat_map marca
correlations_map marca
location_clusters marca

Capítulo 13. Propiedades de nodos de modelado 315

 Tabla 146. propiedades de stpnode (continuación)
Propiedades de stpnode Tipo de datos Descripción de la propiedad
similarity_threshold número Umbral en el cual los clústeres
de salida se consideran lo
suficientemente parecidos para
que se fusionen en un único
clúster.
max_number_clusters entero Límite superior para el número de
clústeres que se pueden incluir en
la salida del modelo.
Pestaña Opciones de modelo
use_model_name marca
model_name cadena
uncertainty_factor número Mínimo 0, máximo 100.
Determina el aumento de la
incertidumbre (error) aplicado a
las predicciones en el futuro. Es el
límite superior e inferior para las
predicciones.

propiedades de svmnode
El nodo Máquina de vectores de soporte (SVM) le permite clasificar datos en uno o
dos grupos sin que haya un ajuste por exceso. SVM funciona bien con conjuntos de
datos grandes, como aquellos con un gran número de campos de entrada.

Ejemplo

node = stream.create("svm", "My node")

# pestaña Experto
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("kernel", "Polynomial")
node.setPropertyValue("gamma", 1.5)

Tabla 147. propiedades de svmnode

Propiedades de svmnode Valores Descripción de la propiedad
all_probabilities tag

316 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 147. propiedades de svmnode (continuación)
Propiedades de svmnode Valores Descripción de la propiedad
stopping_criteria 1.0E-1 Determina cuándo detener el
algoritmo de optimización.
1.0E-2

1.0E-3 (valor predeterminado)

1.0E-4

1.0E-5

1.0E-6
regularization number También se conoce como el
parámetro C.
precision number Sólo se utiliza si el nivel de
medición del campo objetivo es
Continuo.
kernel RBF (valor predeterminado) Tipo de función kernel utilizada
para la transformación.
Polinómico

Sigmoide

Lineal
rbf_gamma number Sólo se utiliza si kernel es RBF.
gamma number Sólo se utiliza si kernel es
Polinómico o Sigmoide.
bias number
grado number Sólo se utiliza si kernel es
Polinómico.
calculate_variable_im tag
portance
calculate_raw_propens tag
ities
tag
calculate_adjusted_
propensities

adjusted_propensity_p Test
artition
Validation

Capítulo 13. Propiedades de nodos de modelado 317

Propiedades de tcmnode
El modelado causal temporal intenta descubrir relaciones causales clave en datos
de series temporales. En el modelado causal temporal, especifique un conjunto de
series de objetivos y un conjunto de entradas candidato para estos objetivos. El
procedimiento crea un modelo de serie temporal autorregresivo para cada objetivo
e incluye solo estas entradas que tienen la relación causal más significativa con el
objetivo.

Tabla 148. Propiedades de tcmnode

Propiedades de tcmnode Valores Descripción de la propiedad
custom_fields Booleana
dimensionlist [dimension1 ... dimensionN]
data_struct Multiple

Single
metric_fields campos
both_target_and_input [f1 ... fN]
targets [f1 ... fN]
candidate_inputs [f1 ... fN]
forced_inputs [f1 ... fN]
use_timestamp Marca de tiempo

Period

318 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 148. Propiedades de tcmnode (continuación)
Propiedades de tcmnode Valores Descripción de la propiedad
input_interval Ninguno

Desconocido

Año

Trimestre

Mes

Semana

Día

Hora

Hour_nonperiod

Minuto

Minute_nonperiod

Segundo

Second_nonperiod
period_field string
period_start_value entero
num_days_per_week entero
start_day_of_week Sunday

Monday

Martes

Miércoles

Jueves

Viernes

Saturday
num_hours_per_day entero
start_hour_of_day entero
timestamp_increments entero

Capítulo 13. Propiedades de nodos de modelado 319

 Tabla 148. Propiedades de tcmnode (continuación)
Propiedades de tcmnode Valores Descripción de la propiedad
cyclic_increments entero
cyclic_periods list
output_interval Ninguno

Año

Trimestre

Mes

Semana

Día

Hora

Minuto

Segundo
is_same_interval El mismo

Notsame
cross_hour Booleana
aggregate_and_distribute list
aggregate_default Media

Sum

Mode

Mín

Máx
distribute_default Media

Sum

320 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 148. Propiedades de tcmnode (continuación)
Propiedades de tcmnode Valores Descripción de la propiedad
group_default Media

Sum

Mode

Mín

Máx
missing_imput Linear_interp

Series_mean

K_mean

K_meridian

Linear_trend

Ninguno
k_mean_param entero
k_median_param entero
missing_value_threshold entero
conf_level entero
max_num_predictor entero
max_lag entero
epsilon number
threshold entero
is_re_est Booleana
num_targets entero
percent_targets entero
fields_display list
series_display list
network_graph_for_target Booleana
sign_level_for_target number
fit_and_outlier_for_targ Booleana
et
sum_and_para_for_target Booleana
impact_diag_for_target Booleana

Capítulo 13. Propiedades de nodos de modelado 321

 Tabla 148. Propiedades de tcmnode (continuación)
Propiedades de tcmnode Valores Descripción de la propiedad
impact_diag_type_for_tar Efecto
get
Cause

Both
impact_diag_level_for_ta entero
rget
series_plot_for_target Booleana
res_plot_for_target Booleana
top_input_for_target Booleana
forecast_table_for_targe Booleana
t
same_as_for_target Booleana
network_graph_for_series Booleana
sign_level_for_series number
fit_and_outlier_for_seri Booleana
es
sum_and_para_for_series Booleana
impact_diagram_for_serie Booleana
s
impact_diagram_type_for_ Efecto
series
Cause

Both
impact_diagram_level_for entero
_series
series_plot_for_series Booleana
residual_plot_for_series Booleana
forecast_table_for_serie Booleana
s
outlier_root_cause_analy Booleana
sis
causal_levels entero
outlier_table Interactive

Lista dinámica

Both
rmsp_error Booleana

322 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 148. Propiedades de tcmnode (continuación)
Propiedades de tcmnode Valores Descripción de la propiedad
bic Booleana
r_square Booleana
outliers_over_time Booleana
series_transormation Booleana
use_estimation_period Booleana
estimation_period Times

Observación
observations list
observations_type Latest

Más antiguo
observations_num entero
observations_exclude entero
extend_records_into_futu Booleana
re
forecastperiods entero
max_num_distinct_values entero
display_targets FIXEDNUMBER

PERCENTAGE
goodness_fit_measure ROOTMEAN

BIC

RSQUARE
top_input_for_series Booleana
aic Booleana
rmse Booleana

propiedades ts
El nodo Serie temporal estima modelos de suavizado exponencial, modelos
autorregresivos integrados de media móvil (ARIMA) univariados y modelos ARIMA
(o de función de transferencia) multivariados para series temporales y genera
previsiones. Este nodo Serie temporal es similar al nodo Serie temporal anterior
que estaba en desuso en SPSS Modeler versión 18. Sin embargo, este nodo Serie
temporal más reciente se ha diseñado para emplear la potencia de IBM SPSS
Analytic Server para procesar grandes cantidades de datos y mostrar el modelo
resultante en el visor de resultados que se ha añadido en SPSS Modeler versión 17.

Capítulo 13. Propiedades de nodos de modelado 323

 Tabla 149. propiedades ts
Propiedades ts Valores Descripción de la
propiedad
targets campo El nodo Serie temporal
prevé uno o más
objetivos, utilizando
opcionalmente uno o
más campos de entrada
como predictores. Los
campos de frecuencia y
ponderación no se usan.
Consulte “Propiedades
comunes de nodos de
modelado” en la página
221 para obtener más
información.
candidate_inputs [field1 ... fieldN] Campos de entrada o
predictor utilizados por
el modelo.
use_period marca
date_time_field campo
input_interval Ninguno

Desconocido

Año

Trimestre

Mes

Semana

Día

Hora

Hour_nonperiod

Minuto

Minute_nonperiod

Segundo

Second_nonperiod
period_field campo
period_start_value entero

324 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
num_days_per_week entero
start_day_of_week Sunday

Monday

Martes

Miércoles

Jueves

Viernes

Saturday
num_hours_per_day entero
start_hour_of_day entero
timestamp_increments entero
cyclic_increments entero
cyclic_periods list
output_interval Ninguno

Año

Trimestre

Mes

Semana

Día

Hora

Minuto

Segundo
is_same_interval marca
cross_hour marca
aggregate_and_distribute list

Capítulo 13. Propiedades de nodos de modelado 325

 Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
aggregate_default Media

Sum

Mode

Mín

Máx
distribute_default Media

Sum
group_default Media

Sum

Mode

Mín

Máx
missing_imput Linear_interp

Series_mean

K_mean

K_median

Linear_trend
k_span_points entero
use_estimation_period marca
estimation_period Observaciones

Times
date_estimation list Solo está disponible
si se utiliza
date_time_field
period_estimation list Solo está disponible si se
utiliza use_period
observations_type Latest

Más antiguo

326 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
observations_num entero
observations_exclude entero
method ExpertModeler

Exsmooth

Arima
expert_modeler_method ExpertModeler

Exsmooth

Arima
consider_seasonal marca
detect_outliers marca
expert_outlier_additive marca
expert_outlier_level_shift marca
expert_outlier_innovational marca
expert_outlier_level_shift marca
expert_outlier_transient marca
expert_outlier_seasonal_additive marca
expert_outlier_local_trend marca
expert_outlier_additive_patch marca
consider_newesmodels marca

Capítulo 13. Propiedades de nodos de modelado 327

 Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
exsmooth_model_type Simple Especifica el método de
Suavizado exponencial.
HoltsLinearTrend El valor predeterminado
es Simple.

BrownsLinearTrend

DampedTrend

SimpleSeasonal

WintersAdditive

WintersMultiplicativ
e

DampedTrendAdditive

DampedTrendMultiplic
ative

MultiplicativeTrendA
dditive

MultiplicativeSeason
al

MultiplicativeTrend
Multiplicative

MultiplicativeTrend

328 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
futureValue_type_method Compute Si se utiliza Compute,
el sistema calcula los
specify futuros valores para el
período de predicción
para cada predictor.
Para cada predictor,
puede elegir en una lista
de funciones (blanco,
media de puntos
recientes, valor más
reciente) o utilizar
specify para
especificar valores
manualmente. Para
especificar campos y
propiedades
individuales, utilice la
propiedad
extend_metric_value
s. Por ejemplo:

set :ts.futureValue_t
ype
_method="specify"
set :ts.extend_metric
_values=[{'Market_1',
'USER_SPECIFY',
[1,2,3]},
{'Market_2','MOST_REC
ENT
_VALUE', ''},
{'Market_3',
'RECENT_POINTS_MEAN',
''}]

exsmooth_transformation_type Ninguno

SquareRoot

NaturalLog
arima.p entero
arima.d entero
arima.q entero
arima.sp entero
arima.sd entero
arima.sq entero

Capítulo 13. Propiedades de nodos de modelado 329

 Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
arima_transformation_type Ninguno

SquareRoot

NaturalLog
arima_include_constant marca
tf_arima.p. nombrecampo entero Para funciones de
transferencia.
tf_arima.d. nombrecampo entero Para funciones de
transferencia.
tf_arima.q. nombrecampo entero Para funciones de
transferencia.
tf_arima.sp. nombrecampo entero Para funciones de
transferencia.
tf_arima.sd. nombrecampo entero Para funciones de
transferencia.
tf_arima.sq. nombrecampo entero Para funciones de
transferencia.
tf_arima.delay. nombrecampo entero Para funciones de
transferencia.
tf_arima.transformation_type. Ninguno Para funciones de
nombrecampo transferencia.
SquareRoot

NaturalLog
arima_detect_outliers marca
arima_outlier_additive marca
arima_outlier_level_shift marca
arima_outlier_innovational marca
arima_outlier_transient marca
arima_outlier_seasonal_additive marca
arima_outlier_local_trend marca
arima_outlier_additive_patch marca
max_lags entero
cal_PI marca
conf_limit_pct real
events campos
continue marca

330 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 149. propiedades ts (continuación)
Propiedades ts Valores Descripción de la
propiedad
scoring_model_only marca Se utiliza para modelos
con cifras muy grandes
(cientos de miles) o
series temporales.
forecastperiods entero
extend_records_into_future marca
extend_metric_values campos Le permite proporcionar
valores futuros para los
predictores.
conf_limits marca
noise_res marca
max_models_output entero Controla cuántos
modelos se muestran en
el resultado. El valor
predeterminado es 10.
Los modelos no se
muestran en el resultado
si el número total de
modelos creados supera
este valor. Los modelos
aún están disponibles
para la puntuación.

Propiedades timeseriesnode (en desuso)

Nota: Esta nodo Serie temporal original estaba en desuso en la versión 18 de SPSS
Modeler y se sustituye por el nuevo nodo Serie temporal que se ha designado para
emplear la potencia de IBM SPSS Analytic Server y procesar grandes cantidades de
datos (Big Data).
El nodo Serie temporal estima modelos de suavizado exponencial, modelos
autorregresivos integrados de media móvil (ARIMA) univariados y modelos ARIMA
(o de función de transferencia) multivariados para series temporales y genera
previsiones. Un nodo Serie temporal debe ir siempre precedido por un nodo
Intervalos de tiempo.

Ejemplo

node = stream.create("timeseries", "My node")

node.setPropertyValue("method", "Exsmooth")
node.setPropertyValue("exsmooth_model_type", "HoltsLinearTrend")
node.setPropertyValue("exsmooth_transformation_type", "None")

Capítulo 13. Propiedades de nodos de modelado 331

 Tabla 150. propiedades de timeseriesnode
Propiedades de timeseriesnode Valores Descripción de la
propiedad
targets campo El nodo Serie temporal
prevé uno o más
objetivos, utilizando
opcionalmente uno o
más campos de entrada
como predictores. Los
campos de frecuencia y
ponderación no se usan.
Consulte “Propiedades
comunes de nodos de
modelado” en la página
221 para obtener más
información.
continue marca
method ExpertModeler

Exsmooth

Arima

Reuse
expert_modeler_method marca
consider_seasonal marca
detect_outliers marca
expert_outlier_additive marca
expert_outlier_level_shift marca
expert_outlier_innovational marca
expert_outlier_level_shift marca
expert_outlier_transient marca
expert_outlier_seasonal_additive marca
expert_outlier_local_trend marca
expert_outlier_additive_patch marca

332 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 150. propiedades de timeseriesnode (continuación)
Propiedades de timeseriesnode Valores Descripción de la
propiedad
exsmooth_model_type Simple

HoltsLinearTrend

BrownsLinearTrend

DampedTrend

SimpleSeasonal

WintersAdditive

WintersMultiplicativ
e
exsmooth_transformation_type Ninguno

SquareRoot

NaturalLog
arima_p entero
arima_d entero
arima_q entero
arima_sp entero
arima_sd entero
arima_sq entero
arima_transformation_type Ninguno

SquareRoot

NaturalLog
arima_include_constant marca
tf_arima_p. nombrecampo entero Para funciones de
transferencia.
tf_arima_d. nombrecampo entero Para funciones de
transferencia.
tf_arima_q. nombrecampo entero Para funciones de
transferencia.
tf_arima_sp. nombrecampo entero Para funciones de
transferencia.
tf_arima_sd. nombrecampo entero Para funciones de
transferencia.

Capítulo 13. Propiedades de nodos de modelado 333

 Tabla 150. propiedades de timeseriesnode (continuación)
Propiedades de timeseriesnode Valores Descripción de la
propiedad
tf_arima_sq. nombrecampo entero Para funciones de
transferencia.
tf_arima_delay. nombrecampo entero Para funciones de
transferencia.
tf_arima_transformation_type. Ninguno Para funciones de
nombrecampo transferencia.
SquareRoot

NaturalLog
arima_detect_outlier_mode Ninguno

Automatic
arima_outlier_additive marca
arima_outlier_level_shift marca
arima_outlier_innovational marca
arima_outlier_transient marca
arima_outlier_seasonal_additive marca
arima_outlier_local_trend marca
arima_outlier_additive_patch marca
conf_limit_pct real
max_lags entero
events campos
scoring_model_only marca Se utiliza para modelos
con cifras muy grandes
(cientos de miles) o
series temporales.

propiedades de treeas
El nodo Tree-AS es similar al nodo CHAID existente; sin embargo, el nodo Tree-AS
se ha designado para procesar grandes cantidades de datos (Big Data) para crear
un solo árbol y mostrar el modelo resultante en el visor de salida que se ha añadido
en SPSS Modeler versión 17. El nodo genera un árbol de decisiones utilizando
estadísticas de chi-cuadrado (CHAID) para identificar divisiones opcionales. Este
uso de CHAID puede generar árboles no binarios, lo que significa que algunas
divisiones generarán más de dos ramas. Los campos de entrada y objetivo
pueden ser continuos (rango numérico) o categóricos. CHAID exhaustivo es una
modificación de CHAID que examina con mayor precisión todas las divisiones
posibles, aunque necesita más tiempo para realizar los cálculos.

334 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 151. propiedades de treeas
Propiedades de treeas Valores Descripción de la propiedad
objetivo campo En el nodo Tree-AS, los modelos
CHAID requieren un único objetivo
y uno o más campos de entrada.
También se puede especificar un
campo de frecuencia. Consulte
“Propiedades comunes de nodos de
modelado” en la página 221 para
obtener más información.
method chaid

exhaustive_chaid
max_depth entero Profundidad máxima del árbol, de 0 a
20. El valor predeterminado es 5.
num_bins entero Sólo se utiliza si los datos están
formados por entradas continuas.
Establezca el número de intervalos de
frecuencia que deben utilizarse para
las entradas; las opciones son 2, 4, 5,
10, 20, 25, 50 o 100.
record_threshold entero El número de registros en los que
el modelo pasa de usar valores
p a tamaños del efecto mientras
se construye el árbol. El valor
predeterminado es de 1.000.000; se
incrementa o decrementa de 10.000
en 10.000.
split_alpha number Nivel de significancia para división. El
valor debe estar comprendido entre
0.01 y 0.99.
merge_alpha number Nivel de significancia para fusión. El
valor debe estar comprendido entre
0.01 y 0.99.
bonferroni_adjustment marca Los valores de significancia de ajuste
utilizando el método de Bonferroni.
effect_size_threshold_co number Establece el umbral del tamaño del
nt efecto cuando se dividen los nodos
y fusionan las categorías al usar un
objetivo continuo. El valor debe estar
comprendido entre 0.01 y 0.99.
effect_size_threshold_ca number Establezca el umbral de tamaño de
t efecto al dividir nodos y fusionar
categorías al utilizar un objetivo
categórico. El valor debe estar
comprendido entre 0.01 y 0.99.
split_merged_categories marca Permitir segunda división de categorías
fusionadas.

Capítulo 13. Propiedades de nodos de modelado 335

 Tabla 151. propiedades de treeas (continuación)
Propiedades de treeas Valores Descripción de la propiedad
grouping_sig_level number Se usa para determinar cómo se
forman los grupos de nodos o cómo se
identifican los nodos inusuales.
chi_square pearson Método usado para calcular la
estadística de chi cuadrado: Pearson o
likelihood_ratio Razón de verosimilitud

minimum_record_use use_percentage

use_absolute
min_parent_records_pc number El valor predeterminado es de 2. El
mínimo es 1 y el máximo 100, en
incrementos de 1. El valor de la rama
padre debe ser superior que el de la
rama hija.
min_child_records_pc number El valor predeterminado es 1. Mínimo
1, máximo 100, en incrementos de 1.
min_parent_records_abs number El valor predeterminado es 100.
Mínimo 1, máximo 100, en
incrementos de 1. El valor de la rama
padre debe ser superior a la rama hija.
min_child_records_abs number El valor predeterminado es 50. Mínimo
1, máximo 100, e incrementos de 1.
epsilon number Cambio mínimo en frecuencias de
casillas esperadas.
max_iterations number Número máximo de iteraciones para la
convergencia.
use_costs marca
costes estructurado Propiedad estructurada. El formato es
una lista de 3 valores: el valor real, el
valor pronosticado y el coste de una
predicción errónea. Por ejemplo:

tree.setPropertyValue("costs",
[["drugA", "drugB", 3.0], ["drugX",
"drugY", 4.0]])
default_cost_increase ninguno Nota: sólo se habilita para objetivos
ordinales.
lineal
Establece los valores predeterminados
cuadrado de la matriz de costes.

personalizada
calculate_conf marca

336 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 151. propiedades de treeas (continuación)
Propiedades de treeas Valores Descripción de la propiedad
display_rule_id marca Añade un campo en el resultado de
puntuación que indica el ID para el
nodo terminal al que se asigna cada
registro.

Propiedades de twostepnode
El nodo Bietápico es un método de agrupación en clústeres de dos pasos. El
primer paso es hacer una única pasada por los datos para comprimir los datos
de entrada de la fila en un conjunto de subclústeres administrable. El segundo paso
utiliza un método de agrupación en clústeres jerárquica para fundir progresivamente
los subclústeres en clústeres cada vez más grandes. El bietápico tiene la ventaja
de estimar automáticamente el número óptimo de clústeres para los datos de
entrenamiento. Puede gestionar tipos de campos mixtos y grandes conjuntos de
datos eficazmente.

Ejemplo

node = stream.create("twostep", "My node")

node.setPropertyValue("custom_fields", True)
node.setPropertyValue("inputs", ["Age", "K", "Na", "BP"])
node.setPropertyValue("partition", "Test")
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "TwoStep_Drug")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("exclude_outliers", True)
node.setPropertyValue("cluster_label", "String")
node.setPropertyValue("label_prefix", "TwoStep_")
node.setPropertyValue("cluster_num_auto", False)
node.setPropertyValue("max_num_clusters", 9)
node.setPropertyValue("min_num_clusters", 3)
node.setPropertyValue("num_clusters", 7)

Tabla 152. propiedades de twostepnode

Propiedad de twostepnode Valores Descripción de la propiedad
inputs [field1 ... fieldN] Los modelos bietápicos utilizan una
lista de campos de entrada, pero
no de campos objetivo. Los campos
de ponderación y frecuencia no se
reconocen. Consulte “Propiedades
comunes de nodos de modelado”
en la página 221 para obtener más
información.
standardize marca
exclude_outliers marca
percentage number
cluster_num_auto marca
min_num_clusters number
max_num_clusters number

Capítulo 13. Propiedades de nodos de modelado 337

 Tabla 152. propiedades de twostepnode (continuación)
Propiedad de twostepnode Valores Descripción de la propiedad
num_clusters number
cluster_label Cadena

Number
label_prefix string
distance_measure Euclidean

Loglikelihood
clustering_criterion AIC

BIC

Propiedades de twostepAS
El clúster bietápico es una herramienta de exploración diseñada para descubrir las
agrupaciones naturales (o clústeres) de un conjunto de datos que, de otra manera,
no sería posible detectar. El algoritmo que emplea este procedimiento incluye varias
atractivas características que lo hacen diferente de las técnicas de agrupación en
clústeres tradicionales, como el tratamiento de variables categóricas y continuas, la
selección automática de número de clústeres y la escalabilidad.

Tabla 153. Propiedades de twostepAS

Propiedades de twostepAS Valores Descripción de la
propiedad
inputs [f1 ... fN] Los modelos bietápicos
utilizan una lista de
campos de entrada, pero
no de objetivos. Los
campos de ponderación
y frecuencia no se
reconocen.
use_predefined_roles Booleano Default=True
use_custom_field_assignments Booleano Default=False
cluster_num_auto Booleano Default=True
min_num_clusters número entero Default=2
max_num_clusters número entero Default=15
num_clusters número entero Default=5
clustering_criterion AIC

BIC

338 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 153. Propiedades de twostepAS (continuación)
Propiedades de twostepAS Valores Descripción de la
propiedad
automatic_clustering_method use_clustering_criterion_settin
g

Distance_jump

Mínimo

Máximo
feature_importance_method use_clustering_criterion_settin
g

effect_size
use_random_seed Booleano
random_seed número entero
distance_measure Euclidean

Loglikelihood
include_outlier_clusters Booleano Default=True
num_cases_in_feature_tree_leaf_ número entero Default=10
is_less_than
top_perc_outliers número entero Default=5
initial_dist_change_threshold número entero Default=0
leaf_node_maximum_branches número entero Default=8
non_leaf_node_maximum_branches número entero Default=8
max_tree_depth número entero Default=3
adjustment_weight_on_measurement número entero Default=6
_ level
memory_allocation_mb número Default=512
delayed_split Booleano Default=True
fields_to_standardize [f1 ... fN]
adaptive_feature_selection Booleano Default=True
featureMisPercent número entero Default=70
coefRange número Default=0,05
percCasesSingleCategory número entero Default=95
numCases número entero Default=24
include_model_specifications Booleano Default=True
include_record_summary Booleano Default=True
include_field_transformations Booleano Default=True

Capítulo 13. Propiedades de nodos de modelado 339

 Tabla 153. Propiedades de twostepAS (continuación)
Propiedades de twostepAS Valores Descripción de la
propiedad
excluded_inputs Booleano Default=True
evaluate_model_quality Booleano Default=True
show_feature_importance bar Booleano Default=True
chart
show_feature_importance_ Booleano Default=True
word_cloud
show_outlier_clusters Booleano Default=True
interactive_table_and_chart
show_outlier_clusters_pivot_tabl Booleano Default=True
e
across_cluster_feature_importanc Booleano Default=True
e
across_cluster_profiles_pivot_ Booleano Default=True
table
withinprofiles Booleano Default=True
cluster_distances Booleano Default=True
cluster_label Cadena

Número
label_prefix Cadena

340 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 14. Propiedades del nodo de nugget de
modelo

Los nodos de nugget de modelo comparten las mismas propiedades comunes que los otros nodos.
Consulte “Propiedades de nodos comunes” en la página 76 para obtener más información.

Propiedades de applyanomalydetectionnode
Los nodos de modelado Detección de anomalías pueden utilizarse para generar un nugget de modelo
Detección de anomalías. El nombre de script de este nugget de modelo es applyanomalydetectionnode.
Para obtener más información sobre los scripts para el propio nodo de modelado, consulte “propiedades
de anomalydetectionnode” en la página 222.

Tabla 154. propiedades de applyanomalydetectionnode

Propiedades de Valores Descripción de la propiedad
applyanomalydetectionnode
anomaly_score_method FlagAndScore Determina que resultados se crean para
puntuación.
FlagOnly

ScoreOnly
num_fields entero Campos para informar.
discard_records marca Indica si los registros se descartan del
resultado o no.
discard_anomalous_records marca Indicador de cuando descartar los registros
anómalos o no anómalos. El valor
predeterminado es off, que significa
que se descartan los registros no
anómalos. En caso contrario, si es on,
se descartan los registros anómalos. Esta
propiedad se activa sólo si la propiedad
discard_records se activa.

Propiedades de applyapriorinode
Los nodos de modelado Apriori pueden utilizarse para generar un nugget de modelo Apriori. El nombre de
script de este nugget de modelo es applyapriorinode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “Propiedades de apriorinode” en la página 223

Tabla 155. propiedades de applyapriorinode

Propiedades de applyapriorinode Valores Descripción de la propiedad
max_predictions número (entero)
ignore_unmatached marca
allow_repeats marca
 Tabla 155. propiedades de applyapriorinode (continuación)
Propiedades de applyapriorinode Valores Descripción de la propiedad
check_basket NoPrediction
s

Predictions

NoCheck
criterio Confianza

Soporte

RuleSupport

Lift

Capacidad de
despliegue

Propiedades de applyassociationrulesnode
El nodo de modelado de reglas de asociación se puede utilizar para generar un nugget de modelo
de reglas de asociación. El nombre de script de este nugget de modelo es applyassociationrulesnode.
Para obtener más información sobre los scripts para propio nodo de modelado, consulte “propiedades
associationrulesnode” en la página 225.

Tabla 156. Propiedades de applyassociationrulesnode

Propiedades de Tipo de datos Descripción de la propiedad
applyassociationrulesn
ode
max_predictions entero El número máximo de reglas que se pueden
aplicar a cada entrada de la puntuación.
criterio Confianza Seleccione la medida utilizada para
determinar la fuerza de las reglas.
Rulesupport

Lift

Conditionsupport

Capacidad de
despliegue
allow_repeats Booleana Determine si las reglas con la misma
predicción se incluyen en la puntuación.

342 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 156. Propiedades de applyassociationrulesnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
applyassociationrulesn
ode
check_input NoPredictions

Predictions

NoCheck

Propiedades de applyautoclassifiernode
Los nodos de modelado de clasificador automático se pueden utilizar para crear un nugget de modelo
Clasificador automático. El nombre de script de este nugget de modelo es applyautoclassifiernode.
Para obtener más información sobre los scripts para el propio nodo de modelado, “propiedades de
autoclassifiernode” en la página 228.

Tabla 157. Propiedades de applyautoclassifiernode

Propiedades de Valores Descripción de la propiedad
applyautoclassifiernode
flag_ensemble_method Voting Especifica el método utilizado
para determinar la puntuación
EvaluationWeightedVoting del conjunto. Este conjunto
sólo se aplica si el objetivo
seleccionado es un campo de
ConfidenceWeightedVoting marca.

RawPropensityWeightedVoti
ng

HighestConfidence

AverageRawPropensity
flag_evaluation_selection Exactitud Esta opción es solo para el
distintivo del destino, para
AUC_ROC decidir la medida de evaluación
que se elige para la votación
ponderada por evaluación.
filter_individual_model_o marca Especifica si los resultados de
utput puntuación de los modelos
individuales se deben eliminar.

Capítulo 14. Propiedades del nodo de nugget de modelo 343

 Tabla 157. Propiedades de applyautoclassifiernode (continuación)
Propiedades de Valores Descripción de la propiedad
applyautoclassifiernode
is_ensemble_update marca Habilita la modalidad continua
de aprendizaje automático, que
añade nuevos modelos de
componentes a un conjunto de
modelos automático existente
en lugar de sustituir el modelo
automático existente y vuelve
a evaluar las medidas de
los modelos de componentes
existentes utilizando los datos
nuevos disponibles.
is_auto_ensemble_weights_ marca Habilita la reevaluación
reevaluation automática de ponderaciones del
modelo.
use_accumulated_factor marca Se utiliza el factor acumulado
para calcular las medidas
acumuladas.
accumulated_factor número (double) El valor máximo es 0.99 y el
mínimo es 0.85.
use_accumulated_reducing marca Realiza la reducción del modelo
en función en el límite
acumulado durante la renovación
del modelo.
accumulated_reducing_limi número (double) El valor máximo es 0.7 y el
t mínimo es 0.1.
use_accumulated_weighted_ marca La medida de evaluación
evaluation acumulada se utiliza para votar
cuando se selecciona el método
de votación ponderado por
evaluación para el método de
conjunto.
flag_voting_tie_selection Random Si se selecciona un método de
votación, especifica cómo se
HighestConfidence resolverán los empates. Este
conjunto sólo se aplica si el
objetivo seleccionado es un
RawPropensity campo de marca.
set_ensemble_method Voting Especifica el método utilizado
para determinar la puntuación
EvaluationWeightedVoting del conjunto. Este conjunto
sólo se aplica si el objetivo
seleccionado es un campo de
ConfidenceWeightedVoting conjunto.

HighestConfidence

344 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 157. Propiedades de applyautoclassifiernode (continuación)
Propiedades de Valores Descripción de la propiedad
applyautoclassifiernode
set_voting_tie_selection Random Si se selecciona un método de
votación, especifica cómo se
HighestConfidence resolverán los empates. Este
conjunto sólo se aplica si el
objetivo seleccionado es un
campo nominal.

Propiedades de applyautoclusternode
Los nodos de modelado de Clúster automático se pueden utilizar para crear un nugget de modelo Clúster
automático. El nombre de script de este nugget de modelo es applyautoclusternode. No existe ninguna
otra propiedad para este nugget de modelo. Para obtener más información sobre los scripts para el propio
nodo de modelado, consulte “propiedades de nodo de agrupación en clústeres automática” en la página
231.

Propiedades de applyautonumericnode
Los nodos de modelado autonumérico se pueden utilizar para crear un nugget de modelo Autonumérico.
El nombre de script de este nugget de modelo es applyautonumericnode. Para obtener más información
sobre los scripts para el propio nodo de modelado, “propiedades de autonumericnode” en la página 233.

Tabla 158. propiedades de applyautonumericnode

Propiedades de Valores Descripción de la propiedad
applyautonumericnode
calculate_standard_error marca

Propiedades de applybayesnetnode
Los nodos de modelado de red bayesiana pueden utilizarse para generar un nugget de modelo de red
bayesiana. El nombre de script de este nugget de modelo es applybayesnetnode. Para obtener más
información sobre los scripts para el propio nodo de modelado, consulte “Propiedades de bayesnetnode”
en la página 235.

Tabla 159. propiedades de applybayesnetnode

Propiedades de Valores Descripción de la propiedad
applybayesnetnode
all_probabilities tag
raw_propensity tag
adjusted_propensity tag
calculate_raw_propensiti tag
es
calculate_adjusted_prope tag
nsities

Capítulo 14. Propiedades del nodo de nugget de modelo 345

Propiedades de applyc50node
Los nodos de modelado C5.0 pueden utilizarse para generar un nugget de modelo C5.0. El nombre de
script de este nugget de modelo es applyc50node. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “propiedades de c50node” en la página 237.

Tabla 160. propiedades de applyc50node

Propiedades de Valores Descripción de la propiedad
applyc50node
sql_generate udf Se utiliza para establecer las opciones
de generación de SQL durante la
Nunca ejecución del conjunto de reglas. El
valor predeterminado es udf.

NoMissingValues
calculate_conf marca Disponible cuando la generación de
SQL está activada. Esta propiedad
incluye los cálculos de confianza en el
árbol generado.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applycarmanode
Los nodos de modelado CARMA pueden utilizarse para generar un nugget de modelo CARMA. El nombre
de script de este nugget de modelo es applycarmanode. No existe ninguna otra propiedad para este
nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “propiedades de carmanode” en la página 239.

Propiedades de applycartnode
Se pueden utilizar los nodos de modelado C&RT para generar un nugget de modelo C&RT. El nombre de
script de este nugget de modelo es applycartnode. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “propiedades de cartnode” en la página 240.

Tabla 161. propiedades de applycartnode

Propiedades de Valores Descripción de la propiedad
applycartnode
enable_sql_generation Nunca Se utiliza para establecer las opciones
de generación de SQL durante la
MissingValues ejecución del conjunto de reglas.

NoMissingValues
calculate_conf marca Disponible cuando la generación de
SQL está activada. Esta propiedad
incluye los cálculos de confianza en el
árbol generado.

346 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 161. propiedades de applycartnode (continuación)
Propiedades de Valores Descripción de la propiedad
applycartnode
display_rule_id marca Añade un campo en el resultado de
puntuación que indica el ID para el
nodo terminal al que se asigna cada
registro.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applychaidnode
Los nodos de modelado CHAID pueden utilizarse para generar un nugget de modelo CHAID. El nombre de
script de este nugget de modelo es applychaidnode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “propiedades de chaidnode” en la página 243.

Tabla 162. propiedades de applychaidnode

Propiedades de Valores Descripción de la propiedad
applychaidnode
enable_sql_generation Nunca Se utiliza para establecer las opciones
de generación de SQL durante la
MissingValues ejecución del conjunto de reglas.

calculate_conf marca
display_rule_id marca Añade un campo en el resultado de
puntuación que indica el ID para el
nodo terminal al que se asigna cada
registro.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applycoxregnode
Los nodos de modelado Cox pueden utilizarse para generar un nugget de modelo Cox. El nombre de script
de este nugget de modelo es applycoxregnode. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “propiedades de coxregnode” en la página 246.

Tabla 163. propiedades de applycoxregnode

Propiedades de Valores Descripción de la propiedad
applycoxregnode
future_time_as Intervalos

Campos
time_interval number
num_future_times entero

Capítulo 14. Propiedades del nodo de nugget de modelo 347

 Tabla 163. propiedades de applycoxregnode (continuación)
Propiedades de Valores Descripción de la propiedad
applycoxregnode
time_field campo
past_survival_time campo
all_probabilities marca
cumulative_hazard marca

Propiedades de applydecisionlistnode
Los nodos de modelado Lista de decisiones pueden utilizarse para generar un nugget de modelo
Lista de decisiones. El nombre de script de este nugget de modelo es applydecisionlistnode. Para
obtener más información sobre los scripts para el propio nodo de modelado, consulte “Propiedades de
decisionlistnode” en la página 248.

Tabla 164. propiedades de applydecisionlistnode

Propiedades de Valores Descripción de la propiedad
applydecisionlistnode
enable_sql_generation marca Cuando se establece en true, IBM
SPSS Modeler intenta enviar el modelo
Lista de decisiones a SQL.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applydiscriminantnode
Los nodos de modelado Discriminante pueden utilizarse para generar un nugget de modelo Discriminante.
El nombre de script de este nugget de modelo es applydiscriminantnode. Para obtener más información
sobre los scripts para el propio nodo de modelado, consulte “propiedades de discriminantnode” en la
página 250.

Tabla 165. propiedades de applydiscriminantnode

Propiedades de Valores Descripción de la propiedad
applydiscriminantnode
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

348 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Propiedades de applyextension
Los nodos de Modelo de extensión se pueden
utilizar para generar un nugget de modelo de
Extensión. El nombre de script de este nugget
de modelo es applyextension. Para obtener más
información sobre los scripts para el propio
nodo de modelado, consulte “Propiedades de
extensionmodelnode” en la página 252.

Ejemplo de Python para Spark

#### Ejemplo de script de Python para Spark
applyModel = stream.findByType("extension_apply", None)

score_script = """
import json
import spss.pyspark.runtime
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.linalg import DenseVector
from pyspark.mllib.tree import DecisionTreeModel
from pyspark.sql.types import StringType, StructField

cxt = spss.pyspark.runtime.getContext()

if cxt.isComputeDataModelOnly():
_schema = cxt.getSparkInputSchema()
_schema.fields.append(StructField("Prediction", StringType(), nullable=True))
cxt.setSparkOutputSchema(_schema)
else:
df = cxt.getSparkInputData()

_modelPath = cxt.getModelContentToPath("TreeModel")
metadata = json.loads(cxt.getModelContentToString("model.dm"))

schema = df.dtypes[:]
target = "Drug"
predictors = ["Age","BP","Sex","Cholesterol","Na","K"]

lookup = {}
for i in range(0,len(schema)):
lookup[schema[i][0]] = i

def row2LabeledPoint(dm,lookup,target,predictors,row):
target_index = lookup[target]
tval = dm[target_index].index(row[target_index])
pvals = []
for predictor in predictors:
predictor_index = lookup[predictor]
if isinstance(dm[predictor_index],list):
pval = row[predictor_index] in dm[predictor_index] and
dm[predictor_index].index(row[predictor_index]) or -1
else:
pval = row[predictor_index]
pvals.append(pval)
return LabeledPoint(tval, DenseVector(pvals))

# convertir marco de datos a un RDD que contiene LabeledPoint

lps = df.rdd.map(lambda row: row2LabeledPoint(metadata,lookup,target,predictors,row))
treeModel = DecisionTreeModel.load(cxt.getSparkContext(), _modelPath);
# puntuar el modelo, produce un RDD que contiene sólo valores dobles
predictions = treeModel.predict(lps.map(lambda lp: lp.features))

def addPrediction(x,dm,lookup,target):
result = []
for _idx in range(0, len(x[0])):
result.append(x[0][_idx])
result.append(dm[lookup[target]][int(x[1])])
return result

_schema = cxt.getSparkInputSchema()
_schema.fields.append(StructField("Prediction", StringType(), nullable=True))
rdd2 = df.rdd.zip(predictions).map(lambda x:addPrediction(x, metadata, lookup, target))
outDF = cxt.getSparkSQLContext().createDataFrame(rdd2, _schema)

Capítulo 14. Propiedades del nodo de nugget de modelo 349

 cxt.setSparkOutputData(outDF)
"""
applyModel.setPropertyValue("python_syntax", score_script)

Ejemplo de R
#### Ejemplo de script de R
applyModel.setPropertyValue("r_syntax", """
result<-predict(modelerModel,newdata=modelerData)
modelerData<-cbind(modelerData,result)
var1<-c(fieldName="NaPrediction",fieldLabel="",fieldStorage="real",fieldMeasure="",
fieldFormat="",fieldRole="")
modelerDataModel<-data.frame(modelerDataModel,var1)""")

Tabla 166. Propiedades de applyextension

Propiedades de
applyextension Valores Descripción de la propiedad
r_syntax cadena Sintaxis de scripts R para la
puntuación del modelo.
python_syntax cadena Sintaxis de scripts Python para la
puntuación de modelo.
use_batch_size marca Habilitar uso de proceso por
lotes.
batch_size entero Especifique el número de
registros de datos que se deben
incluir en cada lote.
convert_flags Opción para convertir campos de
StringsAndDoubles
LogicalValues distintivos.

convert_missing marca Opción para convertir valores

perdidos al valor NA de R.
convert_datetime marca Opción para convertir las
variables con los formatos de
fecha o de fecha y hora para
formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a
POSIXct
qué formato se convierten las
POSIXlt
variables con los formatos de
fecha o de fecha y hora.

Propiedades de applyfactornode
Los nodos de modelado PCA/Factorial pueden utilizarse para generar un nugget de modelo PCA/Factorial.
El nombre de script de este nugget de modelo es applyfactornode. No existe ninguna otra propiedad para
este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “propiedades de factornode” en la página 255.

Propiedades de applyfeatureselectionnode
Los nodos de modelado Selección de características pueden utilizarse para generar un nugget de modelo
Selección de características. El nombre de script de este nugget de modelo es applyfeatureselectionnode.
Para obtener más información sobre los scripts para el propio nodo de modelado, consulte “propiedades
de featureselectionnode” en la página 257.

350 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 167. propiedades de applyfeatureselectionnode
Propiedades de Valores Descripción de la propiedad
applyfeatureselectionnod
e
selected_ranked_fields especifica qué campos clasificados
se comprueban en el explorador de
modelos.
selected_screened_fields Especifica qué campos filtrados se
comprueban en el explorador de
modelos.

Propiedades de applygeneralizedlinearnode
Los nodos de modelado lineal generalizado (genlin) pueden utilizarse para generar un nugget de modelo
lineal generalizado. El nombre de script de este nugget de modelo es applygeneralizedlinearnode. Para
obtener más información sobre los scripts para el propio nodo de modelado, consulte “propiedades de
genlinnode” en la página 259.

Tabla 168. propiedades de applygeneralizedlinearnode

Propiedades de Valores Descripción de la propiedad
applygeneralizedlinearno
de
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applyglmmnode
Los nodos de modelado GLMM pueden utilizarse para generar un nugget de modelo GLMM. El nombre de
script de este nugget de modelo es applyglmmnode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “Propiedades de glmmnode” en la página 265.

Tabla 169. Propiedades de applyglmmnode

Propiedades de Valores Descripción de la propiedad
applyglmmnode
confidence onProbability Base para calcular el valor
de confianza de la puntuación:
onIncrease probabilidad más alta predicha, o la
diferencia entre la probabilidad más
alta predicha y la segunda probabilidad
más alta.
score_category_probabili marca Si es True, genera las probabilidades
ties predichas para objetivos categóricos.
Se crea un campo para cada categoría.
El valor predeterminado es False.
max_categories entero Número máximo de categorías para
el que se van a predecir las
probabilidades. Sólo se utiliza si
score_category_probabilities
es True.

Capítulo 14. Propiedades del nodo de nugget de modelo 351

 Tabla 169. Propiedades de applyglmmnode (continuación)
Propiedades de Valores Descripción de la propiedad
applyglmmnode
score_propensity marca Si se establece en True, genera
puntuaciones de propensión en bruto
(probabilidad de resultado "True") para
modelos con objetivos de marca. Si
las particiones están en vigor, también
genera puntuaciones de propensión
ajustadas en función de la partición
de prueba. El valor predeterminado es
False.
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Las opciones son
para retrotraer a la base de datos y
puntuar utilizando un adaptador de
puntuación de SPSS® Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado) o para puntuar en SPSS
Modeler.

El valor predeterminado es udf.

Propiedades de applygle
Los nodos de modelado GLE pueden utilizarse para generar un nugget de modelo GLE. El nombre de
script de este nugget de modelo es applygle. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “Propiedades de gle” en la página 270.

Tabla 170. Propiedades de applygle

Propiedades de applygle Valores Descripción de la propiedad
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Elija si desea realizar
una retrotracción a la base de datos
y puntuar utilizando un adaptador de
puntuación de SPSS Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado) o puntuar dentro de SPSS
Modeler.

Propiedades applygmm
El nodo de mezcla gausiana se puede utilizar para generar un nugget de modelo de mezcla gausiana. El
nombre de script de este nugget de modelo es applygmm. Las propiedades de la siguiente tabla están
disponibles en la versión 18.2.1.1 y posterior. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “Propiedades gmm” en la página 441.

352 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 171. Propiedades applygmm
Propiedades applygmm Tipo de datos Descripción de la propiedad
centros
recuento_elementos
total
dimensión
componentes
partición

Propiedades de applykmeansnode
Los nodos de modelado K-medias pueden utilizarse para generar un nugget de modelo K-medias. El
nombre de script de este nugget de modelo es applykmeansnode. No existe ninguna otra propiedad para
este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “propiedades de kmeansnode” en la página 278.

Propiedades de applyknnnode
Los nodos de modelado KNN pueden utilizarse para generar un nugget de modelo KNN. El nombre de
script de este nugget de modelo es applyknnnode. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “propiedades de knnnode” en la página 280.

Tabla 172. propiedades de applyknnnode

Propiedades de Valores Descripción de la propiedad
applyknnnode
all_probabilities marca
save_distances marca

Propiedades de applykohonennode
Los nodos de modelado Kohonen pueden utilizarse para generar un nugget de modelo Kohonen. El
nombre de script de este nugget de modelo es applykohonennode. No existe ninguna otra propiedad para
este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “propiedades de c50node” en la página 237.

Propiedades de applylinearnode
Los nodos de modelado lineal pueden utilizarse para generar un nugget de modelo lineal. El nombre de
script de este nugget de modelo es applylinearnode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “Propiedades de linearnode” en la página 283.

Tabla 173. Propiedades de applylinearnode

Propiedades de linear Valores Descripción de la propiedad
use_custom_name marca
custom_name string

Capítulo 14. Propiedades del nodo de nugget de modelo 353

 Tabla 173. Propiedades de applylinearnode (continuación)
Propiedades de linear Valores Descripción de la propiedad
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Las opciones se
van a retrotraer a la base de datos y
la puntuación mediante el adaptador
puresql de puntuación SPSS® Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado), para puntuar en SPSS
Modeler, o para retrotraer a la base de
datos y puntuar mediante SQL.

El valor predeterminado es udf.

Propiedades de applylinearasnode
Los nodos de modelado Linear-AS pueden utilizarse para generar un nugget de modelo Linear-AS. El
nombre de script de este nugget de modelo es applylinearasnode. Para obtener más información sobre
los scripts para el propio nodo de modelado, consulte “Propiedades de linearasnode” en la página 285.

Tabla 174. Propiedades de applylinearasnode

Propiedad de Valores Descripción de la propiedad
applylinearasnode
enable_sql_generation udf El valor predeterminado es udf.

native

Propiedades de applylogregnode
Los nodos de modelado Regresión logística pueden utilizarse para generar un nugget de modelo
Regresión logística. El nombre de script de este nugget de modelo es applylogregnode. Para obtener más
información sobre los scripts para el propio nodo de modelado, consulte “Propiedades de logregnode” en
la página 287.

Tabla 175. propiedades de applylogregnode

Propiedades de Valores Descripción de la propiedad
applylogregnode
calculate_raw_propensiti marca
es
calculate_conf marca
enable_sql_generation marca

Propiedades de applylsvmnode
Los nodos de modelado LSVM pueden utilizarse para generar un nugget de modelo LSVM. El nombre de
script de este nugget de modelo es applylsvmnode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “propiedades de lsvmnode” en la página 293.

354 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 176. propiedades de applylsvmnode
Propiedades de applylsvmnode Valores Descripción de la propiedad
calculate_raw_propensities marca Especifica si deben calcularse
puntuaciones de propensión en bruto.
enable_sql_generation udf Especifica si debe puntuarse utilizando
el adaptador de puntuación (si está
native instalado) o en proceso, o puntuar fuera
de la base de datos.

Propiedades de applyneuralnetnode
Los nodos de modelado Red neuronal pueden utilizarse para generar un nugget de modelo Red neuronal.
El nombre de script de este nugget de modelo es applyneuralnetnode. Para obtener más información
sobre los scripts para el propio nodo de modelado, consulte “propiedades de neuralnetnode” en la página
294.
Precaución: Una versión más reciente del nodo de modelado Red neural, con características mejoradas,
está disponible en esta versión y se describe en la sección siguiente (applyneuralnetwork). Aunque la
versión anterior sigue estando disponible, le recomendamos actualizar sus scripts para que se usen la
nueva versión. En este documento se incluyen detalles de la versión anterior como referencia, pero en
versiones futuras dejará de ser compatible.

Tabla 177. propiedades de applyneuralnetnode

Propiedades de Valores Descripción de la propiedad
applyneuralnetnode
calculate_conf marca Disponible cuando la generación de SQL
está activada. Esta propiedad incluye
los cálculos de confianza en el árbol
generado.
enable_sql_generation marca
nn_score_method Diferencia

SoftMax
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

propiedades de applyneuralnetworknode
Los nodos de modelado Red neuronal pueden utilizarse para generar un nugget de modelo Red neuronal.
El nombre de script de este nugget de modelo es applyneuralnetworknode. Si desea más información
sobre cómo crear scripts para el propio nodo de modelado, consulte Propiedades neuralnetworknode

Tabla 178. propiedades de applyneuralnetworknode

Propiedades de Valores Descripción de la propiedad
applyneuralnetworknode
use_custom_name marca
custom_name string

Capítulo 14. Propiedades del nodo de nugget de modelo 355

 Tabla 178. propiedades de applyneuralnetworknode (continuación)
Propiedades de Valores Descripción de la propiedad
applyneuralnetworknode
confidence onProbability

onIncrease
score_category_probabili marca
ties
max_categories number
score_propensity marca
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Las opciones se
van a retrotraer a la base de datos y
la puntuación mediante el adaptador
puresql de puntuación SPSS® Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado), para puntuar en SPSS
Modeler, o para retrotraer a la base de
datos y puntuar mediante SQL.

El valor predeterminado es udf.

Propiedades de applyocsvmnode
Los nodos SVM de una clase se pueden utilizar para generar un nugget de modelo SVM de una clase. El
nombre de script de este nugget de modelo es applyocsvmnode. No existe ninguna otra propiedad para
este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “ocsvmnode, propiedades” en la página 447.

Propiedades de applyquestnode
Los nodos de modelado QUEST pueden utilizarse para generar un nugget de modelo QUEST. El nombre de
script de este nugget de modelo es applyquestnode. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “propiedades de questnode” en la página 299.

Tabla 179. propiedades de applyquestnode

Propiedades de Valores Descripción de la propiedad
applyquestnode
enable_sql_generation Nunca Se utiliza para establecer las opciones
de generación de SQL durante la
MissingValues ejecución del conjunto de reglas.

NoMissingValues
calculate_conf marca

356 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 179. propiedades de applyquestnode (continuación)
Propiedades de Valores Descripción de la propiedad
applyquestnode
display_rule_id marca Añade un campo en el resultado de
puntuación que indica el ID para el
nodo terminal al que se asigna cada
registro.
calculate_raw_propensiti marca
es
calculate_adjusted_prope marca
nsities

Propiedades de applyr
Los nodos de modelado R pueden utilizarse para generar un nugget de modelo R. El nombre de script de
este nugget de modelo es applyr. Para obtener más información sobre los scripts para el propio nodo de
modelado, consulte “propiedades de buildr” en la página 237.

Tabla 180. propiedades de applyr

Propiedades de applyr Valores Descripción de la propiedad
score_syntax cadena Sintaxis de scripts R para la
puntuación del modelo.
convert_flags Opción para convertir campos de
StringsAndDoubles
LogicalValues distintivos.

convert_datetime marca Opción para convertir las

variables con los formatos de
fecha o de fecha y hora para
formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a
POSIXct
qué formato se convierten las
POSIXlt
variables con los formatos de
fecha o de fecha y hora.
convert_missing marca Opción para convertir los valores
que faltan al valor R NA.
use_batch_size marca Habilite el uso del proceso por
lotes
batch_size entero Especifique el número de
registros de datos que se
incluirán en cada lote

Propiedades applyrandomtrees
El nodo de modelador Árboles aleatorios se puede utilizar para generar un nugget del modelo Árboles
aleatorios. El nombre de script de este nugget de modelo es applyrandomtrees. Para obtener más
información sobre los scripts para el propio nodo de modelado, consulte “propiedades randomtrees”
en la página 302.

Capítulo 14. Propiedades del nodo de nugget de modelo 357

 Tabla 181. propiedades applyrandomtrees
Propiedades Valores Descripción de la propiedad
applyrandomtrees
calculate_conf marca Esta propiedad incluye cálculos de
confianza en el árbol generado.
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Elija si desea realizar
una retrotracción a la base de datos
y puntuar utilizando un adaptador de
puntuación de SPSS Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado) o puntuar dentro de SPSS
Modeler.

Propiedades de applyregressionnode
Los nodos de modelado Regresión lineal pueden utilizarse para generar un nugget de modelo Regresión
lineal. El nombre de script de este nugget de modelo es applyregressionnode. No existe ninguna otra
propiedad para este nugget de modelo. Para obtener más información sobre los scripts para el propio
nodo de modelado, consulte “Propiedades de regressionnode” en la página 304.

propiedades de applyselflearningnode
Los nodos de modelado de modelo de respuesta de autoaprendizaje (SLRM) pueden utilizarse
para generar un nugget de modelo SLRM. El nombre de script de este nugget de modelo es
applyselflearningnode. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “propiedades de slrmnode” en la página 308.

Tabla 182. propiedades de applyselflearningnode

Propiedades de Valores Descripción de la propiedad
applyselflearningnode
max_predictions number
randomization number
scoring_random_seed number
sort ascending Especifica si se mostrarán primero las
ofertas con las puntuaciones más altas o
descending más bajas.

model_reliability marca Tiene en cuenta la opción de fiabilidad

del modelo de la pestaña Configuración.

Propiedades de applysequencenode
Los nodos de modelado Secuencia pueden utilizarse para generar un nugget de modelo Secuencia. El
nombre de script de este nugget de modelo es applysequencenode. No existe ninguna otra propiedad
para este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de
modelado, consulte “propiedades de sequencenode” en la página 307.

358 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Propiedades de applysvmnode
Los nodos de modelado SVM pueden utilizarse para generar un nugget de modelo SVM. El nombre de
script de este nugget de modelo es applysvmnode. Para obtener más información sobre los scripts para el
propio nodo de modelado, consulte “propiedades de svmnode” en la página 316.

Tabla 183. propiedades de applysvmnode

Propiedades de applysvmnode Valores Descripción de la propiedad
all_probabilities marca
calculate_raw_propensities marca
calculate_adjusted_propensi marca
ties

Propiedades de applystpnode
El nodo de modelado STP puede utilizarse para generar un nugget de modelo asociado, que muestra la
salida del modelo en el Visor de salida. El nombre de script de este nugget de modelo es applystpnode.
Para obtener más información sobre los scripts para el propio nodo de modelado, consulte “propiedades
de stpnode” en la página 310.

Tabla 184. Propiedades de applystpnode

Propiedades de Tipo de datos Descripción de la propiedad
applystpnode
uncertainty_factor Booleana Mínimo 0, máximo 100.

Propiedades de applytcmnode
Los nodos de modelado temporal causal (TCM) pueden usarse para generar un nugget de modelo TCM.
El nombre de script de este nugget de modelo es applytcmnode. Para obtener más información sobre los
scripts para el propio nodo de modelado, consulte “Propiedades de tcmnode” en la página 318.

Tabla 185. Propiedades de applytcmnode

Propiedades de applytcmnode Valores Descripción de la propiedad
ext_future booleano
ext_future_num entero
noise_res booleano
conf_limits booleano
target_fields list
target_series list

Propiedades applyts
El nodo de modelado Serie temporal se puede utilizar para generar un nugget de modelo Serie temporal.
El nombre de scripts de este nugget de modelo es applyts. Para obtener más información sobre los scripts
para el propio nodo de modelado, consulte “propiedades ts” en la página 323.

Capítulo 14. Propiedades del nodo de nugget de modelo 359

 Tabla 186. propiedades applyts
Propiedades applyts Valores Descripción de la propiedad
extend_records_into_future Booleana
ext_future_num entero
compute_future_values_input Booleana
forecastperiods entero
noise_res booleano
conf_limits booleano
target_fields list
target_series list
includeTargets campo

Propiedades applytimeseriesnode (en desuso)

El nodo de modelado Serie temporal se puede utilizar para generar un nugget de modelo Serie temporal.
El nombre de script de este nugget de modelo es applytimeseriesnode. Para obtener más información
sobre los scripts para el propio nodo de modelado, consulte “Propiedades timeseriesnode (en desuso)”
en la página 331.

Tabla 187. propiedades de applytimeseriesnode

Propiedades de Valores Descripción de la propiedad
applytimeseriesnode
calculate_conf tag
calculate_residuals tag

Propiedades de applytreeas
Los nodos de modelado Tree-AS pueden utilizarse para generar un nugget de modelo Tree-AS. El nombre
de script de este nugget de modelo es applytreenas. Para obtener más información sobre los scripts para
el propio nodo de modelado, consulte “propiedades de treeas” en la página 334.

Tabla 188. propiedades de applytreeas

Propiedades de applytreeas Valores Descripción de la propiedad
calculate_conf marca Esta propiedad incluye cálculos de
confianza en el árbol generado.
display_rule_id marca Añade un campo en el resultado de
puntuación que indica el ID para el
nodo terminal al que se asigna cada
registro.

360 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 188. propiedades de applytreeas (continuación)
Propiedades de applytreeas Valores Descripción de la propiedad
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Elija si desea realizar
una retrotracción a la base de datos
y puntuar utilizando un adaptador de
puntuación de SPSS Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado) o puntuar dentro de SPSS
Modeler.

Propiedades de applytwostepnode
Los nodos de modelado Bietápico pueden utilizarse para generar un nugget de modelo Bietápico. El
nombre de script de este nugget de modelo es applytwostepnode. No existe ninguna otra propiedad para
este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “Propiedades de twostepnode” en la página 337.

Propiedades de applytwostepAS
Los nodos de modelado Bietápico AS pueden utilizarse para generar un nugget de modelo Bietápico AS.
El nombre de script de este nugget de modelo es applytwostepAS. Para obtener más información sobre
los scripts para el propio nodo de modelado, consulte “Propiedades de twostepAS” en la página 338.

Tabla 189. Propiedades de applytwostepAS

Propiedades de Valores Descripción de la propiedad
applytwostepAS
enable_sql_generation udf Se utiliza para establecer las opciones
de generación de SQL durante la
native ejecución de ruta. Las opciones son
para retrotraer a la base de datos y
puntuar utilizando un adaptador de
puntuación de SPSS® Modeler Server
(si está conectado a una base de
datos con un adaptador de puntuación
instalado) o para puntuar en SPSS
Modeler.

El valor predeterminado es udf.

Propiedades de applyxgboosttreenode
El nodo XGBoost Tree se puede utilizar para generar un nugget de modelo de XGBoost Tree. El nombre de
script de este nugget de modelo es applyxgboosttreenode. Las propiedades de la siguiente tabla se han
añadido en 18.2.1.1. Para obtener más información sobre los scripts para el propio nodo de modelado,
consulte “Propiedades de xgboosttreenode” en la página 456.

Capítulo 14. Propiedades del nodo de nugget de modelo 361

 Tabla 190. Propiedades de applyxgboosttreenode
Propiedades de Tipo de datos Descripción de la propiedad
applyxgboosttreenode
use_model_name
model_name

Propiedades de applyxgboostlinearnode
Los nodos XGBoost Linear se pueden utilizar para generar un nugget de modelo de XGBoost Linear. El
nombre de script de este nugget de modelo es applyxgboostlinearnode. No existe ninguna otra propiedad
para este nugget de modelo. Para obtener más información sobre los scripts para el propio nodo de
modelado, consulte “Propiedades xgboostlinearnode” en la página 455.

Propiedades de hdbscannugget
El nodo HDBSCAN se puede utilizar para generar un nugget de modelo HDBSCAN. El nombre de scripts
de este nugget de modelo es hdbscannugget. No existe ninguna otra propiedad para este nugget de
modelo. Para obtener más información sobre los scripts para el propio nodo de modelado, consulte
“Propiedades hdbscannode” en la página 442.

Propiedades kdeapply
El nodo de modelado KDE se puede utilizar para generar un nugget de modelo KDE. El nombre de scripts
de este nugget de modelo es kdeapply. Si desea más información sobre los scripts del propio nodo de
modelado, consulte “Propiedades kdemodel” en la página 444.

Tabla 191. Propiedades kdeapply

Propiedades kdeapply Tipo de datos Descripción de la propiedad
outLogDensity booleano Especifique True o False para incluir o
excluir el valor de densidad de logaritmo
Renombrado como en el resultado. El valor predeterminado
out_log_density a partir de la es False.
versión 18.2.1.1

362 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 15. Propiedades del nodo de modelado de
base de datos

IBM SPSS Modeler admite la integración con herramientas de modelado y minería de datos disponibles
en proveedores de bases de datos, incluidos Microsoft SQL Server Analysis Services, Oracle Data Mining e
IBM Netezza Analytics. Podrá crear y almacenar modelos mediante algoritmos nativos de bases de datos,
todo desde la aplicación IBM SPSS Modeler. Los modelos de base de datos también se pueden crear y
manipular a través de scripts utilizando las propiedades descritas en esta sección.
Por ejemplo, el siguiente fragmento de script muestra la creación de un modelo de árboles de decisión de
Microsoft mediante la interfaz de scripts de IBM SPSS Modeler:

ruta = modeler.script.stream()
msbuilder = stream.createAt("mstreenode", "MSBuilder", 200, 200)

msbuilder.setPropertyValue("analysis_server_name", 'localhost')
msbuilder.setPropertyValue("analysis_database_name", 'TESTDB')
msbuilder.setPropertyValue("mode", 'Expert')
msbuilder.setPropertyValue("datasource", 'LocalServer')
msbuilder.setPropertyValue("target", 'Drug')
msbuilder.setPropertyValue("inputs", ['Age', 'Sex'])
msbuilder.setPropertyValue("unique_field", 'IDX')
msbuilder.setPropertyValue("custom_fields", True)
msbuilder.setPropertyValue("model_name", 'MSDRUG')

typenode = stream.findByType("type", None)

stream.link(typenode, msbuilder)
results = []
msbuilder.run(results)
msapplier = stream.createModelApplierAt(results[0], "Drug", 200, 300)
tablenode = stream.createAt("table", "Results", 300, 300)
stream.linkBetween(msapplier, typenode, tablenode)
msapplier.setPropertyValue("sql_generate", True)
tablenode.run([])

Propiedades de nodos de modelado de Microsoft

Propiedades de nodos de modelado de Microsoft

Propiedades comunes
Las siguientes propiedades son comunes a los nodos de modelado de bases de datos de Microsoft.

Tabla 192. Propiedades comunes de nodos de Microsoft

Propiedades comunes de nodo Valores Descripción de la propiedad
de Microsoft
analysis_database_name string Nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host de Analysis Services.
use_transactional_data marca Especifica si los datos de entrada están en formato
tabular o transaccional.
inputs list Campos de entrada de datos tabulares.
 Tabla 192. Propiedades comunes de nodos de Microsoft (continuación)
Propiedades comunes de nodo Valores Descripción de la propiedad
de Microsoft
objetivo campo Campo predicho (no aplicable a nodo Clúster
de MS o nodos de Agrupación en clústeres de
secuencias).
unique_field campo Campos clave.
msas_parameters estructurado Parámetros del algoritmo. Consulte “Parámetros
del algoritmo” en la página 365 para obtener más
información.
with_drillthrough marca Opción Con exploración.

Árbol de decisión de MS
No hay propiedades específicas para los nodos del tipo mstreenode. Consulte las propiedades comunes
de Microsoft que se indican al comienzo de esta sección.

Clúster de MS
No hay propiedades específicas para los nodos del tipo msclusternode. Consulte las propiedades
comunes de Microsoft que se indican al comienzo de esta sección.

Reglas de asociación de MS
Las siguientes propiedades específicas están disponibles para los nodos del tipo msassocnode:

Tabla 193. propiedades de msassocnode

Propiedades de msassocnode Valores Descripción de la propiedad
id_field campo Identifica todas las transacciones en los datos.
trans_inputs list Los campos de entrada de datos
transaccionales.
transactional_target campo Campo predicho (datos transaccionales).

Bayesiano ingenuo de MS
No hay propiedades específicas para los nodos del tipo msbayesnode. Consulte las propiedades
comunes de Microsoft que se indican al comienzo de esta sección.

Regresión lineal de MS
No hay propiedades específicas para los nodos del tipo msregressionnode. Consulte las propiedades
comunes de Microsoft que se indican al comienzo de esta sección.

Red neuronal de MS
No hay propiedades específicas para los nodos del tipo msneuralnetworknode. Consulte las
propiedades comunes de Microsoft que se indican al comienzo de esta sección.

Regresión logística de MS
No hay propiedades específicas para los nodos del tipo mslogisticnode. Consulte las propiedades
comunes de Microsoft que se indican al comienzo de esta sección.

364 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Series temporales de MS
No hay propiedades específicas para los nodos del tipo mstimeseriesnode. Consulte las propiedades
comunes de Microsoft que se indican al comienzo de esta sección.

Clúster de secuencias de MS
Las siguientes propiedades específicas están disponibles para los nodos del tipo
mssequenceclusternode:

Tabla 194. propiedades de mssequenceclusternode

Propiedades de Valores Descripción de la propiedad
mssequenceclusternode
id_field campo Identifica todas las transacciones en los datos.
input_fields list Los campos de entrada de datos
transaccionales.
sequence_field campo Identificador de secuencia.
target_field campo Campo predicho (datos tabulares).

Parámetros del algoritmo

Cada tipo de modelo de base de datos de Microsoft tiene parámetros concretos que se pueden establecer
mediante la propiedad msas_parameters. Por ejemplo:

ruta = modeler.script.stream()
msregressionnode = stream.findByType("msregression", None)
msregressionnode.setPropertyValue("msas_parameters",
[["MAXIMUM_INPUT_ATTRIBUTES", 255],
["MAXIMUM_OUTPUT_ATTRIBUTES", 255]])

Estos parámetros se derivan de SQL Server. Para ver los parámetros relevantes para cada nodo:
1. Coloque un nodo de origen de base de datos en el lienzo.
2. Abra el nodo de origen de base de datos.
3. Seleccione un origen válido en la lista desplegable Origen de datos.
4. Seleccione una tabla válida en la lista Nombre de tabla.
5. Pulse en Aceptar para cerrar el nodo de origen de base de datos.
6. Conecte un nodo de modelado de bases de datos de Microsoft cuyas propiedades desee conocer.
7. Abra el nodo de modelado de bases de datos.
8. Seleccione la pestaña Experto.
Aparecerán las propiedades msas_parameters disponibles de este nodo.

Propiedades de nugget de modelo de Microsoft

Las siguientes propiedades son para los nugget de modelo creados mediante los nodos de modelado de
bases de datos de Microsoft.

Capítulo 15. Propiedades del nodo de modelado de base de datos 365

 Árbol de decisión de MS
Tabla 195. Propiedades de Árbol de decisión de MS
Propiedades de Valores Descripción
applymstreenode
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.
datasource string Nombre del origen de datos (DSN) ODBC de SQL
Server.
sql_generate marca Activa la generación de SQL.

udf

Regresión lineal de MS
Tabla 196. Propiedades de Regresión lineal de MS
Propiedades de Valores Descripción
applymsregressionnode
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.

Red neuronal de MS
Tabla 197. Propiedades de Red neuronal de MS
Propiedades de Valores Descripción
applymsneuralnetworknode
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.

366 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Regresión logística de MS
Tabla 198. Propiedades de Regresión logística de MS
Propiedades de Valores Descripción
applymslogisticnode
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.

Series temporales de MS
Tabla 199. Propiedades de MS Time Series
Propiedades de Valores Descripción
applymstimeseriesnode
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.
start_from new_predictio Especifica si se realizarán predicciones futuras o
n históricas.

historical_
prediction

new_step number Define el período de tiempo inicial de

predicciones futuras.
historical_step number Define el período de tiempo inicial de
predicciones históricas.
end_step number Define el período de tiempo final de las
predicciones.

Clúster de secuencias de MS
Tabla 200. Propiedades de Agrupación en clústeres de secuencias de MS
Propiedades de Valores Descripción
applymssequenceclusternod
e
analysis_database_name string Este nodo se puede puntuar directamente en una
ruta.

Esta propiedad se utiliza para identificar el

nombre de la base de datos de Analysis Services.
analysis_server_name string Nombre del host del servidor de análisis.

Capítulo 15. Propiedades del nodo de modelado de base de datos 367

Propiedades de nodos de modelado de Oracle

Propiedades de nodos de modelado de Oracle

Las siguientes propiedades son comunes a los nodos de modelado de bases de datos de Oracle.

Tabla 201. Propiedades comunes de nodos de Oracle

Propiedades comunes de nodos Valores Descripción de la propiedad
de Oracle
objetivo campo
inputs Lista de campos
partición campo Campo usado para dividir los datos en
muestras independientes para las fases de
entrenamiento, comprobación y validación en la
generación del modelo.
datasource
nombre de usuario
password
epassword
use_model_name marca
model_name string Nombre personalizado para nuevo modelo.
use_partitioned_data marca Si se ha definido un campo de partición, esta
opción garantiza que sólo se utilizarán los
datos de la partición de entrenamiento para la
generación del modelo.
unique_field campo
auto_data_prep marca Activa o desactiva la característica de
preparación de datos automática de Oracle
(solamente para bases de datos 11g).
costes estructurado Propiedad estructurada de la siguiente forma:

[[drugA drugB 1.5] [drugA drugC

2.1]], donde los argumentos en [] son costes
pronosticados reales.
mode Simple Hace que se ignoren ciertas propiedades si se
establece como Simple, como se indica en las
Expert propiedades de nodos individuales.

use_prediction_probability marca
prediction_probability string
use_prediction_set marca

Bayesiano ingenuo de Oracle

Las siguientes propiedades están disponibles para los nodos del tipo oranbnode.

368 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 202. Propiedades de oranbnode
Propiedades de oranbnode Valores Descripción de la propiedad
singleton_threshold number 0.0–1.0.*
pairwise_threshold number 0.0–1.0.*
priors Datos

Equal

Custom
custom_priors estructurado Propiedad estructurada de la siguiente forma:

set :oranbnode.custom_priors =
[[drugA 1][drugB 2][drugC 3][drugX
4][drugY 5]]

* Propiedad ignorada si Modo se establece como Simple.

Bayesiano adaptativo de Oracle

Las siguientes propiedades están disponibles para los nodos del tipo oraabnnode.

Tabla 203. Propiedades de oraabnnode

Propiedades de oraabnnode Valores Descripción de la propiedad
model_type SingleFeature

MultiFeature

NaiveBayes
use_execution_time_limit marca *
execution_time_limit entero El valor debe ser mayor que 0.*
max_naive_bayes_predictors entero El valor debe ser mayor que 0.*
max_predictors entero El valor debe ser mayor que 0.*
priors Datos

Equal

Custom
custom_priors estructurado Propiedad estructurada de la siguiente forma:

set :oraabnnode.custom_priors =
[[drugA 1][drugB 2][drugC 3][drugX
4][drugY 5]]

* Propiedad ignorada si Modo se establece como Simple.

Capítulo 15. Propiedades del nodo de modelado de base de datos 369

 Máquinas de vectores de soporte de Oracle
Las siguientes propiedades están disponibles para los nodos del tipo orasvmnode.

Tabla 204. Propiedades de orasvmnode

Propiedades de orasvmnode Valores Descripción de la propiedad
active_learning Enable

Disable
kernel_function Lineal

Gaussian

Sistema
normalization_method zscore

minmax

ninguno
kernel_cache_size entero Solamente kernel gaussiano. El
valor debe ser mayor que 0.*
convergence_tolerance number El valor debe ser mayor que 0.*
use_standard_deviation marca Solamente kernel gaussiano.*
standard_deviation number El valor debe ser mayor que 0.*
use_epsilon marca Solamente modelos de
regresión.*
epsilon number El valor debe ser mayor que 0.*
use_complexity_factor marca *
complexity_factor number *
use_outlier_rate marca Solamente variantes de una
clase.*
outlier_rate number Solamente variantes de una
clase. 0.0–1.0.*
weights Datos

Equal

Custom
custom_weights estructurado Propiedad estructurada de la
siguiente forma:

set :orasvmnode.custom_we
ights = [[drugA 1][drugB
2][drugC 3][drugX 4]
[drugY 5]]

370 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

* Propiedad ignorada si Modo se establece como Simple.

Modelos lineales generalizados de Oracle

Las siguientes propiedades están disponibles para los nodos del tipo oraglmnode.

Tabla 205. Propiedades de oraglmnode

Propiedades de oraglmnode Valores Descripción de la propiedad
normalization_method zscore

minmax

ninguno
missing_value_handling ReplaceWithMean

UseCompleteRecords
use_row_weights marca *
row_weights_field campo *
save_row_diagnostics marca *
row_diagnostics_table string *
coefficient_confidence number *
use_reference_category marca *
reference_category string *
ridge_regression Auto *

Off

On
parameter_value number *
vif_for_ridge marca *

* Propiedad ignorada si Modo se establece como Simple.

Árbol de decisión de Oracle

Las siguientes propiedades están disponibles para los nodos del tipo oradecisiontreenode.

Tabla 206. Propiedades de oradecisiontreenode

Propiedades de Valores Descripción de la propiedad
oradecisiontreenode
use_costs marca
impurity_metric Entropy

Gini
term_max_depth entero 2–20.*

Capítulo 15. Propiedades del nodo de modelado de base de datos 371

 Tabla 206. Propiedades de oradecisiontreenode (continuación)
Propiedades de Valores Descripción de la propiedad
oradecisiontreenode
term_minpct_node number 0.0–10.0.*
term_minpct_split number 0.0–20.0.*
term_minrec_node entero El valor debe ser mayor que 0.*
term_minrec_split entero El valor debe ser mayor que 0.*
display_rule_ids marca *

* Propiedad ignorada si Modo se establece como Simple.

O-clúster de Oracle
Las siguientes propiedades están disponibles para los nodos del tipo oraoclusternode.

Tabla 207. Propiedades de oraoclusternode

Propiedades de Valores Descripción de la propiedad
oraoclusternode
max_num_clusters entero El valor debe ser mayor que 0.
max_buffer entero El valor debe ser mayor que 0.*
sensitivity number 0.0–1.0.*

* Propiedad ignorada si Modo se establece como Simple.

K-medias de Oracle
Las siguientes propiedades están disponibles para los nodos del tipo orakmeansnode.

Tabla 208. Propiedades de orakmeansnode

Propiedades de orakmeansnode Valores Descripción de la propiedad
num_clusters entero El valor debe ser mayor que 0.
normalization_method zscore

minmax

ninguno
distance_function Euclidean

Cosine

iteraciones entero 0–20.*

conv_tolerance number 0.0–0.5.*
split_criterion Variance El valor predeterminado es Variance.*

Size

372 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 208. Propiedades de orakmeansnode (continuación)
Propiedades de orakmeansnode Valores Descripción de la propiedad
num_bins entero El valor debe ser mayor que 0.*
block_growth entero 1–5.*
min_pct_attr_support number 0.0–1.0.*

* Propiedad ignorada si Modo se establece como Simple.

NMF de Oracle
Las siguientes propiedades están disponibles para los nodos del tipo oranmfnode.

Tabla 209. Propiedades de oranmfnode

Propiedades de oranmfnode Valores Descripción de la propiedad
normalization_method minmax

ninguno
use_num_features marca *
num_features entero 0–1. El algoritmo estima el valor
predeterminado a partir de los datos.*
random_seed number *
num_iterations entero 0–500.*
conv_tolerance number 0.0–0.5.*
display_all_features marca *

* Propiedad ignorada si Modo se establece como Simple.

Apriori de Oracle
Las siguientes propiedades están disponibles para los nodos del tipo oraapriorinode.

Tabla 210. Propiedades de oraapriorinode

Propiedades de oraapriorinode Valores Descripción de la propiedad
content_field campo
id_field campo
max_rule_length entero 2–20.
min_confidence number 0.0–1.0.
min_support number 0.0–1.0.
use_transactional_data marca

Longitud mínima de la descripción de Oracle (LMD)

No hay propiedades específicas para los nodos del tipo oramdlnode. Consulte las propiedades comunes
de Oracle que se indican al comienzo de esta sección.

Capítulo 15. Propiedades del nodo de modelado de base de datos 373

 Importancia del atributo de Oracle (AI)
Las siguientes propiedades están disponibles para los nodos del tipo oraainode.

Tabla 211. Propiedades de oraainode

Propiedades de oraainode Valores Descripción de la propiedad
custom_fields marca Si es verdadero, le permite especificar el
objetivo, la entrada y otros campos del nodo
actual. Si es falso, se utiliza la configuración
actual de un nodo Tipo situado en un punto
anterior de la ruta.
selection_mode ImportanceLe
vel

ImportanceVa
lue

TopN
select_important marca Si selection_mode se establece en
ImportanceLevel, determina si se
seleccionan los campos importantes.
important_label string Especifica la etiqueta para la clasificación como
"important".
select_marginal marca Si selection_mode se establece en
ImportanceLevel, determina si se
seleccionan los campos marginales.
marginal_label string Especifica la etiqueta para la clasificación como
"marginal".
important_above number 0.0–1.0.
select_unimportant marca Si selection_mode se establece en
ImportanceLevel, determina si se
seleccionan los campos sin importancia.
unimportant_label string Especifica la etiqueta para la clasificación como
"unimportant".
unimportant_below number 0.0–1.0.
importance_value number Si selection_mode se establece en
ImportanceValue, determina el valor de corte
que se va a usar. Acepta valores de 0 a 100.
top_n number Si selection_mode se establece en TopN,
determina el valor de corte que se va a usar.
Acepta valores de 0 a 1000.

Propiedades de nugget de modelo de Oracle

Las siguientes propiedades son para los nugget de modelo creados mediante los modelos de Oracle.

Bayesiano ingenuo de Oracle

No hay propiedades específicas para los nodos del tipo applyoranbnode.

374 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Bayesiano adaptativo de Oracle
No hay propiedades específicas para los nodos del tipo applyoranbnode.

Máquinas de vectores de soporte de Oracle

No hay propiedades específicas para los nodos del tipo applyorasvmnode.

Árbol de decisión de Oracle

Las siguientes propiedades están disponibles para los nodos del tipo applyoradecisiontreenode.

Tabla 212. propiedades de applyoradecisiontreenode

Propiedades de Valores Descripción de la propiedad
applyoradecisiontreenode
use_costs marca
display_rule_ids marca

O-clúster de Oracle
No hay propiedades específicas para los nodos del tipo applyoraoclusternode.

K-medias de Oracle
No hay propiedades específicas para los nodos del tipo applyorakmeansnode.

NMF de Oracle
La siguiente propiedad está disponible para los nodos del tipo applyoranmfnode.

Tabla 213. propiedades de applyoranmfnode

Propiedades de applyoranmfnode Valores Descripción de la propiedad
display_all_features marca

Apriori de Oracle
Este nugget de modelo no se puede aplicar en los scripts.

LMD de Oracle
Este nugget de modelo no se puede aplicar en los scripts.

Propiedades de nodos de modelado de IBM Netezza Analytics

Propiedades de nodos de modelado de Netezza
Las siguientes propiedades son comunes a los nodos de modelado de bases de datos de IBM Netezza.

Capítulo 15. Propiedades del nodo de modelado de base de datos 375

 Tabla 214. Propiedades comunes de nodos de Netezza
Propiedades comunes de Valores Descripción de la propiedad
nodos de Netezza
custom_fields marca Si es verdadero, le permite especificar el objetivo,
la entrada y otros campos del nodo actual. Si es
falso, se utiliza la configuración actual de un nodo
Tipo situado en un punto anterior de la ruta.
inputs [field1 ... Campos de entrada o predictor utilizados por el
campoN] modelo.
objetivo campo Campo de destino (continuo o categórico).
record_id campo El campo que se debe utilizar como identificador
de registros exclusivo.
use_upstream_connection marca Si es verdadero (valor predeterminado), los
detalles de conexión especificados en un
nodo anterior. No se utiliza si se especifica
move_data_to_connection.
move_data_connection marca Si es verdadero, transfiere los datos a
la base de datos especificada mediante
connection. No se utiliza si se especifica
use_data_upstream_connection.
connection estructurado La cadena de conexión para la base de datos de
Netezza donde se almacena el modelo. Propiedad
estructurada de la siguiente forma:

['odbc' '<dsn>' '<nombreusuario>'

'<psw>' '<nombrecat>' '<atribs_conex>'
[true|false]]

donde:

<dsn> es el nombre del origen de datos

<username> y <psw> son el nombre de usuario y

la contraseña para la base de datos

<catname> es el nombre de catálogo

<conn_attribs> son los atributos de conexión

true | false indica si la contraseña es

necesaria.
table_name string Nombre de la base de datos donde se debe
almacenar el modelo.
use_model_name marca Si es true, utiliza el nombre que especifica
mediante model_name como el nombre del
modelo, de lo contrario el sistema crea el nombre
del modelo.
model_name string Nombre personalizado para nuevo modelo.

376 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 214. Propiedades comunes de nodos de Netezza (continuación)
Propiedades comunes de Valores Descripción de la propiedad
nodos de Netezza
include_input_fields marca Si es verdadero, transmite todos los campos de
entrada siguientes, de lo contrario solo transmite
record_id y los campos generados por el
modelo.

Árbol de decisión de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzadectreenode.

Tabla 215. Propiedades de netezzadectreenode

Propiedades de Valores Descripción de la propiedad
netezzadectreenode
impurity_measure Entropy La medición de impureza,
utilizada para valorar la mejor
Gini ubicación para dividir el árbol.

max_tree_depth entero Número máximo de niveles que

puede alcanzar el crecimiento de
árbol. El valor predeterminado es
62 (el máximo posible).
min_improvement_splits number Mejoras mínimas que se pueden
realizar en la impureza de la
división. El valor predeterminado
es 0.01.
min_instances_split entero Número mínimo de registros
por dividir antes de realizar la
división. El valor predeterminado
es 2 (el mínimo posible).
weights estructurado Ponderaciones relativas para
clases. Propiedad estructurada
de la siguiente forma:

set :netezza_dectree.weig
hts = [[drugA 0.3][drugB
0.6]]

El valor predeterminado es la
ponderación de 1 para todas las
clases.
pruning_measure Acc El valor predeterminado es
Acc (precisión). wAcc alternativo
wAcc (precisión ponderada) tiene en
cuenta las ponderaciones de
clase mientras se aplica la poda.

Capítulo 15. Propiedades del nodo de modelado de base de datos 377

 Tabla 215. Propiedades de netezzadectreenode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzadectreenode
prune_tree_options allTrainingData El valor predeterminado es
utilizar allTrainingData
para calcular la precisión
partitionTrainingData
del modelo. Utilice
partitionTrainingData para
useOtherTable especificar un porcentaje de
datos de prueba por utilizar, o
useOtherTable para utilizar un
conjunto de datos de prueba
desde una tabla específica de la
base de datos.
perc_training_data number Si prune_tree_options
se establece en
partitionTrainingData,
especifica el porcentaje de
datos que se utilizará para
entrenamiento.
prune_seed entero Semilla aleatoria que se
debe utilizar para replicar
los resultados del análisis
si prune_tree_options
se establece en
partitionTrainingData; el
valor predeterminado es 1.
pruning_table string Nombre de tabla de un conjunto
de datos de poda separado para
estimar la precisión del modelo.
compute_probabilities marca Si es verdadero, produce un
campo de nivel de confianza
(probabilidad) y el campo de
predicción.

K-medias de Netezza
Las siguientes propiedades están disponibles para los nodos del tipo netezzakmeansnode.

Tabla 216. Propiedades de netezzakmeansnode

Propiedades de Valores Descripción de la propiedad
netezzakmeansnode
distance_measure Euclidean Método que se debe utilizar para medir la distancia
entre puntos de datos.
Manhattan

Canberra

máximo
num_clusters entero Número de clústeres que se deben crear; el valor
predeterminado es 3.

378 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 216. Propiedades de netezzakmeansnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzakmeansnode
max_iterations entero Número de iteraciones de algoritmos después de
los cuáles se debe detener la prueba del modelo; el
valor predeterminado es 5.
rand_seed entero Semilla aleatoria que se debe utilizar para replicar
los resultados del análisis; el valor predeterminado
es 12345.

Red bayesiana de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzabayesnode.

Tabla 217. Propiedades de netezzabayesnode

Propiedades de Valores Descripción de la propiedad
netezzabayesnode
base_index entero Identificador numérico asignado al primer
campo de entrada de gestión interna; el valor
predeterminado es 777.
sample_size entero Tamaño de la muestra que se tomará si el
número de atributos es muy grande; el valor
predeterminado es 10.000.
display_additional_infor marca Si es verdadero, muestra información adicional
mation sobre el progreso en un cuadro de diálogo de
mensaje.
type_of_prediction best Tipo de algoritmo de predicción que se utilizará:
el mejor (vecino más correlacionado), vecinos
vecinos (predicción ponderada de vecinos), o vecinos NN
(vecinos no nulos).

nn-neighbors

Bayesiano ingenuo de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzanaivebayesnode.

Tabla 218. Propiedades de netezzanaivebayesnode

Propiedades de Valores Descripción de la propiedad
netezzanaivebayesnode
compute_probabilities marca Si es verdadero, produce un campo de nivel de
confianza (probabilidad) y el campo de predicción.
use_m_estimation marca Si es verdadero, utiliza la técnica m-estimation
para evitar probabilidades de cero durante el
cálculo.

KNN de Netezza
Las siguientes propiedades están disponibles para los nodos del tipo netezzaknnnode.

Capítulo 15. Propiedades del nodo de modelado de base de datos 379

 Tabla 219. Propiedades de netezzaknnnode
Propiedades de Valores Descripción de la propiedad
netezzaknnnode
weights estructurado Propiedad estructurada que se utiliza para asignar
ponderaciones a clases individuales. Ejemplo:

set :netezzaknnnode.weights = [[drugA

0.3][drugB 0.6]]
distance_measure Euclidean Método que se utiliza para medir la distancia entre
puntos de datos.
Manhattan

Canberra

Máximo
num_nearest_neighbors entero Número de vecinos más próximos de un caso
concreto; el valor predeterminado es 3.
standardize_measurements marca Si es verdadero, estandariza las mediciones de
campos de entrada continuos antes de calcular los
valores de distancia.
use_coresets marca Si es verdadero, utiliza el muestreo del conjunto
principal para acelerar el cálculo de conjuntos de
datos grandes.

Clúster divisivo de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzadivclusternode.

Tabla 220. Propiedades de netezzadivclusternode

Propiedades de Valores Descripción de la propiedad
netezzadivclusternode
distance_measure Euclidean Método que se utiliza para medir la distancia entre
puntos de datos.
Manhattan

Canberra

Máximo
max_iterations entero Número máximo de iteraciones de algoritmo que
se ejecutarán antes de detener el entrenamiento
del modelo; el valor predeterminado es 5.
max_tree_depth entero El número máximo de niveles en los que se
puede subdividir el conjunto de datos; el valor
predeterminado es 3.
rand_seed entero Semilla aleatoria, se utiliza para replicar los
análisis; el valor predeterminado es 12345.
min_instances_split entero El número mínimo de registros que se pueden
dividir, el valor predeterminado es 5.

380 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 220. Propiedades de netezzadivclusternode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzadivclusternode
nivel entero El nivel de jerarquía en el que se guardan los
registros; el valor predeterminado es -1.

PCA de Netezza
Las siguientes propiedades están disponibles para los nodos del tipo netezzapcanode.

Tabla 221. Propiedades de netezzapcanode

Propiedades de Valores Descripción de la propiedad
netezzapcanode
center_data marca Si es verdadero (opción predeterminada), ejecuta
el centrado de datos (también conocido como
"sustracción de media") antes del análisis.
perform_data_scaling marca Si es verdadero, ejecuta la adaptación de los datos
antes del análisis. De esta forma el análisis será
menos arbitrario si las diferentes variables se
miden en unidades diferentes.
force_eigensolve marca Si es verdadero, utiliza un método menos preciso,
pero más rápido para encontrar componentes
principales.
pc_number entero El número principal de componentes al que
se reducirá el conjunto de datos; el valor
predeterminado es 1.

Árbol de regresión de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzaregtreenode.

Tabla 222. Propiedades de netezzaregtreenode

Propiedades de Valores Descripción de la propiedad
netezzaregtreenode
max_tree_depth entero Número máximo de niveles
que puede crecer el árbol por
debajo del nodo raíz; el valor
predeterminado es 10.
split_evaluation_measure Variance Medida de clase de impureza,
se utiliza para evaluar la mejor
ubicación para dividir el árbol;
el valor predeterminado (y la
única opción actualmente) es
Variance.
min_improvement_splits number Cantidad mínima para reducir la
impureza antes de que se cree la
nueva división en el árbol.
min_instances_split entero El número mínimo de registros
que se pueden dividir.

Capítulo 15. Propiedades del nodo de modelado de base de datos 381

 Tabla 222. Propiedades de netezzaregtreenode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzaregtreenode
pruning_measure mse Método que se utilizará para la
poda.
r2

pearson

spearman
prune_tree_options allTrainingData El valor predeterminado es
utilizar allTrainingData
partitionTrainingData para calcular la precisión
del modelo. Utilice
partitionTrainingData para
useOtherTable especificar un porcentaje de
datos de prueba por utilizar, o
useOtherTable para utilizar un
conjunto de datos de prueba
desde una tabla específica de la
base de datos.
perc_training_data number Si prune_tree_options
se establece en
PercTrainingData, especifica
el porcentaje de datos que se
utilizará para entrenamiento.
prune_seed entero Semilla aleatoria que se
debe utilizar para replicar
los resultados del análisis
si prune_tree_options
se establece en
PercTrainingData; el valor
predeterminado es 1.
pruning_table string Nombre de tabla de un conjunto
de datos de poda separado para
estimar la precisión del modelo.
compute_probabilities marca Si es verdadero, especifica que
las varianzas de las clases
asignadas se deben incluir en el
resultado.

Regresión lineal de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzalineregressionnode.

382 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 223. Propiedades de netezzalineregressionnode
Propiedades de Valores Descripción de la propiedad
netezzalineregressionnod
e
use_svd marca Si es verdadero, utiliza la matriz de
descomposición de valores singulares en lugar de
la matriz original, para mayor velocidad y precisión
numérica.
include_intercept marca Si es verdadero (valor predeterminado), aumenta la
precisión global de la solución.
calculate_model_diagnost marca Si es verdadero, calcula el diagnóstico del modelo.
ics

Series temporales de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzatimeseriesnode.

Tabla 224. Propiedades de netezzatimeseriesnode

Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
time_points campo El campo de entrada que
contiene los valores de fecha u
hora de la serie temporal.
time_series_ids campo El campo de entrada que
contiene diversos ID de series
temporales; utilice esta opción si
la entrada contiene más de una
serie temporal.
model_table campo Nombre de la tabla de base de
datos en la que se guardará el
modelo de series temporales de
Netezza.
description_table campo Nombre de la tabla de entrada
que contiene los nombres y
las descripciones de las series
temporales.
seasonal_adjustment_table campo Nombre de la tabla de
salida en la que se
guardarán los valores ajustados
calculados por los algoritmos
de suavizado exponencial o de
descomposición de tendencia
estacional.

Capítulo 15. Propiedades del nodo de modelado de base de datos 383

 Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
algorithm_name SpectralAnalysis o Algoritmo que hay que utilizar
spectral para el modelado de series
temporales.

ExponentialSmoothing o
esmoothing

ARIMA

SeasonalTrendDecompositio
n o std
trend_name N Tipo de tendencia del suavizado
exponencial:
A
N - none
DA
A - aditivo
M
DA -aditivo amortiguado
DM
M - multiplicativo

DM - multiplicativo amortiguado
seasonality_type N Tipo de estacionalidad del
suavizado exponencial:
A
N - none
M
A - aditivo

M - multiplicativo
interpolation_method lineal Método de interpolación que hay
que utilizar.
cubicspline

exponentialspline

384 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
timerange_setting SD Valor de rango de tiempo que se
debe utilizar:
SP
SD - determinado por el sistema
(utiliza el rango completo de
datos de series de tiempo)

SP - especificado por el usuario

mediante earliest_time y
latest_time
earliest_time entero Valores de inicio y finalización si
timerange_setting es SP.
latest_time
fecha
El formato debe seguir el valor
hora time_points.

marca de tiempo Por ejemplo, si el campo

time_points contiene una
fecha, éste también debería ser
una fecha.

Ejemplo:

set
NZ_DT1.timerange_setting
= 'SP'

set NZ_DT1.earliest_time
= '1921-01-01'

set NZ_DT1.latest_time =
'2121-01-01'

Capítulo 15. Propiedades del nodo de modelado de base de datos 385

 Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
arima_setting SD Valor para el algoritmo
ARIMA (sólo se utiliza si
SP algorithm_name se establece
en ARIMA):

SD - determinado por el sistema

SP - especificado por el usuario

Si se utiliza arima_setting
= SP, utilice los parámetros
siguientes para establecer los
valores estacionales y no
estacionales. Ejemplo (solo no
estacionales):

set NZ_DT1.algorithm_name
= 'arima'

set NZ_DT1.arima_setting
= 'SP'

set NZ_DT1.p_symbol =
'lesseq'

set NZ_DT1.p = '4'

set NZ_DT1.d_symbol =
'lesseq'

set NZ_DT1.d = '2'

set NZ_DT1.q_symbol =
'lesseq'

set NZ_DT1.q = '4'

p_symbol sin ARIMA - operador para los
parámetros p, d, q, sp, sd y sq:
d_symbol
eq
q_symbol less - menor que
sp_symbol lesseq
eq - igual a
sd_symbol
sq_symbol lesseq - menor o igual que
p entero ARIMA: grados no estacionales
de autocorrelación.

386 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
q entero ARIMA: valor de derivación no
estacional.
d entero ARIMA: número no estacional
de órdenes de media móvil
presentes en el modelo.
sp entero ARIMA: grados estacionales de
autocorrelación.
sq entero ARIMA: valor de derivación
estacional.
sd entero ARIMA: número estacional
de órdenes de media móvil
presentes en el modelo.
advanced_setting SD Determina cómo se manejan los
valores avanzados:
SP
SD - determinado por el sistema

SP - especificado por
el usuario mediante
period, units_period y
forecast_setting.

Ejemplo:

set
NZ_DT1.advanced_setting =
'SP'

set NZ_DT1.period = 5

set NZ_DT1.units_period =
'd'
punto entero Longitud de ciclo estacional,
especificado junto con
units_period. No aplicable
para análisis espectrales.

Capítulo 15. Propiedades del nodo de modelado de base de datos 387

 Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
units_period ms Unidades en que se expresa
period:
s
ms - milisegundos
min
s - segundos
h
min - minutos
d
h - horas
semana
d - días
q
wk - semanas
y
q - trimestres

y - años

Por ejemplo, para una serie

temporal semanal utilice 1
para period y wk para
units_period.
forecast_setting forecasthorizon Especifica cómo se han de
realizar las previsiones.
forecasttimes
forecast_horizon entero Si forecast_setting =
forecasthorizon, especifica el
fecha valor de punto final para la
previsión.

hora
El formato debe seguir el valor
time_points.
marca de tiempo

Por ejemplo, si el campo

time_points contiene una
fecha, éste también debería ser
una fecha.

388 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 224. Propiedades de netezzatimeseriesnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzatimeseriesnode
forecast_times entero Si forecast_setting =
forecasttimes, especifica los
fecha valores que se utilizarán para
hacer previsiones.

hora
El formato debe seguir el valor
time_points.
marca de tiempo

Por ejemplo, si el campo

time_points contiene una
fecha, éste también debería ser
una fecha.
include_history marca Indica si se deben incluir
los valores históricos en los
resultados.
include_interpolated_valu marca Indica si se deben incluir los
es valores interpolados en los
resultados. No es aplicable si
include_history es false.

Lineal generalizado de Netezza

Las siguientes propiedades están disponibles para los nodos del tipo netezzaglmnode.

Tabla 225. Propiedades de netezzaglmnode

Propiedades de Valores Descripción de la propiedad
netezzaglmnode
dist_family bernoulli El tipo de distribución. El valor
predeterminado es bernoulli.
de gauss

poisson

negativebinomial

wald

gamma
dist_params number Valor del parámetro de
distribución que hay que utilizar.
Sólo se aplica si distribution
es Negativebinomial.

Capítulo 15. Propiedades del nodo de modelado de base de datos 389

 Tabla 225. Propiedades de netezzaglmnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzaglmnode
trials entero Sólo se aplica si distribution
es Binomial. Cuando la
respuesta objetivo es un número
de eventos que tienen lugar
en un conjunto de ensayos,
el campo target contiene el
número de eventos, y el campo
trials contiene el número de
ensayos.
model_table campo Nombre de la tabla de base de
datos en la que se guardará el
modelo lineal generalizado de
Netezza.
maxit entero Número máximo de iteraciones
que debe ejecutar el algoritmo; el
valor predeterminado es 20.
eps number Valor del error máximo (en
notación científica) en el que el
algoritmo debería dejar de buscar
el modelo de mejor ajuste. El
valor predeterminado es -3, lo
que significa 1E-3 o 0,001.
tol number El valor (en notación científica)
por debajo del que los errores
se tratan como si su valor fuera
cero. El valor predeterminado
es -7, lo que significa que los
valores de error por debajo de
1E-7 (o 0,0000001) se cuentan
como insignificantes.

390 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 225. Propiedades de netezzaglmnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzaglmnode
link_func identidad Función de enlace que se ha de
utilizar; el valor predeterminado
inverse es logit.

invnegative

invsquare

sqrt

power

oddspower

anotaciones

clog

loglog

cloglog

logit

probit

gaussit

cauchit

canbinom

cangeom

cannegbinom
link_params number Valor del parámetro de función
de enlace que hay que
utilizar. Sólo se aplica si
link_function es power u
oddspower.

Capítulo 15. Propiedades del nodo de modelado de base de datos 391

 Tabla 225. Propiedades de netezzaglmnode (continuación)
Propiedades de Valores Descripción de la propiedad
netezzaglmnode
interaction Especifica las interacciones entre
[[[nombrescol1],[niveles1]],
los campos. colnames es una
[[nombrescol2],[niveles2]],
lista de campos de entrada, y
...,[[nombrescolN],[nivelesN]],]
level es siempre 0 para cada
campo.

Ejemplo:

[[["K","BP","Sex","K"],
[0,0,0,0]],
[["Age","Na"],[0,0]]]

intercept marca Si es true, incluye la

interceptación en el modelo.

Propiedades de nugget de modelo de Netezza

Las siguientes propiedades son comunes a los nuggets del modelo de la base de datos de Netezza.

Tabla 226. Propiedades comunes de nugget de nodos de Netezza

Propiedades comunes de nugget de Valores Descripción de la propiedad
modelo de Netezza
connection string La cadena de conexión para la base de datos
de Netezza donde se almacena el modelo.
table_name string Nombre de la base de datos donde se
almacenará el modelo.

Otras las propiedades del nugget de modelo son las mismas que las del nodo de modelado
correspondiente.
Los nombres de script de los nuggets de modelo son los siguientes.

Tabla 227. Nombres de script de nuggets de modelos Netezza

Nugget de modelo Nombre de script
Árbol de decisiones applynetezzadectreenode
K-medias applynetezzakmeansnode
Red bayesiana applynetezzabayesnode
bayesiano ingenuo applynetezzanaivebayesnode
KNN applynetezzaknnnode
Clúster divisivo applynetezzadivclusternode
PCA applynetezzapcanode
Árbol de regresión applynetezzaregtreenode
Regresión lineal applynetezzalineregressionnode
Serie temporal applynetezzatimeseriesnode

392 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 227. Nombres de script de nuggets de modelos Netezza (continuación)
Nugget de modelo Nombre de script
Lineal generalizado applynetezzaglmnode

Capítulo 15. Propiedades del nodo de modelado de base de datos 393

394 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Capítulo 16. Propiedades del nodo de resultados

Las propiedades de nodos de resultados se diferencian un poco de las de otros tipos de nodos. En
lugar de hacer referencia a una opción determinada de nodo, las propiedades de nodos de resultados
almacenan una referencia en el objeto de resultado. Esto resulta útil al tomar un valor de una tabla y
establecerlo como un parámetro de ruta.
Esta sección describe las propiedades de scripts disponibles para los nodos de resultados.

propiedades de analysisnode
El nodo Análisis evalúa la capacidad de los modelos predictivos para generar
predicciones precisas. Los nodos Análisis realizan varias comparaciones entre los
valores pronosticados y los valores reales para uno o más nugget de modelo.
También pueden comparar modelos predictivos entre sí.

Ejemplo

node = stream.create("analysis", "My node")

# Pestaña Análisis
node.setPropertyValue("coincidence", True)
node.setPropertyValue("performance", True)
node.setPropertyValue("confidence", True)
node.setPropertyValue("threshold", 75)
node.setPropertyValue("improve_accuracy", 3)
node.setPropertyValue("inc_user_measure", True)
# "Definir medida del usuario..."
node.setPropertyValue("user_if", "@TARGET = @PREDICTED")
node.setPropertyValue("user_then", "101")
node.setPropertyValue("user_else", "1")
node.setPropertyValue("user_compute", ["Mean", "Sum"])
node.setPropertyValue("by_fields", ["Drug"])
# Pestaña "Resultados"
node.setPropertyValue("output_format", "HTML")
node.setPropertyValue("full_filename", "C:/output/analysis_out.html")

Tabla 228. propiedades de analysisnode

Propiedad de analysisnode Tipo de datos Descripción de la propiedad
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
use_output_name marca Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.
output_format Text (.txt) Se utiliza para especificar el
tipo de resultado.
HTML (.html)

Output (.cou)
 Tabla 228. propiedades de analysisnode (continuación)
Propiedad de analysisnode Tipo de datos Descripción de la propiedad
by_fields lista
full_filename string Nombre del archivo de
resultados, si se trata de
resultados HTML, de datos o de
disco.
coincidence marca
performance marca
evaluation_binary marca
confidence marca
threshold number
improve_accuracy number
field_detection_method Metadata Determina cómo se comparan
los campos pronosticados con
Name el campo objetivo original.
Especifique Metadata o Name.
inc_user_measure marca
user_if expr
user_then expr
user_else expr
user_compute [Mean Sum Min
Max SDev]

propiedades de dataauditnode
El nodo Auditoría de datos permite echar un primer vistazo exhaustivo a los datos,
incluyendo estadísticos de resumen, histogramas y distribución para cada campo,
así como información sobre valores atípicos, valores perdidos y extremos. Los
resultados se muestran en una matriz fácil de leer que se puede ordenar y utilizar
para generar nodos de preparación de datos y gráficos de tamaño completo.

Ejemplo

filenode = stream.createAt("variablefile", "File", 100, 100)

filenode.setPropertyValue("full_filename", "$CLEO_DEMOS/DRUG1n")
node = stream.createAt("dataaudit", "My node", 196, 100)
stream.link(filenode, node)
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("fields", ["Age", "Na", "K"])
node.setPropertyValue("display_graphs", True)
node.setPropertyValue("basic_stats", True)
node.setPropertyValue("advanced_stats", True)
node.setPropertyValue("median_stats", False)
node.setPropertyValue("calculate", ["Count", "Breakdown"])
node.setPropertyValue("outlier_detection_method", "std")
node.setPropertyValue("outlier_detection_std_outlier", 1.0)
node.setPropertyValue("outlier_detection_std_extreme", 3.0)
node.setPropertyValue("output_mode", "Screen")

396 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 229. propiedades de dataauditnode
Propiedad de dataauditnode Tipo de datos Descripción de la propiedad
custom_fields marca
campos [campo1 … campoN]
overlay campo
display_graphs flag Se utiliza para activar o
desactivar la representación
de gráficos en la matriz de
resultados.
basic_stats marca
advanced_stats marca
median_stats marca
calculate Count Se utiliza para calcular valores
perdidos. Seleccione uno de los
Breakdown métodos de cálculo, ambos o
ninguno.
outlier_detection_method std Se utiliza para especificar
el método de detección de
iqr valores atípicos y extremos.

outlier_detection_std_outlier number Si
outlier_detection_metho
d es std, especifica el número
que se utilizará para definir los
valores atípicos.
outlier_detection_std_extreme number Si
outlier_detection_metho
d es std, especifica el número
que se utilizará para definir los
valores extremos.
outlier_detection_iqr_outlier number Si
outlier_detection_metho
d es iqr, especifica el número
que se utilizará para definir los
valores atípicos.
outlier_detection_iqr_extreme number Si
outlier_detection_metho
d es iqr, especifica el número
que se utilizará para definir los
valores extremos.
use_output_name marca Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.

Capítulo 16. Propiedades del nodo de resultados 397

 Tabla 229. propiedades de dataauditnode (continuación)
Propiedad de dataauditnode Tipo de datos Descripción de la propiedad
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
output_format Formatted (.tab) Se utiliza para especificar el
tipo de resultado.
Delimited (.csv)

HTML (.html)

Output (.cou)
paginate_output marca Si output_format es HTML,
los resultados se separarán por
páginas.
lines_per_page number Si se usa con
paginate_output, especifica
las líneas por página del
resultado.
full_filename string

Propiedades de extensionoutputnode
El nodo de Resultados de extensión le permite
analizar los datos y los resultados de la puntuación
de modelo utilizando su propio script R o Python
para Spark personalizado. El resultado del análisis
puede ser texto o gráfico. El resultado se añade
a la pestaña Resultado del panel de gestor. De
forma alternativa, el resultado se puede redirigir a
un archivo.

Ejemplo de Python para Spark

#### Ejemplo de script de Python para Spark
import modeler.api
ruta = modeler.script.stream()
node = stream.create("extension_output", "extension_output")
node.setPropertyValue("syntax_type", "Python")

python_script = """
import json
import spss.pyspark.runtime

cxt = spss.pyspark.runtime.getContext()
df = cxt.getSparkInputData()
schema = df.dtypes[:]
print df
"""

node.setPropertyValue("python_syntax", python_script)

398 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Ejemplo de R
#### Ejemplo de script de R
node.setPropertyValue("syntax_type", "R")
node.setPropertyValue("r_syntax", "print(modelerData$Age)")

Tabla 230. Propiedades de extensionoutputnode

Propiedades de extensionoutputnode Tipo de datos Descripción de la propiedad
syntax_type R Especifica qué script se
ejecuta: R o Python (R es el
Python valor predeterminado).

r_syntax cadena Sintaxis de scripts R para la

puntuación del modelo.
python_syntax cadena Sintaxis de scripts Python para
la puntuación de modelo.
convert_flags Opción para convertir campos
StringsAndDoubles
LogicalValues de distintivos.

convert_missing marca Opción para convertir valores

perdidos al valor NA de R.
convert_datetime marca Opción para convertir las
variables con los formatos de
fecha o de fecha y hora para
formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a
POSIXct
POSIXlt qué formato se convierten las
variables con los formatos de
fecha o de fecha y hora.
output_to Especifique el tipo de salida
Screen
Archivo (Screen o File).

output_type Especifique si se debe producir

Graph
Text salida gráfica o de texto.

full_filename cadena Nombre de archivo a utilizar

para la salida generada.
graph_file_type Tipo de archivo para el archivo
HTML
COU de salida (.html o .cou).

text_file_type Especifique el tipo de archivo

HTML
TEXT para la salida de texto
COU (.html, .txt o .cou).

Capítulo 16. Propiedades del nodo de resultados 399

propiedades kdeexport
La estimación de densidad de kernel (KDE)© utiliza los algoritmos del árbol de
métrica o del árbol KD para unas consultas eficientes y combina los conceptos de
aprendizaje no supervisado, ingeniería de características y modelado de datos. Los
enfoques basados en vecinos como, por ejemplo, KDE, son algunas de las técnicas
de estimación de densidad más populares y útiles. Los nodos de modelado de KDE
y simulación de KDE en SPSS Modeler exponen las características principales y
los parámetros utilizados con más frecuencia de la biblioteca KDE. Los nodos se
implementan en Python.

Tabla 231. propiedades kdeexport

Propiedades kdeexport Tipo de datos Descripción de la propiedad
bandwidth doble El valor predeterminado es 1.
kernel string El kernel para utilizar: gaussian o
tophat. El valor predeterminado es
gaussian.
algorithm string El algoritmo de árbol para utilizar:
kd_tree, ball_tree o auto. El valor
predeterminado es auto.
metric string La métrica para utilizar al calcular
distancias. Para el algoritmo kd_tree,
elija entre: Euclidean, Chebyshev,
Cityblock, Minkowski, Manhattan,
Infinity, P, L2 o L1. Para el
algoritmo ball_tree, elija entre:
Euclidian, Braycurtis, Chebyshev,
Canberra, Cityblock, Dice, Hamming,
Infinity, Jaccard, L1, L2,
Minkowski, Matching, Manhattan,
P, Rogersanimoto, Russellrao,
Sokalmichener, Sokalsneath o
Kulsinski. El valor predeterminado es
Euclidean.
atol float La tolerancia absoluta deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 0.0.
rtol float La tolerancia relativa deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 1E-8.
breadthFirst booleano Establezca en True para utilizar un
enfoque de amplitud. Establezca en
False para utilizar un enfoque de
búsqueda en profundidad. El valor
predeterminado es True.

400 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 231. propiedades kdeexport (continuación)
Propiedades kdeexport Tipo de datos Descripción de la propiedad
LeafSize entero El tamaño de hoja del árbol subyacente. El
valor predeterminado es 40. Cambiar este
valor podría afectar de forma significativa
al rendimiento.
pValue doble Especifique el Valor P para utilizar si está
utilizando Minkowski para la métrica. El
valor predeterminado es 1.5.

propiedades de matrixnode
El nodo Matriz crea una tabla que muestra las relaciones entre campos. Se suele
utilizar normalmente para mostrar las relaciones entre dos campos simbólicos,
pero también puede mostrar relaciones entre campos de marcas o entre campos
numéricos.

Ejemplo

node = stream.create("matrix", "My node")

# Pestaña "Configuración"
node.setPropertyValue("fields", "Numerics")
node.setPropertyValue("row", "K")
node.setPropertyValue("column", "Na")
node.setPropertyValue("cell_contents", "Function")
node.setPropertyValue("function_field", "Age")
node.setPropertyValue("function", "Sum")
# Pestaña "Aspecto"
node.setPropertyValue("sort_mode", "Ascending")
node.setPropertyValue("highlight_top", 1)
node.setPropertyValue("highlight_bottom", 5)
node.setPropertyValue("display", ["Counts", "Expected", "Residuals"])
node.setPropertyValue("include_totals", True)
# Pestaña "Resultados"
node.setPropertyValue("full_filename", "C:/output/matrix_output.html")
node.setPropertyValue("output_format", "HTML")
node.setPropertyValue("paginate_output", True)
node.setPropertyValue("lines_per_page", 50)

Tabla 232. propiedades de matrixnode

Propiedades de matrixnode Tipo de datos Descripción de la propiedad
campos Seleccionado

Flags

Caracteres
numéricos
row campo
column campo

Capítulo 16. Propiedades del nodo de resultados 401

 Tabla 232. propiedades de matrixnode (continuación)
Propiedades de matrixnode Tipo de datos Descripción de la propiedad
include_missing_values marca Determina si los valores
perdidos por el sistema (nulos)
o no especificados por el
usuario (vacíos) se incluyen
en los resultados de fila y
columna.
cell_contents CrossTabs

Función
function_field string
function Sum

Media

Mín

Máx

SDev
sort_mode Unsorted

Ascending

Descending
highlight_top number Si no es cero, es verdadero.
highlight_bottom number Si no es cero, es verdadero.
display [Counts

Expected

Residuos

RowPct

ColumnPct

TotalPct]
include_totals marca
use_output_name marca Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.

402 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 232. propiedades de matrixnode (continuación)
Propiedades de matrixnode Tipo de datos Descripción de la propiedad
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
output_format Formatted (.tab) Se utiliza para especificar el
tipo de resultado. Los formatos
Delimited (.csv) Formatted y Delimited
aceptan el modificador
transposed, mediante el cual
HTML (.html) se transponen filas y columnas
en la tabla.
Output (.cou)
paginate_output marca Si output_format es HTML,
los resultados se separarán por
páginas.
lines_per_page number Si se usa con
paginate_output, especifica
las líneas por página del
resultado.
full_filename string

propiedades de meansnode
El nodo Medias compara las medias de grupos independientes o de pares de
campos relacionados para probar si existen diferencias significativas. Por ejemplo,
puede comparar los ingresos medios antes y después de poner en marcha una
promoción o comparar los ingresos de los clientes que no recibieron esa promoción
con los que sí lo hicieron.

Ejemplo

node = stream.create("means", "My node")

node.setPropertyValue("means_mode", "BetweenFields")
node.setPropertyValue("paired_fields", [["OPEN_BAL", "CURR_BAL"]])
node.setPropertyValue("label_correlations", True)
node.setPropertyValue("output_view", "Advanced")
node.setPropertyValue("output_mode", "File")
node.setPropertyValue("output_format", "HTML")
node.setPropertyValue("full_filename", "C:/output/means_output.html")

Tabla 233. propiedades de meansnode

Propiedad de meansnode Tipo de datos Descripción de la propiedad
means_mode BetweenGroups Especifica el tipo de estadístico
de las medias que se va a
BetweenFields ejecutar en los datos.

test_fields [field1 ... Especifica el campo de prueba

fieldn] si means_mode se establece
en BetweenGroups.

Capítulo 16. Propiedades del nodo de resultados 403

 Tabla 233. propiedades de meansnode (continuación)
Propiedad de meansnode Tipo de datos Descripción de la propiedad
grouping_field campo Especifica el campo de
agrupación.
paired_fields [[field1 field2] Especifica los pares de campos
que se usan si means_mode se
[campo3 campo4] establece en BetweenFields.

...]
label_correlations marca Determina si las etiquetas de
correlación se muestran en el
resultado. Esta configuración
se aplica únicamente si
means_mode se establece en
BetweenFields.
correlation_mode Probability Determina si las correlaciones
deben etiquetarse según la
Absolute probabilidad o según el valor
absoluto.
weak_label string
medium_label string
strong_label string
weak_below_probability number Si correlation_mode se
establece en Probability,
determina el valor de corte
para las correlaciones débiles.
Debe tratarse de un valor
comprendido entre 0 y 1; por
ejemplo, 0,90.
strong_above_probability number Valor de corte para
correlaciones fuertes.
weak_below_absolute number Si correlation_mode se
establece en Absolute,
especifica el valor de corte
para las correlaciones débiles.
Debe tratarse de un valor
comprendido entre 0 y 1; por
ejemplo, 0,90.
strong_above_absolute number Valor de corte para
correlaciones fuertes.
unimportant_label string
marginal_label string
important_label string

404 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 233. propiedades de meansnode (continuación)
Propiedad de meansnode Tipo de datos Descripción de la propiedad
unimportant_below number Valor de corte para una
importancia del campo baja.
Debe tratarse de un valor
comprendido entre 0 y 1; por
ejemplo, 0,90.
important_above number
use_output_name marca Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Nombre que se va a usar.
output_mode Screen Especifica la ubicación objetivo
para el resultado generado
File desde el nodo de resultados.

output_format Formatted (.tab) Especifica el tipo de resultado.

Delimited (.csv)

HTML (.html)

Output (.cou)
full_filename string
output_view Simple Determina si el resultado
muestra la vista simple o la
Advanced avanzada.

propiedades de reportnode
El nodo Informe crea informes con formato que contienen texto fijo, así como
datos y otras expresiones derivadas de los datos. Puede especificar el formato del
informe utilizando plantillas de texto para definir el texto fijo y las construcciones de
resultados de datos. Puede proporcionar formato de texto personalizado utilizando
etiquetas HTML de la plantilla y configurando opciones en la pestaña Resultado.
Puede incluir valores de datos y otros resultados condicionales mediante el uso de
expresiones CLEM en la plantilla.

Ejemplo

node = stream.create("report", "My node")

node.setPropertyValue("output_format", "HTML")
node.setPropertyValue("full_filename", "C:/report_output.html")
node.setPropertyValue("lines_per_page", 50)
node.setPropertyValue("title", "Report node created by a script")
node.setPropertyValue("highlights", False)

Capítulo 16. Propiedades del nodo de resultados 405

 Tabla 234. propiedades de reportnode
Propiedad de reportnode Tipo de datos Descripción de la propiedad
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
output_format HTML (.html) Se utiliza para especificar el
tipo de salida de archivo.
Text (.txt)

Output (.cou)
format Automático Se utiliza para elegir si la salida
se formatea automáticamente
Personalizado o si se formatea utilizando el
HTML incluido en la plantilla.
Para utilizar el formato HTML
en la plantilla, especifique
Personalizado.
use_output_name tag Especifica si se utiliza
un nombre de resultado
personalizado.
output_name cadena Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.
text cadena
full_filename cadena
highlights tag
título cadena
lines_per_page number

propiedades de routputnode
El nodo Routput permite analizar datos y
resultados de la puntuación del modelo utilizando
su propio script R personalizado. El resultado
del análisis puede ser en texto o en gráficos. El
resultado se añade a la pestaña Resultado del
panel de gestor. De forma alternativa, el resultado
se puede redirigir a un archivo.

Tabla 235. propiedades de routputnode

Propiedades de routputnode Tipo de datos Descripción de la propiedad
syntax cadena
convert_flags
StringsAndDoubles
LogicalValues

convert_datetime marca

406 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 235. propiedades de routputnode (continuación)
Propiedades de routputnode Tipo de datos Descripción de la propiedad
convert_datetime_class
POSIXct
POSIXlt

convert_missing marca
output_name
Auto
Personalizado.

custom_name cadena
output_to
Screen
Archivo

output_type
Graph
Text

full_filename cadena
graph_file_type
HTML
COU

text_file_type
HTML
TEXT
COU

propiedades de setglobalsnode
El nodo Val. globales explora los datos y calcula los valores de resumen que
se pueden utilizar en expresiones CLEM. Por ejemplo, puede utilizar este nodo
para calcular estadísticos para un campo denominado edad y, a continuación,
utilizar la media global de edad en expresiones CLEM insertando la función
@GLOBAL_MEAN(edad).

Ejemplo

node = stream.create("setglobals", "My node")

node.setKeyedPropertyValue("globals", "Na", ["Max", "Sum", "Mean"])
node.setKeyedPropertyValue("globals", "K", ["Max", "Sum", "Mean"])
node.setKeyedPropertyValue("globals", "Age", ["Max", "Sum", "Mean", "SDev"])
node.setPropertyValue("clear_first", False)
node.setPropertyValue("show_preview", True)

Capítulo 16. Propiedades del nodo de resultados 407

 Tabla 236. propiedades de setglobalsnode
Propiedad de setglobalsnode Tipo de datos Descripción de la propiedad
globals [Sum Mean Min Propiedad estructurada en
Max SDev] la que los campos que
se van a establecer deben
hacer referencia a la sintaxis
siguiente:

node.setKeyedPropertyVa
lue(
"globals", "Age",
["Max", "Sum",
"Mean", "SDev"])
clear_first tag
show_preview tag

propiedades de simevalnode
El nodo Evaluación de simulación evalúa un campo de destino especificado
predicho, y presenta la información de correlación y distribución sobre el campo
de destino.

Tabla 237. propiedades de simevalnode

propiedades de simevalnode Tipo de datos Descripción de la propiedad
target campo
iteration campo
presorted_by_iteration booleano
max_iterations número
tornado_fields [field1...fieldN]
plot_pdf booleano
plot_cdf booleano
show_ref_mean booleano
show_ref_median booleano
show_ref_sigma booleano
num_ref_sigma número
show_ref_pct booleano
ref_pct_bottom número
ref_pct_top número
show_ref_custom booleano
ref_custom_values [number1...numberN]

408 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 237. propiedades de simevalnode (continuación)
propiedades de simevalnode Tipo de datos Descripción de la propiedad
category_values
Category
Probabilities
Both

category_groups
Categories
Iteraciones

create_pct_table booleano
pct_table
Quartiles
Intervals
Personalizado.

pct_intervals_num número
pct_custom_values [number1...numberN]

propiedades de simfitnode
El nodo Ajustar simulación examina la distribución estadística de los datos en
cada campo y genera (o actualiza) un nodo Generar simulación, asignando a cada
campo la mejor distribución de ajuste. El nodo Generar simulación podrá entonces
utilizarse para generar datos simulados.

Tabla 238. propiedades de simfitnode

propiedades de simfitnode Tipo de datos Descripción de la propiedad
build
Nodo
XMLExport
Both

use_source_node_name booleano
source_node_name cadena El nombre personalizado del
nodo de origen que se está
generando o actualizando.
use_cases
All
LimitFirstN

use_case_limit entero
fit_criterion
AndersonDarling
KolmogorovSmirnov

num_bins entero
parameter_xml_filename cadena
generate_parameter_import booleano

Capítulo 16. Propiedades del nodo de resultados 409

propiedades de statisticsnode
El nodo Estadísticos ofrece información básica de resumen acerca de los
campos numéricos. Calcula estadísticos de resumen para campos individuales y
correlaciones entre campos.

Ejemplo

node = stream.create("statistics", "My node")

# Pestaña "Configuración"
node.setPropertyValue("examine", ["Age", "BP", "Drug"])
node.setPropertyValue("statistics", ["mean", "sum", "sdev"])
node.setPropertyValue("correlate", ["BP", "Drug"])
# "Etiquetas de correlación..." section
node.setPropertyValue("label_correlations", True)
node.setPropertyValue("weak_below_absolute", 0.25)
node.setPropertyValue("weak_label", "lower quartile")
node.setPropertyValue("strong_above_absolute", 0.75)
node.setPropertyValue("medium_label", "middle quartiles")
node.setPropertyValue("strong_label", "upper quartile")
# Pestaña "Resultados"
node.setPropertyValue("full_filename", "c:/output/statistics_output.html")
node.setPropertyValue("output_format", "HTML")

Tabla 239. propiedades de statisticsnode

Propiedad de statisticsnode Tipo de datos Descripción de la propiedad
use_output_name marca Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
output_format Text (.txt) Se utiliza para especificar el
tipo de resultado.
HTML (.html)

Output (.cou)
full_filename string
examine lista
correlate lista
statistics [count mean sum
min max range
variance sdev
semean median
mode]

410 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 239. propiedades de statisticsnode (continuación)
Propiedad de statisticsnode Tipo de datos Descripción de la propiedad
correlation_mode Probability Determina si las correlaciones
deben etiquetarse según la
Absolute probabilidad o según el valor
absoluto.
label_correlations marca
weak_label string
medium_label string
strong_label string
weak_below_probability number Si correlation_mode se
establece en Probability,
determina el valor de corte
para las correlaciones débiles.
Debe tratarse de un valor
comprendido entre 0 y 1; por
ejemplo, 0,90.
strong_above_probability number Valor de corte para
correlaciones fuertes.
weak_below_absolute number Si correlation_mode se
establece en Absolute,
especifica el valor de corte
para las correlaciones débiles.
Debe tratarse de un valor
comprendido entre 0 y 1; por
ejemplo, 0,90.
strong_above_absolute number Valor de corte para
correlaciones fuertes.

Propiedades de statisticsoutputnode
El nodo Resultados de Statistics le permite llamar a un procedimiento de IBM
SPSS Statistics para analizar los datos de IBM SPSS Modeler. Se puede acceder a
una gran variedad de procedimientos analíticos de IBM SPSS Statistics. Este nodo
requiere una copia de IBM SPSS Statistics con licencia.

Las propiedades de este nodo están descritas en “Propiedades de statisticsoutputnode” en la página

439.

propiedades de tablenode
El nodo Tabla muestra los datos en formato de tabla, que también se puede escribir
en un archivo. Esto es útil en cualquier momento en que necesite inspeccionar sus
valores de datos o exportarlos en un formato fácilmente legible.

Ejemplo

node = stream.create("table", "My node")

node.setPropertyValue("highlight_expr", "Age > 30")
node.setPropertyValue("output_format", "HTML")

Capítulo 16. Propiedades del nodo de resultados 411

 node.setPropertyValue("transpose_data", True)
node.setPropertyValue("full_filename", "C:/output/table_output.htm")
node.setPropertyValue("paginate_output", True)
node.setPropertyValue("lines_per_page", 50)

Tabla 240. propiedades de tablenode

Propiedad de tablenode Tipo de datos Descripción de la propiedad
full_filename string Nombre del archivo de resultados,
si se trata de resultados HTML, de
datos o de disco.
use_output_name tag Especifica si se utiliza un nombre de
resultado personalizado.
output_name cadena Si use_output_name es verdadero,
especifica el nombre que se va a
utilizar.
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el resultado
File generado desde el nodo de
resultados.
output_format Formatted (.tab) Se utiliza para especificar el tipo de
resultado.
Delimited (.csv)

HTML (.html)

Output (.cou)
transpose_data tag Transpone los datos antes de
exportarlos de manera que las filas
representan campos y las columnas,
registros.
paginate_output marca Si output_format es HTML, los
resultados se separarán por páginas.
lines_per_page number Si se usa con paginate_output,
especifica las líneas por página del
resultado.
highlight_expr cadena
output cadena Propiedad de sólo lectura que
mantiene una referencia en la última
tabla creada por el nodo.
value_labels [[Valor CadenaEtiqueta] Se utiliza para especificar etiquetas
para los pares de valores.
[Valor CadenaEtiqueta] ...]
display_places entero Establece el número de cifras
decimales para el campo cuando
se muestra (sólo se aplica a
campos con almacenamiento REAL).
Un valor de -1 utilizará el valor
predeterminado de la ruta.

412 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 240. propiedades de tablenode (continuación)
Propiedad de tablenode Tipo de datos Descripción de la propiedad
export_places entero Establece el número de cifras
decimales para el campo cuando se
exporta (sólo se aplica a campos con
almacenamiento REAL). Un valor de
-1 utilizará el valor predeterminado
de la ruta.
decimal_separator DEFAULT Establece el separador decimal para
el campo (sólo se aplica a campos
PERIOD con almacenamiento REAL).

COMMA
date_format Establece el formato de fecha
"DDMMAA"
"MMDDYY" para el campo (sólo se aplica a
"AAMMDD" campos con almacenamiento FECHA
"YYMMDD"
"YYYYDDD" o MARCADETIEMPO).
DAY
MONTH
"DD-MM-YY"
"DD-MM-YYYY"
"MM-DD-YY"
"MM-DD-AAAA"
"DD-MES-YY"
"DD-MES-YYYY"
"YYYY-MM-DD"
"DD.MM.YY"
"DD.MM.AAAA"
"MM.DD.YYYY"
"DD.MES.YY"
"DD.MES.YYYY"
"DD/MM/YY"
"DD/MM/AAAA"
"MM/DD/YY"
"MM/DD/YYYY"
"DD/MES/YY"
"DD/MES/YYYY"
MON YYYY
q Q YYYY
ww WK YYYY

Capítulo 16. Propiedades del nodo de resultados 413

 Tabla 240. propiedades de tablenode (continuación)
Propiedad de tablenode Tipo de datos Descripción de la propiedad
time_format "HHMMSS" Establece el formato de hora
para el campo (sólo se aplica a
"HHMM" campos con almacenamiento TIME o
TIMESTAMP).

"MMSS"

"HH:MM:SS"

"HH:MM"

"MM:SS"

"(H)H:(M)M:(S)S"

"(H)H:(M)M"

"(M)M:(S)S"

"HH.MM.SS"

"HH.MM"

"MM.SS"

"(H)H.(M)M.(S)S"

"(H)H.(M)M"

"(M)M.(S)S"
column_width entero Establece el ancho de columna para
el campo. Un valor de -1 establecerá
el ancho de columna en Auto.
justify AUTO Establece la justificación de columna
para el campo.
CENTER

LEFT

RIGHT

propiedades de transformnode
El nodo Transformación permite seleccionar y previsualizar los resultados de las
transformaciones antes de aplicarlas a los campos seleccionados.

414 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Ejemplo

node = stream.create("transform", "My node")

node.setPropertyValue("fields", ["AGE", "INCOME"])
node.setPropertyValue("formula", "Select")
node.setPropertyValue("formula_log_n", True)
node.setPropertyValue("formula_log_n_offset", 1)

Tabla 241. propiedades de transformnode

propiedades de transformnode Tipo de datos Descripción de la propiedad
campos [ field1… fieldn] Campos que se utilizarán en la
transformación.
formula Todos Indica si se deben calcular
todas las transformaciones o
Select sólo las seleccionadas.

formula_inverse flag Indica si se debe utilizar la

transformación inversa.
formula_inverse_offset número Indica el desplazamiento de
los datos que se utilizará
en la fórmula. De forma
predeterminada es 0, a menos
que el usuario especifique un
valor.
formula_log_n flag Indica si debe utilizarse la
transformación logn.
formula_log_n_offset número
formula_log_10 flag Indica si debe utilizarse la
transformación log10.
formula_log_10_offset número
formula_exponential flag Indica si se debe utilizar
la transformación exponencial
(ex).
formula_square_root flag Indica si se debe utilizar
la transformación de raíz
cuadrada.
use_output_name flag Especifica si se utiliza
un nombre de resultado
personalizado.
output_name string Si use_output_name es
verdadero, especifica el
nombre que se va a utilizar.
output_mode Screen Se utiliza para especificar la
ubicación objetivo para el
File resultado generado desde el
nodo de resultados.
output_format HTML (.html) Se utiliza para especificar el
tipo de resultado.
Output (.cou)

Capítulo 16. Propiedades del nodo de resultados 415

 Tabla 241. propiedades de transformnode (continuación)
propiedades de transformnode Tipo de datos Descripción de la propiedad
paginate_output marca Si output_format es HTML,
los resultados se separarán por
páginas.
lines_per_page number Si se usa con
paginate_output, especifica
las líneas por página del
resultado.
full_filename string Indica el nombre de archivo
que se utilizará para el
resultado de archivo.

416 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 17. Propiedades de nodos Exportar

Propiedades de nodos Exportar comunes

Las siguientes propiedades son comunes a todos los nodos de exportación:

Tabla 242. Propiedades comunes de nodos de exportación

Propiedad Valores Descripción de la propiedad
publish_path string Introduzca el nombre raíz que se
utilizará para la imagen publicada y los
archivos de parámetros.
publish_metadata marca Especifica si un archivo de metadatos
se crea y que describe las entradas
y los resultados de la imagen y sus
modelos de datos.
publish_use_parameters marca Especifica si se incluyen parámetros de
ruta en el archivo *.par.
publish_parameters string list Especifica los parámetros que se van a
incluir.
execute_mode export_data Especifica si el nodo se ejecuta sin
publicar la ruta, o si la ruta se publica
publish automáticamente cuando se ejecuta el
nodo.

Propiedades de asexport
La exportación de Analytic Server permite ejecutar una ruta en el sistema de archivos distribuido de
Hadoop (HDFS).

Ejemplo
node.setPropertyValue("use_default_as", False)
node.setPropertyValue("connection",
["false","9.119.141.141","9080","analyticserver","ibm","admin","admin","false
","","","",""])

Tabla 243. Propiedades de asexport

Propiedades de asexport Tipo de datos Descripción de la propiedad
data_source cadena Nombre del origen de datos.
export_mode cadena Especifica si se añaden (append)
los datos exportados al origen
de datos existente o si se
sobrescriben (overwrite) al
origen de datos existente.
 Tabla 243. Propiedades de asexport (continuación)
Propiedades de asexport Tipo de datos Descripción de la propiedad
use_default_as booleano Si se establece en True, utiliza
la conexión de Analytic Server
predeterminada configurada en
el archivo options.cfg de
servidor. Si se establece en
False, utiliza la conexión de este
nodo.
connection ["string","string","strin Una propiedad de la lista que
g", contiene los detalles de conexión
"string","string","string de Analytic Server. El formato
","string", es: ["is_secure_connect",
"string" ,"string","strin "server_url",
g", "string" ,"string"] "server_port",
"context_root",
"consumer", "user_name",
"password", "use-
kerberos-auth",
"kerberos-krb5-config-
file-path", "kerberos-
jaas-config-file-path",
"kerberos-krb5-service-
principal-name", "enable-
kerberos-debug"] Donde:
is_secure_connect: indica
si se utiliza la conexión segura
y es true o false. use-
kerberos-auth: indica si
se utiliza autenticación Kerberos
y es true o false. enable-
kerberos-debug: indica si
se utiliza el modo de depuración
de la autenticación Kerberos
y es true o false.

Propiedades del nodo de exportación Cognos

El nodo Exportar IBM Cognos exporta datos en un formato que pueden leer las
bases de datos de Cognos.

Para este nodo, debe definir una conexión de Cognos y una conexión ODBC.

Conexión de Cognos
Las propiedades de la conexión de Cognos son las siguientes.

418 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 244. Propiedades del nodo de exportación Cognos
Propiedades del nodo Tipo de datos Descripción de la propiedad
de exportación
Cognos
cognos_connection ["cadena","distintivo","cadena","cadena Una propiedad de la lista
", "cadena"] que contiene los detalles de
conexión para el servidor
de Cognos. El formato
es: ["Cognos_server_URL",
login_mode, "namespace",
"username", "password"]

donde:

Cognos_server_URL es la URL del

servidor de Cognos que contiene el
origen.

login_mode indica si se utiliza

el inicio de sesión anónimo, y es
true o false; si se establece en
true, los campos siguientes deben
establecerse en "".

namespace especifica el proveedor

de autenticación de seguridad
utilizado para registrarse en el
servidor.

username y password son los

utilizados para registrarse en el
servidor de Cognos.

En lugar de login_mode, también

hay disponibles las modalidades
siguientes:
• anonymousMode. Por ejemplo:
['Cognos_server_url',
'anonymousMode',
"namespace", "username",
"password"]
• credentialMode. Por ejemplo:
['Cognos_server_url',
'credentialMode',
"namespace", "username",
"password"]

Capítulo 17. Propiedades de nodos Exportar 419

 Tabla 244. Propiedades del nodo de exportación Cognos (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
de exportación
Cognos

• storedCredentialMode.
Por ejemplo:
['Cognos_server_url',
'storedCredentialMode',
"stored_credential_name"]

Donde
stored_credential_name es el
nombre de una credencial de
Cognos del repositorio.

cognos_package_nam string La ruta y el nombre del paquete

e de Cognos al que está exportando
datos, por ejemplo:

/Public Folders/MyPackage
cognos_datasource string
cognos_export_mode Publicar

ExportFile
cognos_filename string

conexión ODBC
Las propiedades de la conexión ODBC son idénticas a las indicadas para databaseexportnode en la
sección siguiente, a excepción de la propiedad datasource, que no es válida.

propiedades de databaseexportnode
El nodo Exportar base de datos escribe datos en orígenes de datos relacionales
compatibles con ODBC. Para escribir en un origen de datos ODBC, el origen de datos
debe existir y debe tener permiso para escribir en él.

Ejemplo

'''
Se asume que se ha configurado un origen de datos denominado
"Miorigendedatos"
'''
ruta = modeler.script.stream()
db_exportnode = stream.createAt("databaseexport", "DB Export", 200, 200)
applynn = stream.findByType("applyneuralnetwork", None)
stream.link(applynn, db_exportnode)

# pestaña Exportar
db_exportnode.setPropertyValue("username", "user")
db_exportnode.setPropertyValue("datasource", "MyDatasource")
db_exportnode.setPropertyValue("password", "password")
db_exportnode.setPropertyValue("table_name", "predictions")

420 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

db_exportnode.setPropertyValue("write_mode", "Create")
db_exportnode.setPropertyValue("generate_import", True)
db_exportnode.setPropertyValue("drop_existing_table", True)
db_exportnode.setPropertyValue("delete_existing_rows", True)
db_exportnode.setPropertyValue("default_string_size", 32)

# Cuadro de diálogo Esquema

db_exportnode.setKeyedPropertyValue("type", "region", "VARCHAR(10)")
db_exportnode.setKeyedPropertyValue("export_db_primarykey", "id", True)
db_exportnode.setPropertyValue("use_custom_create_table_command", True)
db_exportnode.setPropertyValue("custom_create_table_command", "My SQL Code")

# Cuadro de diálogo Índices

db_exportnode.setPropertyValue("use_custom_create_index_command", True)
db_exportnode.setPropertyValue("custom_create_index_command", "CREATE BITMAP
INDEX <index-name>
ON <table-name> <(index-columns)>")
db_exportnode.setKeyedPropertyValue("indexes", "MYINDEX", ["fields", ["id",
"region"]])

Tabla 245. propiedades de databaseexportnode

Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
datasource string
nombre de usuario string
password string
epassword string Este intervalo es de sólo
lectura durante la ejecución.
Para generar una contraseña
codificada, utilice la herramienta
Contraseña disponible del
menú Herramientas. Consulte
“Generación de una contraseña
codificada” en la página 54 para
obtener más información.
table_name string
write_mode Create

Append

Fundir

Capítulo 17. Propiedades de nodos Exportar 421

 Tabla 245. propiedades de databaseexportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
map string Correlaciona un nombre de
campo de ruta a un nombre de
columna de la base de datos
(sólo es válido si write_mode es
Merge).

Para una fusión, todos los

campos se deben estar
correlacionados para que se
exporten. Los nombres de
campos que no existen en la base
de datos se añaden como nuevas
columnas.
key_fields list Especifica el campo de ruta
que se utiliza para la clave;
la propiedad map muestra los
elementos que se corresponden
con la base de datos.
join Base de datos

Añadir
drop_existing_table marca
delete_existing_rows marca
default_string_size entero
type Propiedad estructurada que se
utiliza para establecer el tipo de
esquema.
generate_import marca
use_custom_create_table_c marca Utilice el intervalo
ommand custom_create_table para
modificar el comando de SQL
estándar CREATE TABLE.
custom_create_table_comma string Especifica el comando de cadena
nd a utilizar en lugar del comando de
SQL estándar CREATE TABLE.
use_batch marca Las siguientes propiedades son
opciones avanzadas para la
carga masiva de la base de
datos. Un valor verdadero para
Use_batch desactiva fila a fila
las confirmaciones en la base de
datos.
batch_size number Especifica el número de registros
para enviar a la base de
datos antes de confirmar en la
memoria.

422 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 245. propiedades de databaseexportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
bulk_loading Off Especifica el tipo de
carga masiva. A continuación
ODBC se muestran las opciones
adicionales para ODBC y
External.
External
not_logged marca
odbc_binding Row Especifique el enlace a lo largo
de las filas o de las columnas
Columna para la carga masiva a través de
ODBC.
loader_delimit_mode Tabulador Especifique el tipo de delimitador
para la carga masiva a través de
Space un programa externo. Seleccione
Other junto con la propiedad

Other
loader_other_delimiter

para especificar los

delimitadores, como la coma (,).
loader_other_delimiter string
specify_data_file marca Una marca verdadera activa la
siguiente propiedad data_file,
en la que puede especificar el
nombre de archivo y la vía de
acceso en la que se va a escribir
al realizar la carga masiva en la
base de datos.
data_file string
specify_loader_program marca Una marca verdadera activa
la siguiente propiedad
loader_program, en la que
puede especificar el nombre y
la ubicación de un programa o
script del cargador externo.
loader_program string
gen_logfile marca Una marca verdadera activa
la siguiente propiedad
logfile_name, en la que puede
especificar el nombre de un
archivo en el servidor para
generar un registro de errores.
logfile_name string

Capítulo 17. Propiedades de nodos Exportar 423

 Tabla 245. propiedades de databaseexportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
check_table_size marca Una marca verdadera permite la
comprobación de la tabla para
garantizar que el aumento del
tamaño de la tabla de la base
de datos se corresponde con
el número de filas exportadas
desde IBM SPSS Modeler.
loader_options string Especifique los argumentos
adicionales, como -comment y
-specialdir, en el programa
cargador.
export_db_primarykey marca Determina si el campo
especificado es una clave
primaria.
use_custom_create_index_c marca Si se establece true, se activa
ommand SQL personalizado para todos los
índices.
custom_create_index_comma string Especifica el comando de SQL
nd empleado para crear índices
cuando SQL personalizado está
activado. (Este valor puede
anularse para determinados
índices, tal y como se indica a
continuación.)
indexes.INDEXNAME.fields Crea el índice especificado si
procede y enumera los nombres
de campos que se van a incluir en
él.
INDEXNAME marca Se usa para activar o desactivar
"use_custom_create_ el SQL personalizado para un
index_command" índice específico. Consulte los
ejemplos situados a continuación
de la siguiente tabla.
INDEXNAME string Especifica el SQL personalizado
"custom_create_index_ que se usa para el índice
command" específico. Consulte los ejemplos
situados a continuación de la
siguiente tabla.
indexes.INDEXNAME.remove marca Si se establece True, se elimina
el índice específico del grupo de
índices.
table_space string Especifica el espacio de tabla
que se creará.
use_partition marca Especifica que se utilizará el
campo Distribuir Hash.

424 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 245. propiedades de databaseexportnode (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
partition_field string Especifica el contenido del
campo Distribuir Hash.

Nota: Para algunas bases de datos, puede especificar que se crearán tablas de bases de datos
para la exportación con compresión (por ejemplo, el equivalente a CREATE TABLE MYTABLE (...)
COMPRESS YES; en SQL). Las propiedades use_compression y compression_mode se proporcionan
para dar soporte a esta característica, como se indica a continuación.

Tabla 246. Propiedades de databaseexportnode utilizando funciones de compresión

Propiedades de Tipo de datos Descripción de la propiedad
databaseexportnode
use_compression Booleana Si se establece en True, crea tablas para
la exportación con compresión.
compression_mode Row Establece el nivel de compresión de las
bases de datos de SQL Server.
Page
Predeterminado Establece el nivel de compresión
de las bases de datos de Oracle.
Direct_Load_Opera Tenga en cuenta que los valores
tions OLTP, Query_High, Query_Low,
Archive_High y Archive_Low
requieren un mínimo de Oracle 11gR2.
All_Operations

Básico

OLTP

Query_High

Query_Low

Archive_High

Archive_Low

Ejemplo que muestra cómo cambiar el comando CREATE INDEX para un índice específico:

db_exportnode.setKeyedPropertyValue("indexes", "MYINDEX",
["use_custom_create_index_command",
True])db_exportnode.setKeyedPropertyValue("indexes", "MYINDEX",
["custom_create_index_command",
"CREATE BITMAP INDEX <index-name> ON <table-name> <(index-columns)>"])

De forma alternativa, esto puede hacerse a través de una tabla hash:

db_exportnode.setKeyedPropertyValue("indexes", "MYINDEX", ["fields":["id",

"region"],
"use_custom_create_index_command":True,

Capítulo 17. Propiedades de nodos Exportar 425

 "custom_create_index_command":"CREATE INDEX <index-name> ON
<table-name> <(index-columns)>"])

Propiedades de datacollectionexportnode
El nodo de exportación Data Collection abre los datos en el formato utilizado por
el software de investigación de mercados Data Collection. Debe estar instalada una
biblioteca de datos de Data Collection para utilizar este nodo.

Ejemplo

ruta = modeler.script.stream()
datacollectionexportnode = stream.createAt("datacollectionexport", "Data
Collection", 200, 200)
datacollectionexportnode.setPropertyValue("metadata_file", "c:\\museums.mdd")
datacollectionexportnode.setPropertyValue("merge_metadata", "Overwrite")
datacollectionexportnode.setPropertyValue("casedata_file", "c:\
\museumdata.sav")
datacollectionexportnode.setPropertyValue("generate_import", True)
datacollectionexportnode.setPropertyValue("enable_system_variables", True)

Tabla 247. propiedades de datacollectionexportnode

propiedades de Tipo de datos Descripción de la propiedad
datacollectionexportnode
metadata_file string Nombre del archivo de
metadatos que se va a
exportar.
merge_metadata Overwrite

MergeCurrent
enable_system_variables marca Especifica si el archivo .mdd
exportado debe incluir las
variables de sistema de Data
Collection.
casedata_file string Nombre del archivo .sav donde
se exportan los datos de casos.
generate_import marca

Propiedades de excelexportnode
El nodo de exportación Excel genera datos en el formato de archivo .xlsx de
Microsoft Excel. Si lo desea, puede elegir iniciar automáticamente Excel y abrir el
archivo exportado cuando se ejecute el nodo.

Ejemplo

ruta = modeler.script.stream()
excelexportnode = stream.createAt("excelexport", "Excel", 200, 200)
excelexportnode.setPropertyValue("full_filename", "C:/output/myexport.xlsx")
excelexportnode.setPropertyValue("excel_file_type", "Excel2007")
excelexportnode.setPropertyValue("inc_field_names", True)
excelexportnode.setPropertyValue("inc_labels_as_cell_notes", False)

426 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 excelexportnode.setPropertyValue("launch_application", True)
excelexportnode.setPropertyValue("generate_import", True)

Tabla 248. Propiedades de excelexportnode

Propiedad de excelexportnode Tipo de datos Descripción de la propiedad
full_filename string
excel_file_type Excel2007
export_mode Create

Append
inc_field_names marca Especifica si los nombres de
campos deben incluirse en la
primera fila de la hoja de
trabajo.
start_cell string Especifica la casilla de inicio de
la exportación.
worksheet_name string Nombre de la hoja de trabajo
que se va a escribir.
launch_application marca Determina si Excel debe
invocarse para el archivo
resultante. Tenga en cuenta
que deberá especificar la ruta
para iniciar Excel en el cuadro
de diálogo Aplicaciones de
ayuda (menú Herramientas,
Aplicaciones de ayuda).
generate_import marca Determina si debe crearse
un nodo Importar a Excel
que leerá el archivo de datos
exportado.

Propiedades de extensionexportnode

Con el nodo de Exportación de extensión, puede

ejecutar scripts R o Python para Spark para
exportar datos.

Ejemplo de Python para Spark

#### Ejemplo de script de Python para Spark
import modeler.api
ruta = modeler.script.stream()
node = stream.create("extension_export", "extension_export")
node.setPropertyValue("syntax_type", "Python")

python_script = """import spss.pyspark.runtime

from pyspark.sql import SQLContext
from pyspark.sql.types import *

cxt = spss.pyspark.runtime.getContext()
df = cxt.getSparkInputData()

Capítulo 17. Propiedades de nodos Exportar 427

 print df.dtypes[:]
_newDF = df.select("Age","Drug")
print _newDF.dtypes[:]

df.select("Age", "Drug").write.save("c:/data/ageAndDrug.json", format="json")

"""

node.setPropertyValue("python_syntax", python_script)

Ejemplo de R
#### Ejemplo de script de R
node.setPropertyValue("syntax_type", "R")
node.setPropertyValue("r_syntax", """write.csv(modelerData, "C:/export.csv")""")

Tabla 249. Propiedades de extensionexportnode

Propiedades de extensionexportnode Tipo de datos Descripción de la propiedad
syntax_type R Especifica qué script se
ejecuta: R o Python (R es el
Python valor predeterminado).

r_syntax cadena Sintaxis de scripts R a ejecutar.

python_syntax cadena Sintaxis de scripts Python a
ejecutar.
convert_flags Opción para convertir campos
StringsAndDoubles
LogicalValues de distintivos.

convert_missing marca Opción para convertir valores

perdidos al valor NA de R.
convert_datetime marca Opción para convertir las
variables con los formatos de
fecha o de fecha y hora para
formatos de fecha/hora R.
convert_datetime_class Opciones para especificar a
POSIXct
POSIXlt qué formato se convierten las
variables con los formatos de
fecha o de fecha y hora.

Propiedades jsonexportnode
El nodo de exportación JSON genera datos en formato JSON.

Tabla 250. Propiedades jsonexportnode

Propiedades jsonexportnode Tipo de datos Descripción de la propiedad
full_filename string El nombre completo del
archivo, incluyendo la ruta.
string_format records Especifique el formato de
la cadena JSON. El valor
values predeterminado es records.

428 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 250. Propiedades jsonexportnode (continuación)
Propiedades jsonexportnode Tipo de datos Descripción de la propiedad
generate_import marca Especifica si se debe generar
un nodo de importación JSON
que leerá el archivo de
datos exportado. El valor
predeterminado es False.

Propiedades de outputfilenode
El nodo Archivo sin formato produce datos en un archivo de texto delimitado. Esto
es útil para exportar datos que se pueden leer con otro software de hoja de cálculo o
de análisis.

Ejemplo

ruta = modeler.script.stream()
outputfile = stream.createAt("outputfile", "File Output", 200, 200)
outputfile.setPropertyValue("full_filename", "c:/output/flatfile_output.txt")
outputfile.setPropertyValue("write_mode", "Append")
outputfile.setPropertyValue("inc_field_names", False)
outputfile.setPropertyValue("use_newline_after_records", False)
outputfile.setPropertyValue("delimit_mode", "Tab")
outputfile.setPropertyValue("other_delimiter", ",")
outputfile.setPropertyValue("quote_mode", "Double")
outputfile.setPropertyValue("other_quote", "*")
outputfile.setPropertyValue("decimal_symbol", "Period")
outputfile.setPropertyValue("generate_import", True)

Tabla 251. propiedades de outputfilenode

propiedades de outputfilenode Tipo de datos Descripción de la propiedad
full_filename string Nombre del archivo de
resultados.
write_mode Overwrite

Append
inc_field_names marca
use_newline_after_records marca
delimit_mode Comma

Tab

Space

Other
other_delimiter char

Capítulo 17. Propiedades de nodos Exportar 429

 Tabla 251. propiedades de outputfilenode (continuación)
propiedades de outputfilenode Tipo de datos Descripción de la propiedad
quote_mode Ninguno

Single

Double

Other
other_quote marca
generate_import marca
codificación StreamDefault

SystemDefault

"UTF-8"

Propiedades de sasexportnode
El nodo Exportar SAS produce datos en formato SAS, para leerlos en SAS o en
un paquete de software compatible con SAS. Están disponibles tres formatos de
archivo SAS: SAS para Windows/OS2, SAS para UNIX o SAS versión 7/8.

Ejemplo

ruta = modeler.script.stream()
sasexportnode = stream.createAt("sasexport", "SAS Export", 200, 200)
sasexportnode.setPropertyValue("full_filename", "c:/output/
SAS_output.sas7bdat")
sasexportnode.setPropertyValue("format", "SAS8")
sasexportnode.setPropertyValue("export_names", "NamesAndLabels")
sasexportnode.setPropertyValue("generate_import", True)

Tabla 252. propiedades de sasexportnode

Propiedad de sasexportnode Tipo de datos Descripción de la propiedad
format Windows Campos de etiquetas de
propiedad de variantes.
UNIX

SAS7

SAS8
full_filename string

430 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 252. propiedades de sasexportnode (continuación)
Propiedad de sasexportnode Tipo de datos Descripción de la propiedad
export_names NamesAndLabels Se utiliza para correlacionar
los nombres de campos de
NamesAsLabels IBM SPSS Modeler que se
vayan a exportar a nombres
de variables de IBM SPSS
Statistics o SAS.
generate_import marca

Propiedades de statisticsexportnode
El nodo Exportar Statistics ofrece los resultados en formato IBM SPSS Statistics .sav
o .zsav. Los archivos .sav o .zsav se pueden leer con IBM SPSS Statistics Base
y otros productos. Este es también el formato utilizado para los archivos caché de
IBM SPSS Modeler.

Las propiedades de este nodo están descritas en “Propiedades de statisticsexportnode” en la página 439.

Propiedades del nodo tm1odataexport

El nodo Exportar IBM Cognos TM1 exporta datos en un formato que pueden leer las
bases de datos de Cognos TM1.

Tabla 253. Propiedades del nodo tm1odataexport

Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1odataexport
credential_type inputCredential o Se utiliza para indicar el tipo de credencial.
storedCredential
input_credential list Cuando credential_type es
inputCredential; especifique el dominio,
el nombre de usuario y la contraseña.
stored_credential_name cadena Cuando credential_type es
storedCredential; especifique el nombre
de la credencial en el servidor C&DS.
selected_cube campo El nombre del cubo al que está exportando
datos. Por ejemplo:
TM1_export.setPropertyValue("selec
ted_cube", "plan_BudgetPlan")

Capítulo 17. Propiedades de nodos Exportar 431

 Tabla 253. Propiedades del nodo tm1odataexport (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1odataexport
spss_field_to_tm1_element list El elemento de tm1 al que hay
_mapping que correlacionar debe formar parte
de la dimensión de columna para
la vista de cubo seleccionada. El
formato es: [[[Campo_1, Dimensión_1,
False], [Elemento_1, Dimensión_2,
True], ...], [[Campo_2,
ElementoMedidaExistente, False],
[Campo_3, NuevoElementoMedida,
True], ...]]
Existen 2 listas para describir la información
de correlación. La correlación de un elemento
de hoja a una dimensión se corresponde al
ejemplo 2 siguiente:
Ejemplo 1: La primera lista: ([[Campo_1,
Dimensión_1, False], [Elemento_1,
Dimensión_2, True], ...]) se utiliza
para la información de mapas de la dimensión
TM1.
Cada lista de 3 valores indica información de
correlación de dimensiones. El tercer valor
booleano se utiliza para indicar si selecciona
un elemento de una dimensión. Por ejemplo:
"[Campo_1, Dimensión_1, False]"
significa que Campo_1 está correlacionado
con Dimensión_1; "[Elemento_1,
Dimensión_2, True]" significa que
Elemento_1 está seleccionado para
Dimensión_2.
Ejemplo 2: La segunda lista: ([[Campo_2,
ElementoMedidaExistente, False],
[Campo_3, NuevoElementoMedida,
True], ...]) se utiliza para la información
de correlación de elemento de dimensión de
medida TM1.
Cada lista de 3 valores indica
información de correlación de elementos
de medida. El tercer valor booleano
se utiliza para indicar la necesidad de
crear un elemento nuevo. "[Campo_2,
ElementoMedidaExistente, False]"
significa que Campo_2 está correlacionado
con ElementoMedidaExistente;
"[Campo_3, NuevoElementoMedida,
True]" significa que
NuevoElementoMedida debe ser una
dimensión de medida seleccionada en
selected_measure y el Campo_3 está
correlacionado con este.

432 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 253. Propiedades del nodo tm1odataexport (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1odataexport
selected_measure cadena Especifique la dimensión de medida.
Ejemplo:
setPropertyValue("selected_measure
", "Measures")
connection_type AdminServer Indica el tipo de conexión. El valor
TM1Server predeterminado es AdminServer.
admin_host string El URL del nombre de host de la API
REST. Obligatorio si connection_type es
AdminServer.
server_name string El nombre del servidor TM1
seleccionado de admin_host. Obligatorio si
connection_type es AdminServer.
server_url string El URL de la API REST de TM1
Server. Obligatorio si connection_type es
TM1Server.

Propiedades del nodo tm1export (en desuso)

El nodo Exportar IBM Cognos TM1 exporta datos en un formato que pueden leer las
bases de datos de Cognos TM1.

Nota: Este nodo estaba en desuso en Modeler 18.0. El nombre del script del nodo de sustitución es
tm1odataexport.

Tabla 254. Propiedades del nodo tm1export

Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1export
pm_host cadena Nota: sólo para la versión 16.0 y 17.0

Nombre del host. Por ejemplo:

TM1_export.setPropertyValue("pm_ho
st", 'http://9.191.86.82:9510/
pmhub/pm')
tm1_connection ["campo","campo", . Nota: sólo para la versión 16.0 y 17.0
.. ,"campo"]
Una propiedad de la lista que contiene los
detalles de conexión para el servidor de TM1.
El formato es: [ "TM1_Server_Name",
"tm1_ username", "tm1_password"]

Por ejemplo:
TM1_export.setPropertyValue("tm1_c
onnection", ['Planning Sample',
"admin" "apple"])

Capítulo 17. Propiedades de nodos Exportar 433

 Tabla 254. Propiedades del nodo tm1export (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1export
selected_cube campo El nombre del cubo al que está exportando
datos. Por ejemplo:
TM1_export.setPropertyValue("selec
ted_cube", "plan_BudgetPlan")

434 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 254. Propiedades del nodo tm1export (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1export
spssfield_tm1element_mapp list El elemento de tm1 al que hay
ing que correlacionar debe formar parte
de la dimensión de columna para
la vista de cubo seleccionada. El
formato es: [[[Campo_1, Dimensión_1,
False], [Elemento_1, Dimensión_2,
True], ...], [[Campo_2,
ElementoMedidaExistente, False],
[Campo_3, NuevoElementoMedida,
True], ...]]

Existen 2 listas para describir la información

de correlación. La correlación de un elemento
de hoja a una dimensión se corresponde al
ejemplo 2 siguiente:

Ejemplo 1: La primera lista: ([[Campo_1,

Dimensión_1, False], [Elemento_1,
Dimensión_2, True], ...]) se utiliza
para la información de mapas de la dimensión
TM1.

Cada lista de 3 valores indica información de

correlación de dimensiones. El tercer valor
booleano se utiliza para indicar si selecciona
un elemento de una dimensión. Por ejemplo:
"[Campo_1, Dimensión_1, False]"
significa que Campo_1 está correlacionado
con Dimensión_1; "[Elemento_1,
Dimensión_2, True]" significa que
Elemento_1 está seleccionado para
Dimensión_2.

Ejemplo 2: La segunda lista: ([[Campo_2,

ElementoMedidaExistente, False],
[Campo_3, NuevoElementoMedida,
True], ...]) se utiliza para la información
de correlación de elemento de dimensión de
medida TM1.

Cada lista de 3 valores indica

información de correlación de elementos
de medida. El tercer valor booleano
se utiliza para indicar la necesidad de
crear un elemento nuevo. "[Campo_2,
ElementoMedidaExistente, False]"
significa que Campo_2 está correlacionado
con ElementoMedidaExistente;
"[Campo_3, NuevoElementoMedida,
True]" significa que
NuevoElementoMedida debe ser una
dimensión de medida seleccionada en
selected_measure y el Campo_3 está
correlacionado con este.de nodos Exportar 435
Capítulo 17. Propiedades
 Tabla 254. Propiedades del nodo tm1export (continuación)
Propiedades del nodo Tipo de datos Descripción de la propiedad
tm1export
selected_measure cadena Especifique la dimensión de medida.

Ejemplo:
setPropertyValue("selected_measure
", "Measures")

Propiedades de xmlexportnode
El nodo de exportación XML exporta datos a un archivo en formato XML. También
puede crear un nodo de origen XML para leer los datos exportados a la ruta.

Ejemplo

ruta = modeler.script.stream()
xmlexportnode = stream.createAt("xmlexport", "XML Export", 200, 200)
xmlexportnode.setPropertyValue("full_filename", "c:/export/data.xml")
xmlexportnode.setPropertyValue("map", [["/catalog/book/genre", "genre"], ["/
catalog/book/title", "title"]])

Tabla 255. propiedades de xmlexportnode

propiedades de xmlexportnode Tipo de datos Descripción de la propiedad
full_filename string (obligatorio) Ruta completa y nombre de
archivo del archivo XML para exportar.
use_xml_schema marca Especifica si utilizar un esquema XML
(archivo XSD o DTD) para controlar la
estructura de los datos exportados.
full_schema_filename string Ruta completa y nombre de archivo del
archivo XSD o DTD que se quiere utilizar.
Es obligatorio si use_xml_schema está
establecido como true.
generate_import marca Genera un nodo de origen XML que leerá
el archivo de datos exportados de nuevo
en la ruta.
records string Expresión de XPath que denota el límite
de registro.
map string Correlaciona el nombre de campo a la
estructura XML.

436 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 18. Propiedades de nodos de IBM SPSS
Statistics

Propiedades de statisticsimportnode
El nodo Archivo de estadísticas lee los datos desde un formato de archivo .sav o .zsav
que utiliza IBM SPSS Statistics y archivos caché guardados en IBM SPSS Modeler, que
también puede utilizar el mismo formato.

Ejemplo

ruta = modeler.script.stream()
statisticsimportnode = stream.createAt("statisticsimport", "SAV Import",
200, 200)
statisticsimportnode.setPropertyValue("full_filename", "C:/data/drug1n.sav")
statisticsimportnode.setPropertyValue("import_names", True)
statisticsimportnode.setPropertyValue("import_data", True)

Tabla 256. propiedades de statisticsimportnode

propiedades de Tipo de datos Descripción de la propiedad
statisticsimportnode
full_filename string El nombre completo del archivo,
incluyendo la ruta.
password string La contraseña. El parámetro password se
debe establecer antes que el parámetro
file_encrypted.
file_encrypted marca Indica si el archivo está protegido con
contraseña.
import_names NamesAndLabels Método para gestionar nombres y
etiquetas de variables.
LabelsAsNames
import_data DataAndLabels Método para gestionar valores y etiquetas.

LabelsAsData
use_field_format_for_stor Booleana Especifica si se utiliza la información de
age formato de campo de IBM SPSS Statistics
al importar.

propiedades de statisticstransformnode
El nodo Transformación Statistics ejecuta una selección de comandos de sintaxis
de IBM SPSS Statistics en los orígenes de datos de IBM SPSS Modeler. Este nodo
requiere una copia de IBM SPSS Statistics con licencia.
 Ejemplo

ruta = modeler.script.stream()
statisticstransformnode = stream.createAt("statisticstransform",
"Transform", 200, 200)
statisticstransformnode.setPropertyValue("syntax", "COMPUTE NewVar = Na +
K.")
statisticstransformnode.setKeyedPropertyValue("new_name", "NewVar", "Mixed
Drugs")
statisticstransformnode.setPropertyValue("check_before_saving", True)

Tabla 257. propiedades de statisticstransformnode

propiedades de statisticstransformnode Tipo de datos Descripción de la propiedad
sintaxis string
check_before_saving marca Valida la sintaxis introducida
antes de guardar las entradas.
Muestra un mensaje de error si
la sintaxis no es válida.
default_include marca Consulte “propiedades de
filternode” en la página 170
para obtener más información.
include marca Consulte “propiedades de
filternode” en la página 170
para obtener más información.
new_name string Consulte “propiedades de
filternode” en la página 170
para obtener más información.

propiedades de statisticsmodelnode
El nodo Modelo Statistics permite analizar y trabajar con sus datos ejecutando los
procedimientos de IBM SPSS Statistics que producen PMML. Este nodo requiere una
copia de IBM SPSS Statistics con licencia.

Ejemplo

ruta = modeler.script.stream()
statisticsmodelnode = stream.createAt("statisticsmodel", "Model", 200, 200)
statisticsmodelnode.setPropertyValue("syntax", "COMPUTE NewVar = Na + K.")
statisticsmodelnode.setKeyedPropertyValue("new_name", "NewVar", "Mixed
Drugs")

propiedades de statisticsmodelnode Tipo de datos Descripción de la propiedad

sintaxis string
default_include marca Consulte “propiedades de
filternode” en la página 170
para obtener más información.
include marca Consulte “propiedades de
filternode” en la página 170
para obtener más información.

438 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 propiedades de statisticsmodelnode Tipo de datos Descripción de la propiedad
new_name string Consulte “propiedades de
filternode” en la página 170
para obtener más información.

Propiedades de statisticsoutputnode
El nodo Resultados de Statistics le permite llamar a un procedimiento de IBM
SPSS Statistics para analizar los datos de IBM SPSS Modeler. Se puede acceder a
una gran variedad de procedimientos analíticos de IBM SPSS Statistics. Este nodo
requiere una copia de IBM SPSS Statistics con licencia.

Ejemplo

ruta = modeler.script.stream()
statisticsoutputnode = stream.createAt("statisticsoutput", "Output", 200,
200)
statisticsoutputnode.setPropertyValue("syntax", "SORT CASES BY Age(A) Sex(A)
BP(A) Cholesterol(A)")
statisticsoutputnode.setPropertyValue("use_output_name", False)
statisticsoutputnode.setPropertyValue("output_mode", "File")
statisticsoutputnode.setPropertyValue("full_filename", "Cases by Age, Sex
and Medical History")
statisticsoutputnode.setPropertyValue("file_type", "HTML")

Tabla 258. propiedades de statisticsoutputnode

propiedades de statisticsoutputnode Tipo de datos Descripción de la propiedad
mode Dialog Selecciona la opción "cuadro
de diálogo de IBM SPSS
Syntax Statistics" o el editor Sintaxis

sintaxis string
use_output_name marca
output_name string
output_mode Screen

File
full_filename string
tipo_archivo HTML

SPV

SPW

Propiedades de statisticsexportnode
El nodo Exportar Statistics ofrece los resultados en formato IBM SPSS Statistics .sav
o .zsav. Los archivos .sav o .zsav se pueden leer con IBM SPSS Statistics Base
y otros productos. Este es también el formato utilizado para los archivos caché de
IBM SPSS Modeler.

Capítulo 18. Propiedades de nodos de IBM SPSS Statistics 439

 Ejemplo

ruta = modeler.script.stream()
statisticsexportnode = stream.createAt("statisticsexport", "Export", 200,
200)
statisticsexportnode.setPropertyValue("full_filename", "c:/output/
SPSS_Statistics_out.sav")
statisticsexportnode.setPropertyValue("field_names", "Names")
statisticsexportnode.setPropertyValue("launch_application", True)
statisticsexportnode.setPropertyValue("generate_import", True)

Tabla 259. propiedades de statisticsexportnode

Propiedades de Tipo de datos Descripción de la propiedad
statisticsexportn
ode
full_filename string
tipo_archivo sav Guardar el archivo en formato sav o zsav. Por ejemplo:

zsav statisticsexportnode.setPropertyValue("file_
type","sav")
encrypt_file marca Indica si el archivo está protegido con contraseña.
password string La contraseña.
launch_applicatio marca
n
export_names NamesAndLabels Se utiliza para correlacionar los nombres de campos de
IBM SPSS Modeler que se vayan a exportar a nombres de
NamesAsLabels variables de IBM SPSS Statistics o SAS.
generate_import marca

440 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 19. Propiedades de nodo Python

Propiedades gmm
Un modelo de Gaussian Mixture© es un modelo probabilístico que presupone que
todos los puntos de datos se generan a partir de una mezcla de un número finito
de distribuciones gausianas con parámetros desconocidos. Se puede pensar que los
modelos de mezcla son generalizadores de la agrupación en clúster de k-medias
para incorporar información sobre la estructura de covarianzas de los datos, así
como los centros de valores gausianos latentes. El nodo de mezcla gausiana en
SPSS Modeler expone las características principales y los parámetros utilizados con
más frecuencia de la biblioteca de la mezcla gausiana. El nodo se implementa en
Python.

Tabla 260. Propiedades gmm

Propiedades gmm Tipo de datos Descripción de la propiedad
use_partition booleano Establezca en True o False para
especificar si se van a utilizar datos
particionados. El valor predeterminado es
False.
covariance_type string Especifique Full, Tied, Diag o
Spherical para establecer el tipo de
covarianza.
number_component entero Especifique un entero para el número de
componentes de mezcla. El valor mínimo
es 1. El valor predeterminado es 2.
component_lable booleano Especifique True para establecer la
etiqueta de clúster en una cadena
o False para establecer la etiqueta
del clúster en un número. El valor
predeterminado es False.
label_prefix string Si está utilizando una etiqueta de clúster
de cadena, puede especificar un prefijo.
enable_random_seed booleano Especifique True si desea utilizar una
semilla aleatoria. El valor predeterminado
es False.
random_seed entero Si está utilizando una semilla aleatoria,
especifique un entero que se utilizará para
generar muestras aleatorias.
tol Doble Especifique el umbral de convergencia. El
valor predeterminado es 0.000.1.
max_iter entero Especifique el número máximo de
iteraciones para realizar. El valor
predeterminado es 100.
init_params string Establezca el parámetro de inicialización
para utilizar. Las opciones son Kmeans o
Random.
 Tabla 260. Propiedades gmm (continuación)
Propiedades gmm Tipo de datos Descripción de la propiedad
warm_start booleano Especifique True para utilizar la solución
del último ajuste como la inicialización
para la siguiente llamada de ajuste. El
valor predeterminado es False.

Propiedades hdbscannode
La agrupación en clúster espacial basada en densidad jerárquica (HDBSCAN)©
utiliza el aprendizaje no supervisado para encontrar clústeres, o regiones densas, de
un conjunto de datos. El nodo HDBSCAN en SPSS Modeler expone las características
principales y los parámetros utilizados con más frecuencia de la biblioteca
HDBSCAN. El nodo se implementa en Python, y puede utilizarlo para agrupar en
clúster el conjunto de datos en grupos distintos cuando no sabe qué grupos están
primero.

Tabla 261. Propiedades hdbscannode

Propiedades hdbscannode Tipo de datos Descripción de la propiedad
inputs campo Campos de entrada para la agrupación en
clúster.
useHPO booleano Especifique true o false para habilitar
o inhabilitar la optimización HPO (Hyper-
Parameter Optimization) basada en
Rbfopt, que descubre automáticamente
la combinación óptima de parámetros,
de forma que el modelo conseguirá el
índice de error previsto o inferior en
las muestras. El valor predeterminado es
false.
min_cluster_size entero El tamaño mínimo de clústeres.
Especifique un entero. El valor
predeterminado es 5.
min_samples entero El número de muestras en un vecindario
para un punto que se va a considerar
un punto central. Especifique un
entero. Si se establece en 0, se
utiliza min_cluster_size. El valor
predeterminado es 0.
algorithm cadena Especifique qué algoritmo utilizar:
best, generic, prims_kdtree,
prims_balltree, boruvka_kdtree
o boruvka_balltree. El valor
predeterminado es best.

442 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 261. Propiedades hdbscannode (continuación)
Propiedades hdbscannode Tipo de datos Descripción de la propiedad
metric cadena Especifique qué métrica utilizar al
calcular la distancia entre instancias
en una matriz de características:
euclidean, cityblock, L1, L2,
manhattan, braycurtis, canberra,
chebyshev, correlation, minkowski
o sqeuclidean. El valor predeterminado
es euclidean.
useStringLabel booleano Especifique true para utilizar una
etiqueta de clúster de serie, o false para
utilizar una etiqueta de clúster de número.
El valor predeterminado es false.
stringLabelPrefix cadena Si el parámetro useStringLabel está
establecido en true, especifique un valor
para el prefijo de etiqueta de serie. El
prefijo predeterminado es cluster.
approx_min_span_tree booleano Especifique true para aceptar un árbol de
expansión mínima aproximado, o false
si desea sacrificar la velocidad por la
precisión. El valor predeterminado es
true.
cluster_selection_method cadena Especifique el método para utilizar
para seleccionar clústeres en el árbol
condensado: eom o leaf. El valor
predeterminado es eom (algoritmo de
exceso de masa).
allow_single_cluster booleano Especifique true si desea permitir
resultados de clúster único. El valor
predeterminado es false.
p_value doble Especifique el p value para utilizar
si está utilizando minkowski para la
métrica. El valor predeterminado es 1.5.
leaf_size entero Si utiliza un algoritmo de árbol
de espacio (boruvka_kdtree, o
boruvka_balltree), especifique el
número de puntos en un nodo de hoja del
árbol. El valor predeterminado es 40.
outputValidity booleano Especifique true o false para controlar
si el gráfico de índice de validez está
incluido en la salida del modelo.
outputCondensed booleano Especifique true o false para controlar
si el gráfico de árbol condensado está
incluido en la salida del modelo.
outputSingleLinkage booleano Especifique true o false para controlar
si el gráfico de árbol de enlace único está
incluido en la salida del modelo.

Capítulo 19. Propiedades de nodo Python 443

 Tabla 261. Propiedades hdbscannode (continuación)
Propiedades hdbscannode Tipo de datos Descripción de la propiedad
outputMinSpan booleano Especifique true o false para controlar
si el gráfico de árbol de expansión mínima
está incluido en la salida del modelo.
is_split Se ha añadido en la versión 18.2.1.1.

Propiedades kdemodel
La estimación de densidad de kernel (KDE)© utiliza los algoritmos del árbol de
métrica o del árbol KD para unas consultas eficientes y combina los conceptos de
aprendizaje no supervisado, ingeniería de características y modelado de datos. Los
enfoques basados en vecinos como, por ejemplo, KDE, son algunas de las técnicas
de estimación de densidad más populares y útiles. Los nodos de modelado de KDE
y simulación de KDE en SPSS Modeler exponen las características principales y
los parámetros utilizados con más frecuencia de la biblioteca KDE. Los nodos se
implementan en Python.

Tabla 262. Propiedades kdemodel

Propiedades kdemodel Tipo de datos Descripción de la propiedad
bandwidth doble El valor predeterminado es 1.
kernel string El kernel para utilizar: gaussian,
tophat, epanechnikov, exponential,
linear o cosine. El valor
predeterminado es gaussian.
algorithm string El algoritmo de árbol para utilizar:
kd_tree, ball_tree o auto. El valor
predeterminado es auto.
metric string La métrica para utilizar al calcular
distancias. Para el algoritmo kd_tree,
elija entre: Euclidean, Chebyshev,
Cityblock, Minkowski, Manhattan,
Infinity, P, L2 o L1. Para el
algoritmo ball_tree, elija entre:
Euclidian, Braycurtis, Chebyshev,
Canberra, Cityblock, Dice, Hamming,
Infinity, Jaccard, L1, L2,
Minkowski, Matching, Manhattan,
P, Rogersanimoto, Russellrao,
Sokalmichener, Sokalsneath o
Kulsinski. El valor predeterminado es
Euclidean.
atol float La tolerancia absoluta deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 0.0.

444 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 262. Propiedades kdemodel (continuación)
Propiedades kdemodel Tipo de datos Descripción de la propiedad
rtol float La tolerancia relativa deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 1E-8.
breadthFirst booleano Establezca en True para utilizar un
enfoque de amplitud. Establezca en
Renombrado como False para utilizar un enfoque de
breadth_first a partir de la búsqueda en profundidad. El valor
versión 18.2.1.1 predeterminado es True.

LeafSize entero El tamaño de hoja del árbol subyacente. El

valor predeterminado es 40. Cambiar este
Renombrado como leaf_size a valor podría afectar de forma significativa
partir de la versión 18.2.1.1 al rendimiento.

pValue doble Especifique el Valor P para utilizar si está

utilizando Minkowski para la métrica. El
valor predeterminado es 1.5.
custom_name
default_node_name
use_HPO

propiedades kdeexport
La estimación de densidad de kernel (KDE)© utiliza los algoritmos del árbol de
métrica o del árbol KD para unas consultas eficientes y combina los conceptos de
aprendizaje no supervisado, ingeniería de características y modelado de datos. Los
enfoques basados en vecinos como, por ejemplo, KDE, son algunas de las técnicas
de estimación de densidad más populares y útiles. Los nodos de modelado de KDE
y simulación de KDE en SPSS Modeler exponen las características principales y
los parámetros utilizados con más frecuencia de la biblioteca KDE. Los nodos se
implementan en Python.

Tabla 263. propiedades kdeexport

Propiedades kdeexport Tipo de datos Descripción de la propiedad
bandwidth doble El valor predeterminado es 1.
kernel string El kernel para utilizar: gaussian o
tophat. El valor predeterminado es
gaussian.
algorithm string El algoritmo de árbol para utilizar:
kd_tree, ball_tree o auto. El valor
predeterminado es auto.

Capítulo 19. Propiedades de nodo Python 445

 Tabla 263. propiedades kdeexport (continuación)
Propiedades kdeexport Tipo de datos Descripción de la propiedad
metric string La métrica para utilizar al calcular
distancias. Para el algoritmo kd_tree,
elija entre: Euclidean, Chebyshev,
Cityblock, Minkowski, Manhattan,
Infinity, P, L2 o L1. Para el
algoritmo ball_tree, elija entre:
Euclidian, Braycurtis, Chebyshev,
Canberra, Cityblock, Dice, Hamming,
Infinity, Jaccard, L1, L2,
Minkowski, Matching, Manhattan,
P, Rogersanimoto, Russellrao,
Sokalmichener, Sokalsneath o
Kulsinski. El valor predeterminado es
Euclidean.
atol float La tolerancia absoluta deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 0.0.
rtol float La tolerancia relativa deseada del
resultado. Por regla general, una
tolerancia mayor conducirá a una
ejecución más rápida. El valor
predeterminado es 1E-8.
breadthFirst booleano Establezca en True para utilizar un
enfoque de amplitud. Establezca en
False para utilizar un enfoque de
búsqueda en profundidad. El valor
predeterminado es True.
LeafSize entero El tamaño de hoja del árbol subyacente. El
valor predeterminado es 40. Cambiar este
valor podría afectar de forma significativa
al rendimiento.
pValue doble Especifique el Valor P para utilizar si está
utilizando Minkowski para la métrica. El
valor predeterminado es 1.5.

Propiedades gmm
Un modelo de Gaussian Mixture© es un modelo probabilístico que presupone que
todos los puntos de datos se generan a partir de una mezcla de un número finito
de distribuciones gausianas con parámetros desconocidos. Se puede pensar que los
modelos de mezcla son generalizadores de la agrupación en clúster de k-medias
para incorporar información sobre la estructura de covarianzas de los datos, así
como los centros de valores gausianos latentes. El nodo de mezcla gausiana en
SPSS Modeler expone las características principales y los parámetros utilizados con
más frecuencia de la biblioteca de la mezcla gausiana. El nodo se implementa en
Python.

446 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 264. Propiedades gmm
Propiedades gmm Tipo de datos Descripción de la propiedad
use_partition booleano Establezca en True o False para
especificar si se van a utilizar datos
particionados. El valor predeterminado es
False.
covariance_type string Especifique Full, Tied, Diag o
Spherical para establecer el tipo de
covarianza.
number_component entero Especifique un entero para el número de
componentes de mezcla. El valor mínimo
es 1. El valor predeterminado es 2.
component_lable booleano Especifique True para establecer la
etiqueta de clúster en una cadena
o False para establecer la etiqueta
del clúster en un número. El valor
predeterminado es False.
label_prefix string Si está utilizando una etiqueta de clúster
de cadena, puede especificar un prefijo.
enable_random_seed booleano Especifique True si desea utilizar una
semilla aleatoria. El valor predeterminado
es False.
random_seed entero Si está utilizando una semilla aleatoria,
especifique un entero que se utilizará para
generar muestras aleatorias.
tol Doble Especifique el umbral de convergencia. El
valor predeterminado es 0.000.1.
max_iter entero Especifique el número máximo de
iteraciones para realizar. El valor
predeterminado es 100.
init_params string Establezca el parámetro de inicialización
para utilizar. Las opciones son Kmeans o
Random.
warm_start booleano Especifique True para utilizar la solución
del último ajuste como la inicialización
para la siguiente llamada de ajuste. El
valor predeterminado es False.

ocsvmnode, propiedades
El nodo SVM de una clase utiliza un algoritmo de aprendizaje no supervisado. El
nodo se puede utilizar para la detección de novedad. Detectará el límite flexible de
un conjunto de muestras proporcionado, para clasificar a continuación los puntos
nuevos como pertenecientes o no a dicho conjunto. Este nodo de modelado SVM
de una clase en SPSS Modeler se implementa en Python y necesita la biblioteca
scikit-learn© de Python.

Capítulo 19. Propiedades de nodo Python 447

 Tabla 265. ocsvmnode, propiedades
Propiedades de ocsvmnode Tipo de datos Descripción de la propiedad
role_use string Especifique predefined para utilizar
roles predefinidos o custom para utilizar
Renombrado como asignaciones de campo personalizado. El
custom_fields a partir de la valor predeterminado es predefined.
versión
18.2.1.1

splits campo Lista de nombre de campo para división.

use_partition Booleana Especifique true o false. El valor
predeterminado es true. Si se establece
en true, sólo se utilizarán datos de
entrenamiento al generar el modelo.
mode_type string Modo. Los valores posibles son simple
o expert. Todos los parámetros de la
pestaña Experto estarán inhabilitados si
se especifica simple.
stopping_criteria string Serie de notación científica. Los valores
posibles son 1.0E-1, 1.0E-2, 1.0E-3,
1.0E-4, 1.0E-5 o 1.0E-6. El valor
predeterminado es 1.0E-3.
precision float Precisión de regresión (nu). Límite en
la fracción de errores de entrenamiento
y vectores de soporte. Especifique un
número mayor que 0 y menor que o igual
a 1,0. El valor predeterminado es 0,1.
kernel string Tipo de kernel a utilizar en el algoritmo.
Los valores posibles son linear, poly,
rbf, sigmoid o precomputed. El valor
predeterminado es rbf.
enable_gamma Booleana Habilita el parámetro gamma. Especifique
true o false. El valor predeterminado es
true.
gamma float Este parámetro sólo está habilitado para
los kernels rbf, poly y sigmoid. Si el
parámetro enable_gamma se establece
en false, este parámetro se establecerá
en auto. Si se establece en true, el valor
predeterminado es 0,1.
coef0 float Término independiente en la función
de kernel. Este parámetro sólo está
habilitado para el kernel poly y el kernel
sigmoid. El valor predeterminado es
0,0.
degree entero Grado de función de kernel polinómica.
Este parámetro sólo está habilitado para
el kernel poly. Especifique cualquier
entero. El valor predeterminado es 3.

448 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 265. ocsvmnode, propiedades (continuación)
Propiedades de ocsvmnode Tipo de datos Descripción de la propiedad
shrinking Booleana Especifica si se debe utilizar la opción
heurística de reducción. Especifique true
o false. El valor predeterminado es
false.
enable_cache_size Booleana Habilita el parámetro cache_size.
Especifique true o false. El valor
predeterminado es false.
cache_size float Tamaño de caché de kernel en MB. El
valor predeterminado es 200.
pc_type string Tipo del gráfico de coordenadas paralelas.
Los valores posibles son independent o
general.
lines_amount entero Número máximo de líneas a incluir en el
gráfico. Especifique un entero entre 1 y
1000.
lines_fields_custom Booleana Habilita el parámetro lines_fields,
que le permite especificar campos
personalizados para mostrarlos en el
resultado gráfico. Si se establece en
false, se mostrarán todos los campos.
Si se establece en true, sólo se
mostrarán los campos especificados con
el parámetro lines_fields. Por razones de
rendimiento, se visualizará un máximo de
20 campos.
lines_fields campo Lista de nombres de campo a incluir en el
gráfico como ejes verticales.
enable_graphic Booleana Especifique true o false. Habilita el
resultado gráfico (inhabilite esta opción si
desea ahorrar tiempo y reducir el tamaño
de archivo de ruta).
enable_hpo Booleana Especifique true o false para habilitar
o inhabilitar las opciones de HPO. Si está
establecido en true, Rbfopt se aplicará
para descubrir el "mejor" modelo SVM de
una clase automáticamente, que alcanza
el valor de objetivo de destino que ha
definido el usuario con el parámetro
target_objval siguiente.
target_objval float El valor de función de objetivo (índice
de errores del modelo en las muestras)
que se desea alcanzar (por ejemplo, el
valor del óptimo desconocido). Establezca
este parámetro en el valor apropiado si
el óptimo es desconocido (por ejemplo,
0.01).

Capítulo 19. Propiedades de nodo Python 449

 Tabla 265. ocsvmnode, propiedades (continuación)
Propiedades de ocsvmnode Tipo de datos Descripción de la propiedad
max_iterations entero Número máximo de iteraciones
para intentar el modelo. El valor
predeterminado es 1000.
max_evaluations entero Número máximo de evaluaciones de
función para intentar el modelo, donde el
foco es la precisión sobre la velocidad. El
valor predeterminado es 300.

Propiedades rfnode
El nodo Bosque aleatorio utiliza una implementación avanzada de un algoritmo de
agregación autodocimante con un modelo de árbol como modelo base. Este nodo
de modelado de bosque aleatorio en SPSS Modeler se implementa en Python y
requiere la biblioteca scikit-learn© Python.

Tabla 266. Propiedades rfnode

Propiedades rfnode Tipo de datos Descripción de la propiedad
role_use string Especifique predefined para utilizar
roles predefinidos o custom para utilizar
asignaciones de campo personalizado. El
valor predeterminado es predefined.
inputs campo Lista de los nombres de campo para
entrada.
splits campo Lista de nombre de campo para división.
n_estimators entero Número de árboles para crear. El valor
predeterminado es 10.
specify_max_depth Booleana Especifique la profundidad máxima
personalizada. Si es false, los nodos
se expanden hasta que todas las
hojas están vacía o hasta que
todas las hojas contienen menos que
min_samples_split muestras. El valor
predeterminado es false.
max_depth entero La profundidad máxima del árbol. El valor
predeterminado es 10.
min_samples_leaf entero Tamaño mínimo de nodo de hoja. El valor
predeterminado es 1.

450 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 266. Propiedades rfnode (continuación)
Propiedades rfnode Tipo de datos Descripción de la propiedad
max_features string El número de características para tener en
cuenta al buscar la mejor división.
• Si auto,
max_features=sqrt(n_features)
para clasificador y para regresión.
• Si sqrt,
max_features=sqrt(n_features).
• Si log2, max_features=log2
(n_features).
El valor predeterminado es auto.
bootstrap Booleana Utilice las muestras de programa de
arranque al crear árboles. El valor
predeterminado es true.
oob_score Booleana Utilice muestras aleatorias para estimar
la precisión de la generalización. El valor
predeterminado es false.
extreme Booleana Utilice árboles extremadamente
aleatorizados. El valor predeterminado es
false.
use_random_seed Booleana Especifique esto para duplicar los
resultados. El valor predeterminado es
false.
random_seed entero La semilla de aleatorización para utilizar
al crear árboles. Especifique cualquier
entero.
cache_size float Tamaño de caché de kernel en MB. El
valor predeterminado es 200.
enable_random_seed Booleana Habilita el parámetro random_seed.
Especifique true o false. El valor
predeterminado es false.
enable_hpo Booleana Especifique true o false para habilitar
o inhabilitar las opciones de HPO. Si está
establecido en true, Rbfopt se aplicará
para determinar el "mejor" modelo de
bosque aleatorio automáticamente, que
alcanza el valor del objetivo de destino
que ha definido el usuario con el
parámetro target_objval siguiente.
target_objval float El valor de función de objetivo (índice
de errores del modelo en las muestras)
que desea alcanzar (por ejemplo, el
valor del óptimo conocido). Establezca
este parámetro en el valor apropiado si
el óptimo es desconocido (por ejemplo,
0.01).

Capítulo 19. Propiedades de nodo Python 451

 Tabla 266. Propiedades rfnode (continuación)
Propiedades rfnode Tipo de datos Descripción de la propiedad
max_iterations entero Número máximo de iteraciones
para intentar el modelo. El valor
predeterminado es 1000.
max_evaluations entero Número máximo de evaluaciones de
función para intentar el modelo, donde el
foco es la precisión sobre la velocidad. El
valor predeterminado es 300.

Propiedades de smotenode
El nodo SMOTE (Synthetic Minority Over-sampling Technique) proporciona un
algoritmo de sobremuestreo para tratar con conjuntos de datos desequilibrados.
Proporciona un método avanzado para equilibrar datos. El nodo de proceso SMOTE
en SPSS Modeler se implementa en Python y necesita la biblioteca de Python
imbalanced-learn©.

Tabla 267. smotenode, propiedades

Propiedades de smotenode Tipo de datos Descripción de la propiedad
target_field campo Campo objetivo.

Renombrado como target a

partir de la versión 18.2.1.1
sample_ratio string Habilita un valor de
cociente personalizado. Las
dos opciones son Automático
(sample_ratio_auto) o Establecer
cociente (sample_ratio_manual).
sample_ratio_value float El cociente es el número de muestras en
la clase de minoría sobre el número de
muestras en la clase de mayoría. Debe ser
mayor que 0 y menor que o igual a 1. El
valor predeterminado es auto.
enable_random_seed Booleana Si está establecido en true, se habilitará
la propiedad random_seed.
random_seed entero Semilla utilizada por el generador de
números aleatorios.
k_neighbours entero Número de vecinos más cercanos a
utilizar para construir muestras sintéticas.
El valor predeterminado es 5.
m_neighbours entero Número de vecinos más cercanos a
utilizar para determinar si una muestra de
minoría está en peligro. Esta opción sólo
se habilita con los tipos de algoritmo de
SMOTE borderline1 y borderline2. El
valor predeterminado es 10.

452 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 267. smotenode, propiedades (continuación)
Propiedades de smotenode Tipo de datos Descripción de la propiedad
algorithm_kind string Tipo de algoritmo de SMOTE: regular,
borderline1 o borderline2.
Renombrado como algorithm a
partir de la versión 18.2.1.1
usepartition Booleana Si se establece en true, sólo se
utilizarán datos de entrenamiento para
Renombrado como la generación de modelos. El valor
use_partition a partir de la predeterminado es true.
versión 18.2.1.1

Propiedades tsnenode

t-SNE (vecino estocástico con t distribuida incorporado) es una herramienta para

visualizar datos de alta dimensión. Convierte afinidades de puntos de datos a
probabilidades. Este nodo t-SNE en SPSS Modeler se implementa en Python y
requiere la biblioteca scikit-learn© Python.

Tabla 268. propiedades tsnenode

Propiedades tsnenode Tipo de datos Descripción de la propiedad
mode_type string Especifique la modalidad simple o
experto.
n_components string Dimensión del espacio incorporado (2D
o 3D). Especifique 2 o 3. El valor
predeterminado es 2.
method string Especifique barnes_hut o exact. El
valor predeterminado es barnes_hut.
init string Inicialización de la incorporación.
Especifique random o pca. El valor
predeterminado es random.
target_field string El nombre del campo objetivo. Será un
mapa de colores en el gráfico de salida.
Renombrado como target a El gráfico utilizará un color si no se
partir de la versión 18.2.1.1 especifica ningún campo objetivo.

perplexity float La perplejidad está relacionada con el

número de los vecinos más cercanos
utilizados en otros algoritmos de
aprendizaje de colector. Normalmente, los
conjuntos de datos más grandes requieren
una mayor perplejidad. Considere
seleccionar un valor entre 5 y 50. El valor
predeterminado es 30.

Capítulo 19. Propiedades de nodo Python 453

 Tabla 268. propiedades tsnenode (continuación)
Propiedades tsnenode Tipo de datos Descripción de la propiedad
early_exaggeration float Controla cómo de ajustados están los
clústeres naturales del espacio original en
el espacio incorporado, y cuánto espacio
habrá entre ellos. El valor predeterminado
es 12.0.
learning_rate float El valor predeterminado es 200.
n_iter entero Número máximo de iteraciones para la
optimización. Se establece en 250, como
mínimo. El valor predeterminado es 1000.
angle float El tamaño angular del nodo distante como
se ha medido a partir de un punto.
Especifique un valor dentro del rango de
0-1. El valor predeterminado es 0,5.
enable_random_seed Booleana Establezca el valor en true para habilitar
el parámetro random_seed. El valor
predeterminado es false.
random_seed entero La semilla de aleatorización para utilizar.
El valor predeterminado es Ninguno.
n_iter_without_progress entero Máximo de iteraciones sin progreso. El
valor predeterminado es 300.
min_grad_norm string Si la norma gradiente está por debajo de
este umbral, la optimización se detendrá.
El valor predeterminado es 1.0E-7. Los
valores posibles son:
• 1.0E-1
• 1.0E-2
• 1.0E-3
• 1.0E-4
• 1.0E-5
• 1.0E-6
• 1.0E-7
• 1.0E-8

isGridSearch Booleana Se establece en true para realizar t-SNE

con varias perplejidades distintas. El valor
predeterminado es false.
output_Rename Booleana Especifique true si desea proporcionar
un nombre personalizado, o false para
denominar la salida automáticamente. El
valor predeterminado es false.
output_to string Especifique Screen o Output. El valor
predeterminado es Screen.
full_filename cadena Especifique el nombre de archivo de
salida.

454 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 268. propiedades tsnenode (continuación)
Propiedades tsnenode Tipo de datos Descripción de la propiedad
output_file_type cadena Formato de archivo de salida. Especifique
HTML u Objeto de salida. El valor
predeterminado es HTML.

Propiedades xgboostlinearnode
XGBoost Linear© es una implementación avanzada de un algoritmo de aumento
de gradiente con un modelo lineal como modelo base. Los algoritmos de aumento
conocen de forma iterativa los clasificadores débiles y, a continuación, los añaden a
un clasificador fuerte final. El nodo XGBoost Linear en SPSS Modeler se implementa
en Python.

Tabla 269. xgboostlinearnode, propiedades

Propiedades de Tipo de datos Descripción de la propiedad
xgboostlinearnode
TargetField campo

Renombrado como target a

partir de la versión 18.2.1.1
InputFields campo

Renombrado como inputs a

partir de la versión 18.2.1.1
alpha Doble Parámetro de aumento lineal alfa.
Especifique cualquier número 0 o
superior. El valor predeterminado es 0.
lambda Doble Parámetro de aumento lineal lambda.
Especifique cualquier número 0 o
superior. El valor predeterminado es 1.
lambdaBias Doble Parámetro de aumento lineal lambda bias.
Especifique cualquier número. El valor
predeterminado es 0.
numBoostRound entero Valor de redondeo de aumento de
número para la generación de modelos.
Renombrado como Especifique un valor entre 1 y 1000. El
num_boost_round a partir de la valor predeterminado es 10.
versión 18.2.1.1

Capítulo 19. Propiedades de nodo Python 455

 Tabla 269. xgboostlinearnode, propiedades (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
xgboostlinearnode
objectiveType string Tipo de objetivo para la tarea
de aprendizaje. Los valores posibles
son reg:linear, reg:logistic,
reg:gamma, reg:tweedie,
count:poisson, rank:pairwise,
binary:logistic o multi. Tenga en
cuenta que para objetivos de marca, sólo
se puede utilizar binary:logistic o
multi. Si se utiliza multi, el resultado
de puntuación mostrará los tipos de
objetivo de XGBoost multi:softmax y
multi:softprob.
random_seed entero Semilla de aleatorización. Cualquier
número entre 0 y 9999999. El valor
predeterminado es 0.
useHPO Boolean Especifique true o false para habilitar
o inhabilitar las opciones de HPO. Si está
establecido en true, Rbfopt se aplicará
para descubrir el "mejor" modelo SVM de
una clase automáticamente, que alcanza
el valor de objetivo de destino que ha
definido el usuario con el parámetro
target_objval.

Propiedades de xgboosttreenode
XGBoost Tree© es una implementación avanzada de un algoritmo de aumento de
gradiente con un modelo de árbol como modelo base. Los algoritmos de aumento
conocen de forma iterativa los clasificadores débiles y, a continuación, los añaden
a un clasificador fuerte final. XGBoost Tree es muy flexible y proporciona muchos
parámetros que pueden ser abrumadores para la mayoría de usuarios, de modo que
el nodo XGBoost Tree en SPSS Modeler expone las características principales y los
parámetros utilizados comúnmente. El nodo se implementa en Python.

Tabla 270. xgboosttreenode, propiedades

Propiedades de Tipo de datos Descripción de la propiedad
xgboosttreenode
TargetField campo Campos objetivo.

Renombrado como target a

partir de la versión 18.2.1.1
InputFields campo Campos de entrada.

Renombrado como inputs a

partir de la versión 18.2.1.1

456 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 270. xgboosttreenode, propiedades (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
xgboosttreenode
treeMethod string Método de árbol para la generación de
modelos. Los valores posibles son auto,
Renombrado como tree_method exact o approx. El valor predeterminado
a partir de la versión 18.2.1.1 es auto.

numBoostRound entero Valor de redondeo de aumento de

número para la generación de modelos.
Renombrado como Especifique un valor entre 1 y 1000. El
num_boost_round a partir de la valor predeterminado es 10.
versión 18.2.1.1
maxDepth entero Profundidad máxima para el crecimiento
del árbol. Especifique un valor de 1 o
Renombrado como max_depth a superior. El valor predeterminado es 6.
partir de la versión 18.2.1.1
minChildWeight Doble Ponderación hijo mínima para el
crecimiento del árbol. Especifique un valor
Renombrado como de 0 o superior. El valor predeterminado
min_child_weight a partir de la es 1.
versión 18.2.1.1
maxDeltaStep Doble Paso delta máximo para el crecimiento del
árbol. Especifique un valor de 0 o superior.
Renombrado como El valor predeterminado es 0.
max_delta_step a partir de la
versión 18.2.1.1
objectiveType string Tipo de objetivo para la tarea
de aprendizaje. Los valores posibles
Renombrado como son reg:linear, reg:logistic,
objective_type a partir de la reg:gamma, reg:tweedie,
versión 18.2.1.1 count:poisson, rank:pairwise,
binary:logistic o multi. Tenga en
cuenta que para objetivos de marca, sólo
se puede utilizar binary:logistic o
multi. Si se utiliza multi, el resultado
de puntuación mostrará los tipos de
objetivo de XGBoost multi:softmax y
multi:softprob.
earlyStopping Boolean Indica si debe utilizarse la función
de detención temprana. El valor
Renombrado como predeterminado es False.
early_stopping a partir de la
versión 18.2.1.1
earlyStoppingRounds entero El error de validación debe disminuir al
menos cada ronda de detención temprana
Renombrado como para continuar el entrenamiento. El valor
early_stopping_rounds a predeterminado es 10.
partir de la versión 18.2.1.1

Capítulo 19. Propiedades de nodo Python 457

 Tabla 270. xgboosttreenode, propiedades (continuación)
Propiedades de Tipo de datos Descripción de la propiedad
xgboosttreenode
evaluationDataRatio Doble La proporción de datos de entrada
utilizados para errores de validación. El
Renombrado como valor predeterminado es 0,3.
evaluation_data_ratio a
partir de la versión 18.2.1.1
random_seed entero Semilla de aleatorización. Cualquier
número entre 0 y 9999999. El valor
predeterminado es 0.
sampleSize Doble La submuestra para el sobreajuste de
control. Especifique un valor entre 0,1 y
Renombrado como sample_size 1,0. El valor predeterminado es 0,1.
a partir de la versión 18.2.1.1
eta Doble Eta para el sobreajuste de control.
Especifique un valor entre 0 y 1. El valor
predeterminado es 0,3.
gamma Doble Gamma para el sobreajuste de control.
Especifique cualquier número 0 o
superior. El valor predeterminado es 6.
colsSampleRatio Doble Muestra de columna por árbol para
el sobreajuste de control. Especifique
Renombrado como un valor entre 0,01 y 1. El valor
col_sample_ratio a partir de la predeterminado es 1.
versión 18.2.1.1
colsSampleLevel Doble Muestra de columna por nivel para
el sobreajuste de control. Especifique
Renombrado como un valor entre 0,01 y 1. El valor
col_sample_level a partir de la predeterminado es 1.
versión 18.2.1.1
lambda Doble Lambda para el sobreajuste de control.
Especifique cualquier número 0 o
superior. El valor predeterminado es 1.
alpha Doble Alfa para el sobreajuste de control.
Especifique cualquier número 0 o
superior. El valor predeterminado es 0.
scalePosWeight Doble Ponderación de posición de escala
para manejar conjuntos de datos
Renombrado como desequilibrados. El valor predeterminado
scale_pos_weight a partir de la es 1.
versión 18.2.1.1
use_HPO

Se ha añadido para la versión

18.2.1.1

458 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 20. Propiedades del nodo Spark

Propiedades isotonicasnode

La regresión isotónica pertenece a la familia de algoritmos de regresión. El nodo

Isotónica-AS en SPSS Modeler se implementa en Spark. Si desea detalles sobre
algoritmos de regresión isotónica, consulte https://spark.apache.org/docs/2.2.0/
mllib-isotonic-regression.html.

Tabla 271. propiedades isotonicasnode

Propiedades isotonicasnode Tipo de datos Descripción de la propiedad
label string Esta propiedad es una variable
dependiente para la cual se calcula la
regresión isotónica.
features string Esa propiedad es una variable
independiente.
weightCol string La ponderación representa una serie de
medidas. El valor predeterminado es 1.
isotonic Booleana Esta propiedad indica si el tipo es
isotonic o antitonic.
featureIndex entero Esta propiedad es para el índice
de la característica, si featuresCol
es una columna de vector. El valor
predeterminado es 0.

Propiedades kmeansasnode
k-medias es uno de los algoritmos de agrupación en clúster utilizado con más
frecuencia. Agrupa en clúster puntos de datos en un número predefinido de
clústeres. El nodo K-Medias-AS en SPSS Modeler se implementa en Spark. Si desea
más detalles sobre algoritmos de k-medias, consulte https://spark.apache.org/docs/
2.2.0/ml-clustering.html. Tenga en cuenta que el nodo K-Medias-AS realiza una
codificación "one-hot" automáticamente para variables categóricas.

Tabla 272. Propiedades kmeansasnode

Propiedades kmeansasnode Valores Descripción de la propiedad
roleUse string Especifique predefined para utilizar
roles predefinidos, o custom para
utilizar asignaciones de campo
personalizado. El valor predeterminado
es predefined.
 Tabla 272. Propiedades kmeansasnode (continuación)
Propiedades kmeansasnode Valores Descripción de la propiedad
autoModel Booleana Especifique true para utilizar
el nombre predeterminado ($S-
prediction) para el nuevo campo de
puntuación generado, o false para
utilizar un nombre personalizado. El
valor predeterminado es true.
features campo Lista de los nombres de campo para
la entrada de información cuando la
propiedad roleUse está establecida
en custom.
name string El nombre del nuevo campo
de puntuación generado cuando
la propiedad autoModel está
establecida en false.
clustersNum entero El número de clústeres para crear. El
valor predeterminado es 5.
initMode string El algoritmo de inicialización. Los
valores posibles son k-means|| o
random. El valor predeterminado es k-
means||.
initSteps entero El número de pasos de inicialización
cuando initMode está establecido en
k-means||. El valor predeterminado
es 2.
advancedSettings Booleana Especifique true para que estén
disponibles las cuatro propiedades
siguientes. El valor predeterminado es
false.
maxIteration entero Número máximo de iteraciones para
la agrupación en clúster. El valor
predeterminado es 20.
tolerance string La tolerancia para detener las
iteraciones. Los valores posibles son
1.0E-1, 1.0E-2, ..., 1.0E-6. El valor
predeterminado es 1.0E-4.
setSeed Booleana Especifique true para utilizar una
semilla aleatoria personalizada. El
valor predeterminado es false.
randomSeed entero La semilla aleatoria personalizada
cuando la propiedad setSeed es
true.

460 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Propiedades multilayerperceptronnode
El perceptrón multicapa es un clasificador basado en la red neuronal artificial
preventiva y está formado por varias capas. Cada capa está totalmente conectada
con la siguiente capa de la red. El nodo Perceptrón multicapa-AS en SPSS Modeler
se implementa en Spark. Si desea detalles sobre el clasificador de perceptrón
multicapa (MLPC), consulte https://spark.apache.org/docs/latest/ml-classification-
regression.html#multilayer-perceptron-classifier.

Tabla 273. propiedades multilayerperceptronnode

Propiedades Tipo de datos Descripción de la propiedad
multilayerperceptronnode
features campo Uno o más campos para utilizar como
entradas para la predicción.
label campo El campo para utilizar como objetivo para
la predicción.
layers[0] entero El número de capas del perceptrón para
incluir. El valor predeterminado es 1.
layers[1…<latest-1>] entero El número de capas ocultas. El valor
predeterminado es 1.
layers[<latest>] entero El número de capas de salida. El valor
predeterminado es 1.
seed entero La semilla aleatoria personalizada.
maxiter entero El número máximo de iteraciones para
realizar. El valor predeterminado es 10.

Propiedades xgboostasnode
XGBoost es una implementación avanzada de un algoritmo de aumento de
gradiente. Los algoritmos de aumento conocen de forma iterativa los clasificadores
débiles y, a continuación, los añaden a un clasificador fuerte final. XGBoost es muy
flexible y proporciona muchos parámetros que pueden resultar abrumadores para
la mayoría de los usuarios, así que el nodo XGBoost-AS en SPSS Modeler expone
las características principales y los parámetros utilizados normalmente. El nodo
XGBoost-AS se implementa en Spark.

Tabla 274. propiedades xgboostasnode

Propiedades xgboostasnode Tipo de datos Descripción de la propiedad
target_field campo Lista de los nombres de campo para el
objetivo.
input_fields campo Lista de los nombres de campo para
entradas.
nWorkers entero El número de trabajadores utilizados
para formar el modelo XGBoost. El valor
predeterminado es 1.
numThreadPerTask entero El número de hebras utilizadas por
trabajador. El valor predeterminado es 1.

Capítulo 20. Propiedades del nodo Spark 461

 Tabla 274. propiedades xgboostasnode (continuación)
Propiedades xgboostasnode Tipo de datos Descripción de la propiedad
useExternalMemory Booleana Indica si se va a utilizar memoria
externa como memoria caché. El valor
predeterminado es false.
boosterType string El tipo de amplificador para
utilizar. Las opciones disponibles son
gbtree, gblinear o dart. El valor
predeterminado es gbtree.
numBoostRound entero El número de rondas para amplificar.
Especifique un valor de 0 o superior. El
valor predeterminado es 10.
scalePosWeight Doble Controle el equilibrio entre ponderaciones
positivas y negativas. El valor
predeterminado es 1.
randomseed entero Semilla utilizada por el generador
de números aleatorios. El valor
predeterminado es 0.
objectiveType string El objetivo de aprendizaje. Los
valores posibles son reg:linear,
reg:logistic, reg:gamma,
reg:tweedie, rank:pairwise,
binary:logistic o multi. Tenga en
cuenta que para objetivos de marca,
sólo se puede utilizar binary:logistic
o multi. Si se utiliza multi, el
resultado de puntuación mostrará
los tipos de objetivo de XGBoost
multi:softmax y multi:softprob. El
valor predeterminado es reg:linear.
evalMetric string Métricas de evaluación para datos de
validación. Se asignará una métrica
predeterminada de acuerdo con el
objetivo. Los valores posibles son
rmse, mae, logloss, error, merror,
mlogloss, auc, ndcg, map o gamma-
deviance. El valor predeterminado es
rmse.
lambda Doble Término de regularización L2 en
ponderaciones. El aumento de este valor
hará que el modelo sea más conservador.
Especifique cualquier número 0 o
superior. El valor predeterminado es 1.
alpha Doble Término de regularización L1 sobre
ponderaciones. El aumento de este valor
hará que el modelo sea más conservador.
Especifique cualquier número 0 o
superior. El valor predeterminado es 0.

462 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Tabla 274. propiedades xgboostasnode (continuación)
Propiedades xgboostasnode Tipo de datos Descripción de la propiedad
lambdaBias Doble Término de regularización L2 en
sesgo. Si se utiliza el tipo de
amplificador gblinear, está disponible
este parámetro d e amplificador
lineal de sesgo lambda. Especifique
cualquier número 0 o superior. El valor
predeterminado es 0.
treeMethod string Si se utiliza el tipo de amplificador
gbtree o dart, está disponible este
parámetro de método de árbol para
el crecimiento del árbol (y los otros
parámetros de árbol que siguen).
Especifica el algoritmo de construcción de
árbol XGBoost para utilizar. Las opciones
disponibles son auto, exact o approx.
El valor predeterminado es auto.
maxDepth entero La profundidad máxima para árboles.
Especifique un valor de 2 o superior. El
valor predeterminado es 6.
minChildWeight Doble La suma mínima de la ponderación de
instancias (hessiana) necesaria en un hijo.
Especifique un valor de 0 o superior. El
valor predeterminado es 1.
maxDeltaStep Doble El paso delta máximo para permitir para
la estimación ponderada de cada árbol.
Especifique un valor de 0 o superior. El
valor predeterminado es 0.
sampleSize Doble La muestra secundaria es la proporción
de la instancia de formación. Especifique
un valor entre 0,1 y 1,0. El valor
predeterminado es 1.0.
eta Doble La reducción de tamaño de paso utilizada
durante el paso para evitar el sobreajuste.
Especifique un valor entre 0 y 1. El valor
predeterminado es 0.3.
gamma Doble La reducción de pérdida mínima necesaria
para realizar una partición adicional en
un nodo de hoja del árbol. Especifique
cualquier número 0 o superior. El valor
predeterminado es 6.
colsSampleRatio Doble La proporción de muestra secundaria
de columnas al construir cada árbol.
Especifique un valor entre 0,01 y 1. El
valor predeterminado es 1.
colsSampleLevel Doble La proporción de muestra secundaria de
columnas para cada división, en cada
nivel. Especifique un valor entre 0,01 y
1. El valor predeterminado es 1.

Capítulo 20. Propiedades del nodo Spark 463

 Tabla 274. propiedades xgboostasnode (continuación)
Propiedades xgboostasnode Tipo de datos Descripción de la propiedad
normalizeType string Si se utiliza el tipo de amplificador dart,
están disponibles este parámetro dart
y los tres parámetros dart siguientes.
Este parámetro define el algoritmo
de normalización. Especifique tree o
forest. El valor predeterminado es
tree.
sampleType string El tipo de algoritmo de muestreo.
Especifique uniform o weighted. El
valor predeterminado es uniform.
rateDrop Doble El parámetro de amplificador dart de
índice de descarte. Especifique un valor
entre 0.0 y 1.0. El valor predeterminado
es 0.0.
skipDrop Doble El parámetro de amplificador dart para
la probabilidad de descarte de salto.
Especifique un valor entre 0.0 y 1.0. El
valor predeterminado es 0.0.

464 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Capítulo 21. Propiedades de supernodo

En las siguientes tablas se describen las propiedades específicas de los Supernodos. Tenga en cuenta que
las propiedades de nodos comunes se aplican también a los Supernodos.

Tabla 275. Propiedades del supernodo de terminal

Nombre de la propiedad Tipo de propiedad / Lista de Descripción de la propiedad
valores
execute_method Script

Normal
script string

Parámetros de Supernodos
Puede utilizar scripts para crear o establecer parámetros de Supernodo utilizando el formato general:

mySuperNode.setParameterValue("minvalue", 30)

Puede recuperar el valor del parámetro con:

value mySuperNode.getParameterValue("minvalue")

Búsqueda de los supernodos existentes

Puede encontrar supernodos en rutas utilizando la función findByType() :

source_supernode = modeler.script.stream().findByType("source_super", None)

process_supernode = modeler.script.stream().findByType("process_super", None)
terminal_supernode = modeler.script.stream().findByType("terminal_super",
None)

Configuración de las propiedades de nodos encapsulados

Puede establecer las propiedades de determinados nodos encapsulados dentro un supernodo
accediendo al diagrama hijo dentro del Supernodo. Por ejemplo, imaginemos que tiene un Supernodo
de origen que incluye un nodo de archivo de variables encapsulado para leer los datos. Puede pasar
el nombre del archivo para leer (especificado mediante la propiedad full_filename ) accediendo al
diagrama hijo y buscando el nodo relevante como se indica a continuación:

childDiagram = source_supernode.getChildDiagram()
varfilenode = childDiagram.findByType("variablefile", None)
varfilenode.setPropertyValue("full_filename", "c:/mydata.txt")

Creación de supernodos
Si desea crear un supernodo y su contenido de cero, puede hacerlo de forma similar a la creación del
supernodo, accediendo al diagrama hijo y creando los nodos que desee. También debe asegurarse de que
 los nodos del diagrama del supernodo estén también vinculados a los nodos de los conectores de entrada
y/o de salida. Por ejemplo, si desea crear un proceso Supernodo:

process_supernode = modeler.script.stream().createAt("process_super", "My

SuperNode", 200, 200)
childDiagram = process_supernode.getChildDiagram()
filternode = childDiagram.createAt("filter", "My Filter", 100, 100)
childDiagram.linkFromInputConnector(filternode)
childDiagram.linkToOutputConnector(filternode)

466 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Apéndice A. Referencia de nombres de nodo

Esta sección ofrece una referencia de todos los nombres de script de los nodos de IBM SPSS Modeler.

Nombres de nugget de modelo

Se puede hacer referencia a los nugget de modelo (también denominados modelos generados) según
el tipo, como con los objetos de nodo y de resultado. Las siguientes tablas muestran los nombres de
referencia de los objetos del modelo.
Tenga en cuenta que estos nombres se utilizan específicamente para hacer referencia a los nugget de
modelo en la paleta Modelos (en la esquina superior derecha de la ventana de IBM SPSS Modeler). Para
hacer referencia a los nodos de modelo que se han añadido a una ruta para la puntuación, se utiliza un
conjunto diferente de nombres con el prefijo apply....
Nota: En circunstancias normales, se recomienda hacer referencia a los modelos por nombre y tipo para
evitar confusiones.

Tabla 276. Nombres de nugget de modelo (paleta de modelado)

Nombre del modelo Modelo
anomalydetection Anomalía
a priori A priori
autoclassifier Clasificador automático
autocluster Agrupación en clústeres automática
autonumeric Autonumérico
bayesnet Red bayesiana
c50 C5.0
carma Carma
árbol cr Árbol C&R
chaid CHAID
coxreg Regresión de Cox
decisionlist Lista de decisiones
discriminant Discriminante
factor PCA/Factorial
featureselection Sel. características
genlin Regresión lineal generalizada
glmm GLMM
kmeans K-medias
knn k: vecino más cercano
kohonen Kohonen
lineales Lineal
logreg Regresión logística
 Tabla 276. Nombres de nugget de modelo (paleta de modelado) (continuación)
Nombre del modelo Modelo
neuralnetwork Red neuronal
quest QUEST
regresión Regresión lineal
secuencia Secuencia
slrm Modelo de respuesta de autoaprendizaje
statisticsmodel Modelo de IBM SPSS Statistics
svm Máquina de vectores de soporte
timeseries Serie temporal
twostep Dos fases

Tabla 277. Nombres de nugget de modelo (paleta de modelado de bases de datos)

Nombre del modelo Modelo
db2imcluster Clúster de IBM ISW
db2imlog Regresión logística de IBM ISW
db2imnb Bayesiano ingenuo de IBM ISW
db2imreg Regresión de IBM ISW
db2imtree Árbol de decisión de IBM ISW
msassoc Reglas de asociación de MS
msbayes Bayesiano ingenuo de MS
mscluster Clúster de MS
mslogistic Regresión logística de MS
msneuralnetwork Red neuronal de MS
msregression Regresión lineal de MS
mssequencecluster Clúster de secuencias de MS
mstimeseries Series temporales de MS
mstree Árbol de decisión de MS
netezzabayes Red bayesiana de Netezza
netezzadectree Árbol de decisión de Netezza
netezzadivcluster Clúster divisivo de Netezza
netezzaglm Lineal generalizado de Netezza
netezzakmeans K-medias de Netezza
netezzaknn KNN de Netezza
netezzalineregression Regresión lineal de Netezza
netezzanaivebayes Bayesiano ingenuo de Netezza
netezzapca PCA de Netezza

468 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 277. Nombres de nugget de modelo (paleta de modelado de bases de datos) (continuación)
Nombre del modelo Modelo
netezzaregtree Árbol de regresión de Netezza
netezzatimeseries Series temporales de Netezza
oraabn Bayesiano adaptativo de Oracle
oraai Oracle AI
oradecisiontree Árbol de decisión de Oracle
oraglm GLM de Oracle
orakmeans K-medias de Oracle
oranb Bayesiano ingenuo de Oracle
oranmf NMF de Oracle
oraocluster O-clúster de Oracle
orasvm SVM de Oracle

Evitar nombres duplicados del modelo

Al utilizar los scripts para manipular los modelos generados, debe tener en cuenta que el hecho de
permitir nombres de modelo duplicados puede originar referencias ambiguas. Para evitarlo, resulta útil
utilizar nombres exclusivos para los modelos generados en los scripts.
Para configurar las opciones de los nombres de modelo duplicados:
1. Seleccione en los menús:
Herramientas > Opciones de usuario
2. Pulse en la pestaña Notificaciones.
3. Seleccione Sustituir modelo anterior para restringir los nombres duplicados de los modelos
generados.
El comportamiento de la ejecución de scripts puede variar entre SPSS Modeler y IBM SPSS Collaboration
and Deployment Services cuando haya referencias de modelo ambiguas. El cliente de SPSS Modeler
incluye la opción "Reemplazar modelo anterior", que reemplaza automáticamente los modelos que
tengan el mismo nombre (por ejemplo, cuando un script se itera a través de un bucle para producir
un modelo diferente cada vez). Sin embargo, esta opción no está disponible cuando el mismo script se
ejecuta en IBM SPSS Collaboration and Deployment Services. Puede evitar esta situación cambiando
el nombre del modelo generado en cada iteración para evitar referencias ambiguas a los modelos o
borrando el modelo actual (por ejemplo, añadiendo una instrucción clear generated palette) antes
del final del bucle.

Nombres de tipo de resultado

La siguiente tabla indica los tipos de objetos de resultados y los nodos que los crean.

Tabla 278. Tipos de objeto de resultado y los nodos que los crean
Tipo de objeto de resultado Nodo
analysisoutput Análisis
collectionoutput Colección
dataauditoutput Auditoría de datos

Apéndice A. Referencia de nombres de nodo 469

 Tabla 278. Tipos de objeto de resultado y los nodos que los crean (continuación)
Tipo de objeto de resultado Nodo
distributionoutput Distribución
evaluationoutput Evaluación
histogramoutput Histograma
matrixoutput Matriz
meansoutput Medias
multiplotoutput G. múltiple
plotoutput Gráfico
qualityoutput Calidad
reportdocumentoutput Este tipo de objeto no es de un nodo, es un resultado
creado por un informe de proyecto
reportoutput Informe
statisticsprocedureoutput Resultado de Estadísticas
statisticsoutput Estadísticos
tableoutput Tabla
timeplotoutput Gráfico de tiempo
weboutput Malla

470 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Apéndice B. Migración desde scripts de herencia a
scripts Python

Visión general de la migración de scripts de herencia

Esta sección proporciona un resumen de las diferencias entre el script de Python y el script de herencia
en IBM SPSS Modeler y proporciona información acerca de cómo migrar los scripts de herencia a scripts
Python. En esta sección encontrar una lista de los comandos de herencia de SPSS Modeler estándar y los
comandos Python equivalentes.

Diferencias generales
Una gran parte del diseño de los scripts de herencia se debe a los scripts de comandos del sistema
operativo. Los scripts de herencia están orientados a líneas y, aunque existen algunas estructuras de
bloque, por ejemplo if...then...else...endif y for...endfor, generalmente la indentación no
es importante.
En los scripts Python, la indentación es importante y las líneas que pertenecen al mismo bloque lógico se
deben indentar en el mismo nivel.
Nota: Debe prestar atención cuando copie y pegue el código Python. En el editor, una línea que se ha
indentado utilizando pestañas puede parecer la misma que una línea que se ha indentado utilizando
espacios. Sin embargo, el script Python generará un error porque no se considera que la indentación de
las líneas sea la misma.

El contexto de los scripts

El contexto de script define el entorno en el que se ejecuta un script como, por ejemplo, la ruta o
Supernodo que ejecuta el script. En los scripts heredados el contexto es implícito, lo que significa que, por
ejemplo, se asume que toda referencia a un nodo de una ruta está dentro de la ruta que ejecuta el script.
En los scripts Python el contexto de script se proporciona de forma explícita mediante el módulo
modeler.script. Por ejemplo, un script Python de ruta puede acceder a la ruta que ejecuta el script
mediante el código siguiente:

s = modeler.script.stream()

A continuación podrán invocarse funciones relacionadas con la ruta a través del objeto devuelto.

Comparativa de comandos y funciones

Los scripts heredados están orientados a comando. Esto significa que cada línea del script suele
comenzar con el comando a ejecutar seguido de los parámetros, por ejemplo:

connect 'Type':typenode to :filternode

rename :derivenode as "Compute Total"

Python utiliza funciones que suelen invocarse a través de un objeto (módulo, clase u objeto) que define la
función, por ejemplo:

stream = modeler.script.stream()
typenode = stream.findByType("type", "Type)
filternode = stream.findByType("filter", None)
ruta.link(nodotipo, nodofiltro)
derive.setLabel("Compute Total")
Literales y comentarios
Algunos de los literales y comandos de comentarios que normalmente se utilizan en IBM SPSS Modeler
tienen sus equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de SPSS
Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

Tabla 279. Correlación de scripts de herencia con scripts Python para literales y comentarios
Scripts de herencia scripts Python
Entero, por ejemplo 4 El mismo
Flotante, por ejemplo, 0,003 El mismo
Cadenas entre comillas simples, por ejemplo, El mismo
‘Hola’
Nota: Los literales de cadena que contengan
caracteres que no sean ASCII deberán tener el
prefijo u para garantizar que se representen en
Unicode.

Cadenas entre comillas dobles, por ejemplo, El mismo

“Hola de nuevo"
Nota: Los literales de cadena que contengan
caracteres que no sean ASCII deberán tener el
prefijo u para garantizar que se representen en
Unicode.

Cadenas largas, por ejemplo, El mismo

“””Estas es una cadena

que abarca varias
líneas”””

Listas, por ejemplo, [1 2 3] [1, 2, 3]

Referencia de variable, por ejemplo, set x = 3 x = 3
Continuación de línea (\), por ejemplo,
x = [ 1, 2,\
3, 4]
set x = [1 2 \
3 4]

Comentario de bloque, por ejemplo,

""" Este es un comentario largo
a través de una línea. """
/* Éste es un comentario largo
a través de una línea. */

Comentario de línea, por ejemplo, set x = 3 # x = 3 # make x 3

make x 3
undef Ninguno
true True
false False

Operadores
Algunos de los comandos de operadores que normalmente se utilizan en IBM SPSS Modeler tienen
sus comandos equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de SPSS
Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

472 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 Tabla 280. Correlación de scripts de herencia con scripts Python para operadores
Scripts de herencia scripts Python

NUM1 + NUM2 NUM1 + NUM2

LIST + ITEM LIST.append(ITEM)
LIST1 + LIST2 LIST1.extend(LIST2)

NUM1 – NUM2 NUM1 – NUM2

LIST - ITEM LIST.remove(ITEM)

NUM1 * NUM2 NUM1 * NUM2

NUM1 / NUM2 NUM1 / NUM2

= ==
==

/= !=
/==

X ** Y X ** Y

X < Y X < Y
X <= Y X <= Y
X > Y X > Y
X >= Y X >= Y

X div Y X // Y
X rem Y X % Y
X mod Y X % Y

and and
or or
not(EXPR) not EXPR

Comandos condicionales y de bucle

Algunos comandos condicionales y de bucle utilizados habitualmente en IBM SPSS Modeler tienen
sus comandos equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de SPSS
Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

Tabla 281. Correspondencia de scripts de herencia con scripts Python en lo referente a comandos
condicionales y de bucle
Scripts de herencia scripts Python

for VAR from INT1 to INT2 for VAR in range(INT1, INT2):

… …
endfor
o

VAR = INT1
while VAR <= INT2:
...
VAR += 1

Apéndice B. Migración desde scripts de herencia a scripts Python 473

 Tabla 281. Correspondencia de scripts de herencia con scripts Python en lo referente a comandos
condicionales y de bucle (continuación)
Scripts de herencia scripts Python

for VAR in LIST for VAR in LIST:

… …
endfor

for VAR in_fields_to NODE for VAR in NODE.getInputDataModel():

… ...
endfor

for VAR in_fields_at NODE for VAR in NODE.getOutputDataModel():

… ...
endfor

if…then if …:
… …
elseif…then elif …:
… …
else else:
… …
endif

Sin equivalente
with TYPE OBJECT
…
endwith

var VAR1 La declaración de variables no es obligatoria

Variables
En los scripts heredados, las variables se declaran antes de ser referenciadas, por ejemplo:

var minodo
set minodo = create typenode at 96 96

En los scripts Python, las variables se crean la primera vez que se referencian, por ejemplo:

minodo = stream.createAt("type", "Type", 96, 96)

En los scripts heredados, las referencias a variables deben eliminarse explícitamente mediante el
operador ^, por ejemplo:

var minodo
set minodo = create typenode at 96 96
set ^minodo.direction."Age" = Input

Al igual que en la mayoría de lenguajes de script, esto no es necesario en los scripts Python, por ejemplo:

minodo = stream.createAt("type", "Type", 96, 96)

minodo.setKeyedPropertyValue("direction","Age","Input")

Tipos modelo, resultado y nodo

En los scripts heredados, a los distintos tipos de objeto (nodo, resultado y modelo) se les suele añadir el
tipo al tipo de objeto. Por ejemplo, el nodo Derivar es de tipo derivenode:

set feature_name_node = create derivenode at 96 96

474 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

 El API de IBM SPSS Modeler en Python no incluye el sufijo node, de modo que el nodo Derivar tiene el
tipo derive, por ejemplo:

feature_name_node = stream.createAt("derive", "Feature", 96, 96)

La única diferencia en los tipos de nombre entre los scripts Python y los heredados es la ausencia del
sufijo de tipo.

Nombres de propiedades
Los nombres de las propiedades son los mismos en scripts heredados y en scripts Python. Por ejemplo,
en el nodo Archivo variable, la propiedad que define la ubicación del archivo es full_filename en
ambos entornos de creación de scripts.

Referencias de nodos
Muchos scripts de herencia utilizan una búsqueda implícita para buscar y acceder al nodo que se ha de
modificar. Por ejemplo, los comandos siguientes buscan en la ruta actual un nodo Type con la etiqueta
"Type", a continuación, establecen la dirección (o el rol de modelado) del campo "Age" como entrada y el
campo "Drug" como destino, esto es, el valor predicho:

set 'Type':typenode.direction."Age" = Input

set 'Type':typenode.direction."Drug" = Target

En los scripts Python, los objetos de nodo se han de localizar de forma explícita antes de llamar a la
función para establecer el valor de propiedad, por ejemplo:

typenode = stream.findByType("type", "Type")

typenode.setKeyedPropertyValue("direction", "Age", "Input")
typenode.setKeyedPropertyValue("direction", "Drug", "Target")

Nota: En este caso, "Target" debe estar encerrado entre comillas en la cadena.
Los scripts Python pueden utilizar de forma alternativa la enumeración ModelingRole del paquete
modeler.api.
Aunque la versión de los scripts Python puede ser más verbosa, el rendimiento de tiempo de ejecución
es mejor ya que la búsqueda del nodo generalmente solo se realiza una vez. En el ejemplo de scripts de
herencia, la búsqueda del nodo se realiza para cada comando.
También está soportado buscar nodos por ID (el ID de nodo se puede ver en la pestaña Anotaciones del
diálogo del nodo). Por ejemplo, en los scripts de herencia:

# id65EMPB9VL87 es el ID de un nodo Type

set @id65EMPB9VL87.direction."Age" = Input

El script siguiente muestra el mismo ejemplo en scripts Python:

typenode = stream.findByID("id65EMPB9VL87")
typenode.setKeyedPropertyValue("direction", "Age", "Input")

Obtener y establecer propiedades

Los scripts de herencia utilizan el comando set para asignar un valor. El término que sigue al comando
set puede ser una definición de propiedad. El script siguiente muestra dos formatos de script posibles
para establecer una propiedad:

set <referencia de nodo>.<propiedad> = <valor>

set <referencia de nodo>.<propiedad con claves>.<clave> = <valor>

Apéndice B. Migración desde scripts de herencia a scripts Python 475

 En los scripts Python, se obtiene el mismo resultado utilizando las funciones setPropertyValue() y
setKeyedPropertyValue(), por ejemplo:

objeto.setPropertyValue(propiedad, valor)
objeto.setKeyedPropertyValue(propiedad con claves, clave, valor)

En los scripts de herencia, se puede acceder a los valores de las propiedades utilizando el comando get,
por ejemplo:

var n v
set n = get node :filternode
set v = ^n.name

En los scripts Python, se obtiene el mismo resultado utilizando la función getPropertyValue(), por
ejemplo:

n = stream.findByType("filter", None)
v = n.getPropertyValue("name")

Edición de rutas
En los scripts de herencia, se utiliza el comando create para crear un nodo nuevo, por ejemplo:

var agg select

set agg = create aggregatenode at 96 96
set select = create selectnode at 164 96

En los scripts Python, las rutas tienen varios métodos para crear nodos, por ejemplo:

stream = modeler.script.stream()
agg = stream.createAt("aggregate", "Aggregate", 96, 96)
select = stream.createAt("select", "Select", 164, 96)

En los scripts de herencia, se utiliza el comando connect para crear enlaces entre nodos, por ejemplo:

connect ^agg to ^select

En los scripts Python, se utiliza el método link para crear enlaces entre nodos, por ejemplo:

stream.link(agg, select)

En los scripts de herencia, se utiliza el comando disconnect para eliminar enlaces entre nodos, por
ejemplo:

disconnect ^agg from ^select

En los scripts Python, se utiliza el método unlink para eliminar enlaces entre nodos, por ejemplo:

stream.unlink(agg, select)

En los scripts de herencia, se utiliza el comando position para posicionar los nodos en el lienzo de rutas
o entre nodos, por ejemplo:

position ^agg at 256 256

position ^agg between ^myselect and ^mydistinct

En los scripts Python, se obtiene el mismo resultado utilizando dos métodos separados: setXYPosition
y setPositionBetween. Por ejemplo:

agg.setXYPosition(256, 256)
agg.setPositionBetween(myselect, mydistinct)

476 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Operaciones de nodo
Algunos de los comandos de operaciones de nodo que normalmente se utilizan en IBM SPSS Modeler
tienen sus comandos equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de
SPSS Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

Tabla 282. Correlación de scripts de herencia con scripts Python para operaciones de nodo
Scripts de herencia scripts Python
create especificaciónodo at x y
ruta.create(tipo, nombre)
ruta.createAt(tipo, nombre, x, y)
ruta.createBetween(tipo, nombre, preNode,
postNode)
ruta.createModelApplier(modelo, nombre)

connect desdeNodo to aNodo ruta.link(desdeNodo, aNodo)

delete nodo ruta.delete(nodo)
disable nodo ruta.setEnabled(nodo, False)
enable nodo ruta.setEnabled(nodo, True)
disconnect desdeNodo from aNodo
ruta.unlink(desdeNodo, aNodo)
ruta.disconnect(nodo)

duplicate nodo nodo.duplicate()

execute nodo
ruta.runSelected(nodos, resultados)
ruta.runAll(resultados)

flush nodo nodo.flushCache()

position nodo at x y nodo.setXYPosition(x, y)
position nodo between nodo1 and nodo2 nodo.setPositionBetween(nodo1, nodo2)
rename nodo as nombre nodo.setLabel(nombre)

Bucle
En los scripts de herencia, hay dos opciones de bucle principales a las que se da soporte:
• Bucles de Valor contado, en los que una variable de índice se mueve entre dos límites de entero.
• Bucles de secuencia que avanzan en bucle por una secuencia de valores, enlazando el valor actual con
la variable de bucle.
El script siguiente es un ejemplo de un bucle de valor contado en un script de herencia:

for i from 1 to 10
println ^i
endfor

El script siguiente es un ejemplo de un bucle de secuencia en un script de herencia:

var items
set items = [a b c d]

for i in items
println ^i
endfor

También existen otros tipos de bucles que se pueden utilizar:

Apéndice B. Migración desde scripts de herencia a scripts Python 477

 • Iteración por los modelos de la paleta de modelos o por los resultados de la paleta de resultados.
• Iteración por los campos de entrada o salida de un nodo.
Los scripts Python también dan soporte a diferentes tipos de bucles. El script siguiente es un ejemplo de
un bucle de valor contado en un script Python:

i = 1
while i <= 10:
print i
i += 1

El script siguiente es un ejemplo de un bucle de secuencia en un script Python:

items = ["a", "b", "c", "d"]

for i in items:
print i

El bucle de secuencia es muy flexible y cuando se combina con los métodos de la API de IBM SPSS
Modeler puede dar soporte a la mayoría de los casos de uso scripts de herencia. El siguiente ejemplo
muestra cómo utilizar un bucle de secuencia en scripts Python para iterar por los campos de salida de un
nodo:

node = modeler.script.stream().findByType("filter", None)

for column in node.getOutputDataModel().columnIterator():
print column.getColumnName()

Ejecución de rutas
Durante la ejecución de la ruta, el modelo o los objetos de resultados que se generan se añaden a uno
de los gestores de objeto. En el script existente, el script debe localizar los objetos creados desde el
gestor de objeto, o acceder al resultado generado más recientemente desde el nodo que ha generado el
resultado.
La ejecución de rutas en Python es diferente, ya que cualquier objeto de modelo o resultados que genere
la ejecución se devuelve una lista que se pasa a la función de ejecución. Esto hace que resulte más
sencillo acceder a los resultados de la ejecución de la ruta.
Los scripts de herencia dan soporte a tres comandos de ejecución de ruta:
• execute_all ejecuta todos nodos terminales ejecutables en la ruta.
• execute_script ejecuta el script de ruta independientemente del valor de la ejecución del script.
• execute nodo ejecuta el nodo especificado.
Los scripts Python dan soporte a un conjunto de funciones similares:
• ruta.runAll(lista-resultados) ejecuta todos los nodos terminales ejecutables de la ruta.
• ruta.runScript(lista-resultados) ejecuta el script de ruta independientemente del valor de la
ejecución del script.
• ruta.runSelected(matriz-nodos, lista-resultados) ejecuta el conjunto de nodos
especificados en el orden en que se suministran.
• nodo.run(lista-resultados) ejecuta el nodo especificado.
En los scripts de herencia, la ejecución de ruta se puede finalizar con el comando exit con un código de
entero opcional, por ejemplo:

exit 1

En los scripts Python, se puede obtener el mismo resultado con el script siguiente:

modeler.script.exit(1)

478 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Acceso a objetos mediante el sistema de archivos y el repositorio
En los scripts heredados se puede abrir una ruta, un modelo o un resultado existentes mediante el
comando open, por ejemplo:

var s
set s = open stream "c:/my streams/modeling.str"

En los scripts Python, existe la clase TaskRunner, accesible desde la sesión, que puede utilizarse para
realizar tareas similares, por ejemplo:

taskrunner = modeler.script.session().getTaskRunner()
s = taskrunner.openStreamFromFile("c:/my streams/modeling.str", True)

Para guardar un objeto en los scripts heredados, puede utilizarse el comando save, por ejemplo:

save stream s as "c:/my streams/new_modeling.str"

El enfoque de un script Python consiste en utilizar la clase TaskRunner, por ejemplo:

taskrunner.saveStreamToFile(s, "c:/my streams/new_modeling.str")

Las operaciones basadas en un Repositorio de IBM SPSS Collaboration and Deployment Services se
soportan en los scripts heredados mediante los comandos retrieve y store, por ejemplo:

var s
set s = retrieve stream "/my repository folder/my_stream.str"
store stream ^s as "/my repository folder/my_stream_copy.str"

En los scripts Python, se accede a la funcionalidad equivalente a través del objeto Repository asociado a
la sesión, por ejemplo:

session = modeler.script.session()
repo = session.getRepository()
s = repo.retrieveStream("/my repository folder/my_stream.str", None, None, True)
repo.storeStream(s, "/my repository folder/my_stream_copy.str", None)

Nota: El acceso al repositorio exige que la sesión se haya configurado con una conexión de repositorio
válida.

Operaciones de ruta
Algunos comandos de operación de ruta que normalmente se utilizan en IBM SPSS Modeler tienen
sus comandos equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de SPSS
Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

Tabla 283. Correlación de scripts de herencia con scripts Python para operaciones de ruta
Scripts de herencia scripts Python
create stream ejecutortareas.createStream(nombre,
NOMBREARCHIVO_PREDETERMINADO autoConectar, autoGestionar)
close stream ruta.close()
clear stream ruta.clear()
get stream ruta Sin equivalente
load stream vía de acceso Sin equivalente
open stream vía de acceso ejecutortareas.openStreamFromFile(vía
de acceso, autoGestionar)

Apéndice B. Migración desde scripts de herencia a scripts Python 479

 Tabla 283. Correlación de scripts de herencia con scripts Python para operaciones de ruta (continuación)
Scripts de herencia scripts Python
save ruta as vía de acceso ejecutortareas.saveStreamToFile(ruta,
vía de acceso)
retreive stream vía de acceso repositorio.retreiveStream(vía de
acceso, versión, etiqueta,
autoGestionar)
store ruta as vía de acceso repositorio.storeStream(ruta, vía de
acceso, etiqueta)

Operaciones de modelo
Algunos de los comandos de operación de modelo que normalmente se utilizan en IBM SPSS Modeler
tienen sus comandos equivalentes en los scripts Python. Esto puede ayudarle a convertir los scripts de
SPSS Modeler de herencia existentes en scripts Python para utilizarlos en IBM SPSS Modeler 17.

Tabla 284. Correlación de scripts de herencia con scripts Python para operaciones de modelo
Scripts de herencia scripts Python
open model vía de acceso ejecutortareas.openModelFromFile(vía de
acceso, autoGestionar)
save modelo as vía de acceso ejecutortareas.saveModelToFile(modelo,
vía de acceso)
retrieve model vía de acceso repositorio.retrieveModel(vía de
acceso, versión, etiqueta,
autoGestionar)
store modelo as vía de acceso repositorio.storeModel(modelo, vía de
acceso, etiqueta)

Operaciones de resultado de documento

Algunos de los comandos de operaciones de resultado de documento que normalmente se utilizan en
IBM SPSS Modeler tienen sus comandos equivalentes en los scripts Python. Esto puede ayudarle a
convertir los scripts de SPSS Modeler de herencia existentes en scripts Python para utilizarlos en IBM
SPSS Modeler 17.

Tabla 285. Correlación de scripts de herencia con scripts Python para operaciones de resultado de
documento
Scripts de herencia scripts Python
open output vía de acceso ejecutortareas.openDocumentFromFile(vía
de acceso, autoGestionar)
save resultado as vía de acceso ejecutortareas.saveDocumentToFile(resul
tado, vía de acceso)
retrieve output vía de acceso repositorio.retrieveDocument(vía de
acceso, versión, etiqueta,
autoGestionar)
store resultado as vía de acceso repositorio.storeDocument(resultado,
vía de acceso, etiqueta)

480 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Otras diferencias entre scripts heredados y scripts Python
Los scripts heredados soportan la manipulación de proyectos de IBM SPSS Modeler. Los scripts Python
no soportan esto actualmente.
Los scripts heredados proporcionan cierto soporte de carga de objetos de estado (combinaciones de rutas
y modelos). Los objetos de estado han caído en desuso desde IBM SPSS Modeler 8.0. Los scripts Python
no soportan objetos de estado.
Los scripts Python proporcionan las siguientes funciones adicionales no disponibles en los scripts
heredados:
• Definiciones de clase y función.
• Manejo de errores
• Soporte más sofisticado de entrada/salida.
• Módulos externos y de terceros.

Apéndice B. Migración desde scripts de herencia a scripts Python 481

482 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Avisos
Esta información se ha desarrollado para productos y servicios ofrecidos en los EE.UU. Este material
puede estar disponible en IBM en otros idiomas. Sin embargo, es posible que deba ser propietario de una
copia del producto o de la versión del producto en dicho idioma para acceder a él.
Es posible que IBM no ofrezca los productos, servicios o características que se tratan en este documento
en otros países. El representante local de IBM le puede informar sobre los productos y servicios que
están actualmente disponibles en su localidad. Cualquier referencia a un producto, programa o servicio
de IBM no pretende afirmar ni implicar que solamente se pueda utilizar ese producto, programa o servicio
de IBM. En su lugar, se puede utilizar cualquier producto, programa o servicio funcionalmente equivalente
que no infrinja los derechos de propiedad intelectual de IBM. Sin embargo, es responsabilidad del usuario
evaluar y comprobar el funcionamiento de todo producto, programa o servicio que no sea de IBM.
IBM puede tener patentes o solicitudes de patente en tramitación que cubran la materia descrita en este
documento. Este documento no le otorga ninguna licencia para estas patentes. Puede enviar preguntas
acerca de las licencias, por escrito, a:

IBM Director of Licensing

IBM Corporation
North Castle Drive, MD-NC119
Armonk, NY 10504-1785
EE.UU.

Para consultas sobre licencias relacionadas con información de doble byte (DBCS), póngase en contacto
con el departamento de propiedad intelectual de IBM de su país o envíe sus consultas, por escrito, a:

Intellectual Property Licensing

Legal and Intellectual Property Law
IBM Japan Ltd.
19-21, Nihonbashi-Hakozakicho, Chuo-ku
Tokio 103-8510, Japón

INTERNATIONAL BUSINESS MACHINES CORPORATION PROPORCIONA ESTA PUBLICACIÓN "TAL CUAL",

SIN GARANTÍAS DE NINGUNA CLASE, NI EXPLÍCITAS NI IMPLÍCITAS, INCLUYENDO, PERO SIN
LIMITARSE A, LAS GARANTÍAS IMPLÍCITAS DE NO VULNERACIÓN, COMERCIALIZACIÓN O ADECUACIÓN
A UN PROPÓSITO DETERMINADO. Algunas jurisdicciones no permiten la renuncia a las garantías
explícitas o implícitas en determinadas transacciones; por lo tanto, es posible que esta declaración no sea
aplicable a su caso.
Esta información puede incluir imprecisiones técnicas o errores tipográficos. Periódicamente, se efectúan
cambios en la información aquí y estos cambios se incorporarán en nuevas ediciones de la publicación.
IBM puede realizar en cualquier momento mejoras o cambios en los productos o programas descritos en
esta publicación sin previo aviso.
Las referencias hechas en esta publicación a sitios web que no son de IBM se proporcionan sólo para la
comodidad del usuario y no constituyen de modo alguno un aval de esos sitios web. La información de
esos sitios web no forma parte de la información de este producto de IBM y la utilización de esos sitios
web se realiza bajo la responsabilidad del usuario.
IBM puede utilizar o distribuir la información que se le proporcione del modo que considere adecuado sin
incurrir por ello en ninguna obligación con el remitente.
Los titulares de licencias de este programa que deseen tener información sobre el mismo con el fin
de permitir: (i) el intercambio de información entre programas creados independientemente y otros
programas (incluido este) y (ii) el uso mutuo de la información que se ha intercambiado, deberán ponerse
en contacto con:
 IBM Director of Licensing
IBM Corporation
North Castle Drive, MD-NC119
Armonk, NY 10504-1785
EE.UU.

Esta información estará disponible, bajo las condiciones adecuadas, incluyendo en algunos casos el pago
de una cuota.
El programa bajo licencia que se describe en este documento y todo el material bajo licencia disponible
los proporciona IBM bajo los términos de las Condiciones Generales de IBM, Acuerdo Internacional de
Programas Bajo Licencia de IBM o cualquier acuerdo equivalente entre las partes.
Los ejemplos de datos de rendimiento y de clientes citados se presentan solamente a efectos ilustrativos.
Los resultados reales de rendimiento pueden variar en función de las configuraciones específicas y
condiciones de operación.
La información relacionada con productos no IBM se ha obtenido de los proveedores de esos productos,
de sus anuncios publicados o de otras fuentes disponibles públicamente. IBM no ha probado esos
productos y no puede confirmar la exactitud del rendimiento, la compatibilidad ni ninguna otra afirmación
relacionada con productos no IBM. Las preguntas sobre las posibilidades de productos que no son de IBM
deben dirigirse a los proveedores de esos productos.
Las declaraciones sobre el futuro rumbo o intención de IBM están sujetas a cambio o retirada sin previo
aviso y representan únicamente metas y objetivos.
Esta información contiene ejemplos de datos e informes utilizados en operaciones comerciales diarias.
Para ilustrarlos lo máximo posible, los ejemplos incluyen los nombres de las personas, empresas,
marcas y productos. Todos estos nombres son ficticios y cualquier parecido con personas o empresas
comerciales reales es pura coincidencia.

Marcas comerciales
IBM, el logotipo de IBM e ibm.com son marcas registradas de International Business Machines Corp. en
muchas jurisdicciones de todo el mundo. Otros nombres de productos y servicios podrían ser marcas
registradas de IBM u otras compañías. En Internet hay disponible una lista actualizada de las marcas
registradas de IBM, en "Copyright and trademark information", en www.ibm.com/legal/copytrade.shtml.
Adobe, el logotipo Adobe, PostScript y el logotipo PostScript son marcas registradas o marcas
comerciales de Adobe Systems Incorporated en los Estados Unidos y/o en otros países.
Intel, el logotipo de Intel, Intel Inside, el logotipo de Intel Inside, Intel Centrino, el logotipo de Intel
Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium y Pentium son marcas comerciales o marcas
registradas de Intel Corporation o sus filiales en los Estados Unidos y otros países.
Linux es una marca registrada de Linus Torvalds en los Estados Unidos, otros países o ambos.
Microsoft, Windows, Windows NT, y el logotipo de Windows son marcas comerciales de Microsoft
Corporation en los Estados Unidos, otros países o ambos.
UNIX es una marca registrada de The Open Group en los Estados Unidos y en otros países.
Java y todas las marcas comerciales y los logotipos basados en Java son marcas comerciales o
registradas de Oracle y/o sus afiliados.

Términos y condiciones para la documentación del producto

Los permisos para utilizar estas publicaciones se otorgan de acuerdo con los términos y condiciones
siguientes.

Aplicabilidad
Estos términos y condiciones son adicionales a los términos de uso del sitio web de IBM.

484 Avisos
Uso personal
Estas publicaciones se pueden reproducir para uso personal no comercial siempre que se conserven
todos los avisos de propiedad. No puede distribuir, visualizar ni realizar trabajos derivados de estas
publicaciones, ni de partes de las mismas, sin el consentimiento expreso de IBM.

Uso comercial
Puede reproducir, distribuir y visualizar estas publicaciones únicamente dentro de la empresa a condición
de que se conserven todos los avisos de propiedad. No puede realizar trabajos derivados de estas
publicaciones, ni de partes de las mismas, ni reproducirlas, distribuirlas o visualizarlas fuera de su
empresa sin el consentimiento expreso de IBM.

Derechos
Excepto de la forma explícitamente otorgada en este permiso, no se otorga ningún permiso, licencia ni
derecho, ni explícito ni implícito, sobre las publicaciones ni a ninguna otra información, datos, software u
otra propiedad intelectual contenida en ellas.
IBM se reserva el derecho de retirar los permisos aquí otorgados siempre que, a su discreción, el uso
de las publicaciones sea perjudicial para su interés o cuando, según determine IBM, las instrucciones
anteriores no se sigan correctamente.
No puede descargar, exportar ni volver a exportar esta información si no es cumpliendo totalmente todas
las leyes y regulaciones aplicables, incluyendo las leyes y regulaciones de exportación de los Estados
Unidos.
IBM NO GARANTIZA EL CONTENIDO DE ESTAS PUBLICACIONES. LAS PUBLICACIONES SE
PROPORCIONAN "TAL CUAL" Y SIN GARANTÍA DE NINGUNA CLASE, NI EXPLÍCITA NI IMPLÍCITA,
INCLUYENDO PERO SIN LIMITARSE A LAS GARANTÍAS IMPLÍCITAS DE COMERCIALIZACIÓN, NO
VULNERACIÓN E IDONEIDAD PARA UN FIN DETERMINADO.

Avisos 485
486 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3
Índice

Caracteres Especiales comando clear generated palette 55

comando de conjunto múltiple 73
Árbol de decisión de MS comando for 51
propiedades de scripts de nodos 363, 365 comando retrieve 51
comando store 51
comentarios 19
A comprobación de errores
acceder a resultados de ejecución de la ruta scripts 54
modelo de contenido de tabla 56 configuración de propiedades 30
modelo de contenido JSON 59 contraseñas
modelo de contenido XML 57 adición a scripts 54
adición de atributos 25 codificadas 68
API de creación de scripts contraseñas codificadas
acceso a objetos generados 43 adición a scripts 54
búsqueda 39 creación de nodos 31–33
ejemplo 39 crear una clase 25
introducción 39
manejo de errores 44 D
metadatos 40
obtener un directorio 39 definición de atributos 25
parámetros de ruta 45 definir métodos 25
parámetros de sesión 45 definir una clase 24
parámetros de Supernodos 45 derive_stbnode
scripts autónomos 49 propiedades 129
valores globales 48 Diagramas 27
varias rutas 49
applyocsvm, propiedades 356
argumentos
E
archivo de comandos 70 ejecución condicional de rutas 6, 10
conexión con el servidor 68 Ejecución de rutas 27
conexión de IBM SPSS Collaboration and Deployment ejecución de scripts 12
Services Repository 69 ejemplos 20
Conexión del repositorio de IBM SPSS Analytic Server exportModelToFile 43
70
sistema 66
atravesar los nodos 34 F
fields
B desactivación de los scripts 195
función lowertoupper 51
bloques de código 20 funciones
bucles bucle 473
uso en scripts 51 comentarios 472
bucles en rutas 6, 7 condicionales 473
buscar nodos 29 literales 472
operaciones de modelo 480
C operaciones de nodo 477
operaciones de resultado de documento 480
cadenas operaciones de ruta 479
cambio entre minúsculas y mayúsculas 51 operadores 472
caracteres que no son ASCII 23 referencias de objeto 472
clave de iteración funciones de cadena 51
bucle en scripts 8
CLEM
scripts 1
I
Clúster de secuencias de MS IBM SPSS Modeler
propiedades de scripts de nodos 365 ejecución desde la línea de comandos 65

Índice 487
identificadores 19 modelos bietápicos
inheritance 26 propiedades de scripts de nodos 337, 361
instrucciones 19 modelos bietápicos AS
interrupción de scripts 12 propiedades de scripts de nodos 338, 361
modelos C5.0
propiedades de scripts de nodos 237, 346
J modelos CARMA
Jython 15 propiedades de scripts de nodos 239, 346
modelos causales temporales
propiedades de scripts de nodos 318
L modelos CHAID
propiedades de scripts de nodos 243, 347
línea de comandos
Modelos de agrupación en clústeres divisivo de Netezza
ejecutar IBM SPSS Modeler 65
propiedades de scripts de nodos 375, 392
lista de argumentos 66, 68–70
modelos de árbol aleatorio
parámetros 67
propiedades de scripts de nodos 302, 357
scripts 54
modelos de árbol C&R
varios argumentos 70
propiedades de scripts de nodos 240, 346
listas 16
Modelos de árbol de decisión de Oracle
propiedades de scripts de nodos 368, 374
M modelos de árboles de decisión de Netezza
propiedades de scripts de nodos 375, 392
marcas Modelos de árboles de regresión de Netezza
argumentos de la línea de comandos 65 propiedades de scripts de nodos 375, 392
combinación de varias marcas 70 modelos de Autoclúster
métodos matemáticos 21 propiedades de scripts de nodos 345
migrar Modelos de bayesiano ingenuo de Netezza
acceder a objetos 479 propiedades de scripts de nodos 375, 392
borrar rutas, salida y gestores de modelos 35 Modelos de bayesiano ingenuo de Oracle
bucle 477 propiedades de scripts de nodos 368, 374
comandos 471 Modelos de clasificador automático
conceptos básicos 471 propiedades de scripts de nodos 343
configuración de propiedades 475 modelos de detección de anomalías
contexto de los scripts 471 propiedades de scripts de nodos 222, 341
diferencias generales 471 Modelos de IBM SPSS Statistics
editar rutas 476 propiedades de scripts de nodos 438
ejecución de rutas 478 modelos de K-medias
funciones 471 propiedades de scripts de nodos 278, 353
nombres de propiedad 475 modelos de K-medias de Netezza
obtener propiedades 475 propiedades de scripts de nodos 375, 392
referencias de nodos 475 Modelos de K-medias de Oracle
repositorio 479 propiedades de scripts de nodos 368, 374
sistema de archivos 479 modelos de la máquina de vectores de soporte
tipos de modelos 474 propiedades de scripts de nodos 316, 359
tipos de nodo 474 modelos de la máquina de vectores de soporte lineal
tipos de resultados 474 propiedades de scripts de nodos 293, 354
variables 474 modelos de listas de decisiones
varios 481 propiedades de scripts de nodos 248, 348
modelado de bases de datos 363 Modelos de máquinas de vectores de soporte de Oracle
modelo de contenido de tabla 56 propiedades de scripts de nodos 368, 374
modelo de contenido JSON 59 modelos de Microsoft
modelo de contenido XML 57 propiedades de scripts de nodos 363, 365
Modelos Modelos de Netezza
nombres de scripts 467, 469 propiedades de scripts de nodos 375
modelos apriori Modelos de NMF de Oracle
propiedades de scripts de nodos 223, 341 propiedades de scripts de nodos 368, 374
Modelos Apriori de Oracle modelos de Oracle
propiedades de scripts de nodos 368, 374 propiedades de scripts de nodos 368
modelos autonuméricos modelos de red bayesiana
propiedades de scripts de nodos 233 propiedades de scripts de nodos 235
Modelos autonuméricos Modelos de red bayesiana de Netezza
propiedades de scripts de nodos 345 propiedades de scripts de nodos 375, 392
Modelos bayesianos adaptativos de Oracle modelos de red neuronal
propiedades de scripts de nodos 368, 374 propiedades de scripts de nodos 294, 355

488 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Modelos de redes bayesianas modelos PCA
propiedades de scripts de nodos 345 propiedades de scripts de nodos 255, 350
Modelos de regresión de Cox Modelos PCA de Netezza
propiedades de scripts de nodos 246, 347 propiedades de scripts de nodos 375, 392
modelos de regresión lineal modelos PCA/Factorial
propiedades de scripts de nodos 304, 357, 358 propiedades de scripts de nodos 255, 350
Modelos de regresión lineal de Netezza modelos QUEST
propiedades de scripts de nodos 375, 392 propiedades de scripts de nodos 299, 356
modelos de regresión logística modelos SLRM
propiedades de scripts de nodos 287, 354 propiedades de scripts de nodos 308, 358
modelos de respuesta de autoaprendizaje modelos SVM
propiedades de scripts de nodos 308, 358 propiedades de scripts de nodos 316
modelos de secuencias modelos tcm
propiedades de scripts de nodos 307, 358 propiedades de scripts de nodos 359
modelos de selección de características modelos Tree-AS
aplicación 5 propiedades de scripts de nodos 334, 360
propiedades de scripts de nodos 257, 350 modificar rutas 31, 34
scripts 5
modelos de serie temporal
propiedades de scripts de nodos 323, 359
N
modelos de serie temporal de modalidad continua nodes
propiedades de scripts de nodos 144 referencia de nombres 467
modelos de series temporales Nodo Adición de RFM
propiedades de scripts de nodos 323, 331, 360 propiedades 136
Modelos de series temporales de Netezza nodo Agregar
propiedades de scripts de nodos 375 propiedades 123
modelos del vecino más próximo Nodo Agrupación en clústeres automática
propiedades de scripts de nodos 280 propiedades de scripts de nodos 231
modelos discriminantes Nodo Análisis
propiedades de scripts de nodos 250, 348 propiedades 395
modelos generados Nodo Análisis de RFM
nombres de scripts 467, 469 propiedades 176
modelos GLE nodo anonimyze
propiedades de scripts de nodos 270, 352 propiedades 155
Modelos GLMM nodo append
propiedades de scripts de nodos 265, 351 propiedades 123
modelos K-Medias-AS nodo Archivo var.
propiedades de scripts de nodos 279, 459 propiedades 115
modelos KDE Nodo Auditoría de datos
propiedades de scripts de nodos 362 propiedades 396
modelos KNN nodo balance
propiedades de scripts de nodos 353 propiedades 125
Modelos KNN de Netezza nodo Base de datos
propiedades de scripts de nodos 375, 392 propiedades 95
modelos kohonen nodo binning
propiedades de scripts de nodos 282 propiedades 161
modelos Kohonen Nodo Bosque aleatorio
propiedades de scripts de nodos 353 propiedades 450
modelos lineales nodo Cajas-Espacio-
propiedades de scripts de nodos 283, 353 Tiempo
modelos lineales generalizados propiedades 129, 142
propiedades de scripts de nodos 259, 351 Nodo Clasificador automático
Modelos lineales generalizados de Netezza propiedades de scripts de nodos 228
propiedades de scripts de nodos 375 nodo Colección
Modelos lineales generalizados de Oracle propiedades 196
propiedades de scripts de nodos 368 nodo de datos de usuario
modelos linear-AS propiedades 114
propiedades de scripts de nodos 285, 354 nodo de Exportación de extensión
modelos LSVM propiedades 427
propiedades de scripts de nodos 293 Nodo de exportación de IBM SPSS Statistics Collection
Modelos Oracle AI propiedades 439
propiedades de scripts de nodos 368 nodo de exportación de recopilación de datos
Modelos para LMD de Oracle propiedades 426
propiedades de scripts de nodos 368, 374 Nodo de exportación Excel

Índice 489
Nodo de exportación Excel (continuación) Nodo Exportar SAS
propiedades 426, 428 propiedades 430
nodo de exportación XML nodo filter
propiedades 436 propiedades 170
nodo de importación de extensión nodo fixedfile
propiedades 101 propiedades 103
nodo de mezcla gausiana nodo flatfilenode
propiedades 441, 446 propiedades 429
nodo de Modelo de extensión nodo Fundir
propiedades de scripts de nodos 252 propiedades 134
Nodo de origen de Excel nodo G. múltiple
propiedades 100 propiedades 211
Nodo de origen de IBM SPSS Statistics Collection nodo Generación de análisis de serie temporal
propiedades 437 propiedades 151
Nodo de origen de importación de TWC nodo Generar simulación
propiedades 113 propiedades 109
nodo de origen Geospacial nodo Gráfico de tiempo
propiedades 108 propiedades 215
nodo de origen JSON nodo Gráfico electrónico
propiedades 108 propiedades 216
nodo de origen Recopilación de datos nodo HDBSCAN
propiedades 96 propiedades 442
Nodo de origen SAS nodo histogram
propiedades 109 propiedades 205
Nodo de origen XML nodo history
propiedades 121 propiedades 171
nodo de predicción espaciotemporal nodo Informe
propiedades 310 propiedades 405
Nodo de reglas de asociación nodo Intervalos de tiempo
propiedades 225 propiedades 179
Nodo de Resultados de extensión nodo Intervalos de tiempo AS
propiedades 398 propiedades 160
Nodo de salida de IBM SPSS Statistics Collection Nodo Isotónica-AS
propiedades 439 propiedades 459
nodo de simulación de ajuste nodo Malla
propiedades 409 propiedades 219
nodo de simulación de evaluación nodo Malla direccional
propiedades 408 propiedades 219
nodo de simulación de KDE Nodo Marcas
propiedades 400, 445 propiedades 178
nodo de transformación nodo Matriz
propiedades 414 propiedades 401
nodo de Transformación de extensión nodo Medias
propiedades 133 propiedades 403
Nodo de transformación de IBM SPSS Statistics Collection nodo Modelado KDE
propiedades 437 propiedades 444
nodo de transformación R Nodo Optimización de CPLEX
propiedades 138 propiedades 125
nodo de visualización de mapas nodo origen Analytic Server
propiedades 206 propiedades 90
nodo Derivar nodo Origen de IBM Cognos
propiedades 164 propiedades 91
nodo Distinguir nodo Origen de IBM Cognos TM1
propiedades 131 propiedades 111, 112
nodo distribution nodo partition
propiedades 197 propiedades 172
nodo ensemble Nodo Perceptrón multicapa-
propiedades 168 AS
nodo Estadísticos propiedades 461
propiedades 410 nodo plot
nodo Evaluación propiedades 212
propiedades 198 nodo R Build
nodo Exportar base de datos propiedades de scripts de nodos 237
propiedades 420 nodo Reclasificar

490 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

nodo Reclasificar (continuación) nugget de nodo STP
propiedades 173 propiedades 359
nodo Reestructurar nuggets de modelo
propiedades 175 nombres de scripts 467, 469
nodo Rellenar propiedades de scripts de nodos 341
propiedades 169
nodo Reordenar
propiedades 174
O
nodo Reorg. campos O-clúster de Oracle
propiedades 174 propiedades de scripts de nodos 368, 374
nodo Routput objetos de resultados
propiedades 406 nombres de scripts 469
nodo sample objetos del modelo
propiedades 139 nombres de scripts 467, 469
nodo Seleccionar ocsvmnode, propiedades 447
propiedades 141 operaciones 16
nodo Sim Eval orden de ejecución
propiedades 408 modificación con scripts 51
nodo Sim Fit orden de ejecución de rutas
propiedades 409 modificación con scripts 51
nodo Sim Gen orientado a objetos 24
propiedades 109
nodo sort
propiedades 141 P
nodo STP
palabra clave generada 55
propiedades 310
parámetros
nodo t-SNE
scripts 16
propiedades 217, 453
Supernodos 465
nodo Tabla
parámetros de intervalo 5, 73, 75
propiedades 411
pasar argumentos 20
Nodo Tablero
preparación automática de datos
propiedades 200
propiedades 156
nodo Tipo
properties autodataprepnode 156
propiedades 187
propiedad stream.nodes 51
nodo Transponer
propiedades
propiedades 185
nodos de modelado de bases de datos 363
nodo Val. globales
nodos Filtrar 73
propiedades 407
ruta 77
Nodo XGBoost-AS
scripts 73, 75, 221, 341, 417
propiedades 461
scripts comunes 76
nodos
Supernodos 465
desenlazar nodos 32
Propiedades applygmm 352
eliminación 33
propiedades applyrandomtrees 357
enlazar nodos 32
propiedades applyts 359
importar 33
propiedades associationrulesnode 225
información 35
Propiedades cplexoptnode 125
recorrido en bucle en scripts 51
propiedades de aggregatenode 123
sustitución 33
propiedades de analysisnode 395
nodos de exportación
propiedades de anomalydetectionnode 222
propiedades de scripts de nodos 417
propiedades de anonymizenode 155
nodos de gráficos
propiedades de appendnode 123
propiedades de los scripts 195
propiedades de applyanomalydetectionnode 341
nodos de modelado
propiedades de applyapriorinode 341
propiedades de scripts de nodos 221
Propiedades de applyassociationrulesnode 342
nodos de origen
Propiedades de applyautoclassifiernode 343
propiedades 83
propiedades de applyautoclusternode 345
nodos de resultados
propiedades de applyautonumericnode 345
propiedades de los scripts 395
propiedades de applybayesnetnode 345
nombres de campos
propiedades de applyc50node 346
cambio entre minúsculas y mayúsculas 51
propiedades de applycarmanode 346
nugget
propiedades de applycartnode 346
propiedades de scripts de nodos 341
propiedades de applychaidnode 347
nugget de nodo de reglas de asociación
propiedades de applycoxregnode 347
propiedades 342

Índice 491
propiedades de applydecisionlistnode 348 propiedades de carmanode 239
propiedades de applydiscriminantnode 348 propiedades de cartnode 240
Propiedades de applyextension 349 propiedades de chaidnode 243
propiedades de applyfactornode 350 propiedades de collectionnode 196
propiedades de applyfeatureselectionnode 350 propiedades de coxregnode 246
propiedades de applygeneralizedlinearnode 351 propiedades de dataauditnode 396
Propiedades de applygle 352 propiedades de databaseexportnode 420
Propiedades de applyglmmnode 351 propiedades de databasenode 95
propiedades de applykmeansnode 353 propiedades de datacollectionexportnode 426
propiedades de applyknnnode 353 propiedades de datacollectionimportnode 96
propiedades de applykohonennode 353 propiedades de decisionlist 248
propiedades de applylinearasnode 354 propiedades de derivenode 164
Propiedades de applylinearnode 353 Propiedades de directedwebnode 219
propiedades de applylogregnode 354 propiedades de discriminantnode 250
propiedades de applylsvmnode 354 propiedades de distinctnode 131
propiedades de applymslogisticnode 365 propiedades de distributionnode 197
propiedades de applymsneuralnetworknode 365 propiedades de ensemblenode 168
propiedades de applymsregressionnode 365 propiedades de evaluationnode 198
propiedades de applymssequenceclusternode 365 Propiedades de excelexportnode 426, 428
propiedades de applymstimeseriesnode 365 propiedades de excelimportnode 100
propiedades de applymstreenode 365 Propiedades de extensionexportnode 427
Propiedades de applynetezzabayesnode 392 Propiedades de extensionimportnode 101
Propiedades de applynetezzadectreenode 392 Propiedades de extensionmodelnode 252
Propiedades de applynetezzadivclusternode 392 Propiedades de extensionoutputnode 398
Propiedades de applynetezzakmeansnode 392 Propiedades de extensionprocessnode 133
Propiedades de applynetezzaknnnode 392 propiedades de factornode 255
Propiedades de applynetezzalineregressionnode 392 propiedades de featureselectionnode 5, 257
Propiedades de applynetezzanaivebayesnode 392 propiedades de fillernode 169
Propiedades de applynetezzapcanode 392 propiedades de filternode 170
Propiedades de applynetezzaregtreenode 392 Propiedades de fixedfilenode 103
propiedades de applyneuralnetnode 355 propiedades de flatfilenode 429
propiedades de applyneuralnetworknode 355 propiedades de genlinnode 259
propiedades de applyoraabnnode 374 Propiedades de gle 270
propiedades de applyoradecisiontreenode 374 Propiedades de glmmnode 265
propiedades de applyorakmeansnode 374 Propiedades de graphboardnode 200
propiedades de applyoranbnode 374 Propiedades de hdbscannugget 362
propiedades de applyoranmfnode 374 propiedades de histogramnode 205
propiedades de applyoraoclusternode 374 propiedades de historynode 171
propiedades de applyorasvmnode 374 propiedades de kmeansnode 278
propiedades de applyquestnode 356 propiedades de knnnode 280
propiedades de applyr 357 propiedades de kohonennode 282
propiedades de applyregressionnode 358 Propiedades de logregnode 287
propiedades de applyselflearningnode 358 propiedades de lsvmnode 293
propiedades de applysequencenode 358 Propiedades de mapvisualization 206
Propiedades de applystpnode 359 propiedades de matrixnode 401
propiedades de applysvmnode 359 propiedades de meansnode 403
Propiedades de applytcmnode 359 propiedades de mergenode 134
propiedades de applytimeseriesnode 360 propiedades de msassocnode 363
propiedades de applytreeas 360 propiedades de msbayesnode 363
Propiedades de applytwostepAS 361 propiedades de msclusternode 363
propiedades de applytwostepnode 361 propiedades de mslogisticnode 363
Propiedades de applyxgboostlinearnode 362 propiedades de msneuralnetworknode 363
Propiedades de applyxgboosttreenode 361 propiedades de msregressionnode 363
Propiedades de apriorinode 223 propiedades de mssequenceclusternode 363
Propiedades de asexport 417 propiedades de mstimeseriesnode 363
Propiedades de asimport 90 propiedades de mstreenode 363
propiedades de astimeintervalsnode 160 propiedades de multiplotnode 211
propiedades de autoclassifiernode 228 Propiedades de netezzabayesnode 375
propiedades de autonumericnode 233 Propiedades de netezzadectreenode 375
propiedades de balancenode 125 Propiedades de netezzadivclusternode 375
propiedades de bayesnet 235 Propiedades de netezzaglmnode 375
propiedades de binningnode 161 Propiedades de netezzakmeansnode 375
propiedades de buildr 237 Propiedades de netezzaknnnode 375
propiedades de c50node 237 Propiedades de netezzalineregressionnode 375

492 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

Propiedades de netezzanaivebayesnode 375 propiedades de transposenode 185
Propiedades de netezzapcanode 375 propiedades de treeas 334
Propiedades de netezzaregtreenode 375 Propiedades de twostepAS 338
Propiedades de netezzatimeseriesnode 375 propiedades de twostepnode 337
propiedades de neuralnetnode 294 propiedades de typenode 5, 187
Propiedades de neuralnetwork 297 propiedades de userinputnode 114
propiedades de nodo de agrupación en clústeres automática Propiedades de variablefilenode 115
231 Propiedades de webnode 219
Propiedades de numericpredictornode 233 propiedades de xmlexportnode 436
Propiedades de oraabnnode 368 propiedades de xmlimportnode 121
Propiedades de oraainode 368 Propiedades del nodo Cajas-Espacio-Tiempo 129
Propiedades de oraapriorinode 368 propiedades del nodo cognosimport 91
Propiedades de oradecisiontreenode 368 Propiedades del nodo gsdata_import 108
Propiedades de oraglmnode 368 Propiedades del nodo tm1import 112
Propiedades de orakmeansnode 368 Propiedades del nodo tm1odataimport 111
Propiedades de oramdlnode 368 Propiedades del nodo twcimport 113
Propiedades de oranbnode 368 propiedades eplotnode 216
Propiedades de oranmfnode 368 propiedades estructuradas 73
Propiedades de oraoclusternode 368 Propiedades gmm 441, 446
Propiedades de orasvmnode 368 Propiedades hdbscannode 442
propiedades de outputfilenode 429 propiedades isotonicasnode 459
propiedades de partitionnode 172 propiedades jsonimportnode 108
propiedades de plotnode 212 Propiedades kdeapply 362
propiedades de questnode 299 propiedades kdeexport 400, 445
propiedades de reclassifynode 173 Propiedades kdemodel 444
Propiedades de regressionnode 304 Propiedades kmeansasnode 279, 459
propiedades de reordernode 174 propiedades lineales 283
propiedades de reportnode 405 propiedades linear-AS 285
propiedades de reprojectnode 175 propiedades multilayerperceptronnode 461
propiedades de restructurenode 175 propiedades randomtrees 302
propiedades de rfmanalysisnode 176 propiedades rfmaggregatenode 136
propiedades de routputnode 406 Propiedades rfnode 450
Propiedades de Rprocessnode 138 propiedades streamingtimeseries 144
propiedades de samplenode 139 propiedades streamingts 151
propiedades de sasexportnode 430 propiedades ts 323
propiedades de sasimportnode 109 propiedades tsnenode 217, 453
propiedades de scripts de nodos propiedades xgboostasnode 461
nodos de exportación 417 Python
nodos de modelado 221 scripts 16
nuggets de modelo 341 Python, modelos
propiedades de selectnode 141 propiedades de script del nodo de mezcla gausiana 352
propiedades de sequencenode 307 propiedades de scripts de nodos 356, 361, 362
propiedades de setglobalsnode 407 Propiedades de scripts de nodos 362
propiedades de settoflagnode 178
propiedades de simevalnode 408
propiedades de simfitnode 409
R
propiedades de simgennode 109 Red neuronal de MS
propiedades de slrmnode 308 propiedades de scripts de nodos 363, 365
propiedades de sortnode 141 redes neuronales
Propiedades de spacetimeboxes 142 propiedades de scripts de nodos 297, 355
propiedades de statisticsexportnode 439 referencia a nodos
propiedades de statisticsimportnode 5, 437 buscar nodos 29
propiedades de statisticsmodelnode 438 configuración de propiedades 30
propiedades de statisticsnode 410 Regresión lineal de MS
propiedades de statisticsoutputnode 439 propiedades de scripts de nodos 363, 365
propiedades de statisticstransformnode 437 Regresión logística de MS
propiedades de stpnode 310 propiedades de scripts de nodos 363, 365
propiedades de svmnode 316 Repositorio de IBM SPSS Analytic Server Repository
propiedades de tablenode 411 argumentos de la línea de comandos 70
Propiedades de tcmnode 318 Repositorio de IBM SPSS Collaboration and Deployment
propiedades de timeintervalsnode 179 Services
propiedades de timeplotnode 215 argumentos de la línea de comandos 69
propiedades de timeseriesnode 331 scripts 51
propiedades de transformnode 414 Reproyección, nodo

Índice 493
Reproyección, nodo (continuación) sistema de coordenadas de reproyección (continuación)
propiedades 175 propiedades 175
resultados de ejecución de la secuencia, acceder SMOTE, nodo
modelo de contenido de tabla 56 propiedades 452
modelo de contenido JSON 59 smotenode, propiedades 452
modelo de contenido XML 57 supernodo 73
rutas Supernodo
bucle 6, 7 ruta 27
comando de conjunto múltiple 73 Supernodos
ejecución 27 configuración de propiedades 465
ejecución condicional 6, 10 parámetros 465
modificación 31 propiedades 465
propiedades 77 rutas 27
scripts 1, 27 scripts 1, 5, 6, 27, 465
SVM de una clase, nodo
propiedades 447
S
script V
abreviaturas utilizadas 74
bucles visuales 6, 7 variable de iteración
clave de iteración 8 bucle en scripts 9
comprobación de errores 54 variables
conceptos básicos 1, 15 scripts 16
ejecución condicional 6, 10 variables ocultas 26
nodos de resultados 395
orden de ejecución de rutas 51
propiedades comunes 76
X
scripts de herencia 472, 473, 477, 479, 480 XGBoost Linear, nodo
scripts Python 472, 473, 477, 479, 480 propiedades 455
selección de campos 10 XGBoost Tree, nodo
syntax 16, 17, 19–21, 23–26 propiedades 456
variable de iteración 9 xgboostlinearnode, propiedades 455
scripts xgboosttreenode, propiedades 456
bucle 6, 7
clave de iteración 8
compatibilidad con versiones anteriores 55
contexto 28
desde la línea de comandos 54
Diagramas 27
ejecución 12
ejecución condicional 6, 10
en Supernodos 5
guardando 1
importación desde archivos de texto 1
interfaz de usuario 1, 4, 5
interrupción 12
modelos de selección de características 5
nodos de gráficos 195
rutas 1, 27
Rutas de Supernodo 27
scripts autónomos 1, 27
Scripts de Supernodo 1, 27
selección de campos 10
variable de iteración 9
scripts autónomos 1, 4, 27
seguridad
contraseñas codificadas 54, 68
Series temporales de MS
propiedades de scripts de nodos 365
servidor
argumentos de la línea de comandos 68
sistema
argumentos de la línea de comandos 66
sistema de coordenadas de reproyección

494 Guía de automatización y scripts Python de IBM SPSS Modeler 18.3

IBM®