Serialisierung & Datenbank

Modelle lassen sich vollständig als JSON speichern und wieder laden – inkl. Seed, Simulationszahl und der ursprünglich eingegebenen Parameter. Damit sind Ergebnisse reproduzierbar.

Modell ↔ JSON

# Speichern
json_text = model.to_json()
with open('modell.json', 'w', encoding='utf-8') as f:
    f.write(json_text)

# Laden (statische Methode) – rechnet das Modell direkt durch
model = pyfair.FairModel.read_json(json_text)

to_json() speichert die ursprünglich eingegebenen Werte (nicht die intern aufgelösten), sodass ein Roundtrip die Absicht des Nutzers erhält. read_json() ruft am Ende automatisch calculate_all() auf.

Aufbau der Modell-JSON

{
    "Loss Event Frequency": { "low": 20, "mode": 90, "high": 95, "gamma": 4 },
    "Loss Magnitude":       { "mean": 100000, "stdev": 20000 },
    "name": "Beispiel-Modell",
    "n_simulations": 10000,
    "random_seed": 42,
    "model_uuid": "…",
    "creation_date": "…",
    "type": "FairModel"
}

Strukturierte Eingaben werden im selben Format mit distribution / params / confidence abgelegt. Rohdaten-Eingaben (input_raw_data) erscheinen als {"raw": [...]} und werden beim Laden über input_raw_data wiederhergestellt.

type-Feld

Das Feld type ("FairModel" bzw. "FairMetaModel") wird beim Laden geprüft. Passt der Typ nicht zur aufrufenden Klasse, wirft pyfair eine FairException.

Meta-Modell ↔ JSON

FairMetaModel serialisiert seine Komponentenmodelle mit und merkt sich mode und baseline_model:

meta_json = meta.to_json()
meta = pyfair.FairMetaModel.read_json(meta_json)

SQLite-Datenbank (FairDatabase)

FairDatabase ist ein dünner Wrapper um eine SQLite-Datei, der Modelle als JSON ablegt und über Name oder UUID lädt.

FairDatabase(path)

db = pyfair.FairDatabase('modelle.sqlite3')   # legt Tabellen bei Bedarf an

db.store(model)                 # FairModel oder FairMetaModel ablegen
geladen = db.load('Beispiel-Modell')   # per Name ODER UUID laden

# Beliebige Abfrage gegen die Ablage:
rows = db.query('SELECT uuid, name, creation_date FROM models')

Intern gibt es zwei Tabellen: models (uuid, name, creation_date, json) und results (uuid, mean, stdev, min, max) für schnelle Kennzahlabfragen.

fair-web vs. FairDatabase

fair-web nutzt nicht FairDatabase, sondern speichert Szenarien und Läufe in seiner eigenen Django-Datenbank (MariaDB/SQLite). FairDatabase ist die Variante für die reine Skript-/Bibliotheksnutzung von pyfair.

Modellvarianten erzeugen (FairModelFactory)

Für Sensitivitätsbetrachtungen erzeugt FairModelFactory mehrere Modelle, die sich nur in wenigen Faktoren unterscheiden. Gemeinsame Faktoren werden einmal als static_arguments festgelegt, die Variationen je Modell ergänzt:

factory = pyfair.FairModelFactory(
    static_arguments={'Loss Magnitude': {'constant': 50_000}},
    n_simulations=10_000,
)

# Ein Modell aus einer Variation:
m = factory.generate_from_partial(
    'Hohe Frequenz',
    {'Loss Event Frequency': {'low': 50, 'mode': 100, 'high': 200}},
)

# Mehrere Modelle auf einmal (Name -> Variation):
modelle = factory.generate_from_partials({
    'Niedrig': {'Loss Event Frequency': {'constant': 5}},
    'Hoch':    {'Loss Event Frequency': {'constant': 50}},
})