README update -- TD version

README.md

@@ -1,41 +1,44 @@
-#### Análise crimininalidade e violência com modelos baseados em agentes -- ABMs
+# VIDA: Simulando VIolência DomésticA em Tempos de Quarentena
+
+**Lígia Mori Madeira**
+
+**Bernardo Alves Furtado**
+
+**Alan Rafael Dill**
 
 "Traditionally, researchers have employed statistical methods to model crime. However, these approaches
 are limited by being unable to model individual actions and behaviour. ... [a model should] attempt to model
 the occurrence of crimes and motivations behind it. ... **explore the potential of the model to realistically
 simulate the main processes and drivers within this system**." (Malleson, Heppenstall, See, 2009).  
 
-We developed the model on top of [https://github.com/projectmesa/mesa] mesa wolf_sheep example
+We developed the model on top of [https://github.com/projectmesa/mesa] mesa.
 We thank Jackie Kazil, David Massa and all the contributors of the mesa project. 
 
-**Lígia Mori Madeira**
+# [VIDA video explicativo -- 4 minutos](https://www.youtube.com/watch?v=14r831iPbbM&feature=youtu.be])  
 
-**Bernardo Alves Furtado**
-
-**Alan Rafael Dill**
+## Objetivos
 
-We are considering two models (see the other one at github.com/bafurtado/armas): 
+1. Ilustrar –- por meio de um **Modelo Baseado em Agentes** -– situações de violência doméstica
+antes e depois da pandemia, reproduzindo os principais achados da literatura
 
-### 1. Home violence model
+2. Contribuir com o entendimento dos fatores preponderantes e a adequação de medidas
+de dissuasão
 
-An exploratory **stay-at-home-COVID-increased-violence** model. *Under construction*
+3. ... empiricamente considerando as
+diversidades das RMs brasileiras.
 
-See folder `home_violence`
+## Resultados
 
-1. A partir de um indicador de **stress** dos agentes, baseados em fatores tais como: gênero, histórico de agressões
-salário, horas em casa e número de membros na família; maior probabilidade de agressão.
-2. Entidades: pessoas (adultos, crianças, famílias)
-3. Alterações nos estados: trabalha/não trabalho, salário (0, 1), número de horas em casa
-4. Perguntas: 
+![Baseline](prt.png)
 
-4.1 Em que medida o aumento do número de dias em casa aumenta a violência doméstica e os feminicídios?
+![Comparação entre metrópoles](text/metropolis.png)
 
-4.2 Em que medida o não acesso à rede de proteção amplia a violência doméstica e os feminicídios?
+![Intrametropolitano -- Porto Alegre](text/Attacks_poa2.png)
 
-![Influential factors](violence/table.png)
+![Intrametropolitano -- Brasília](text/BSB_attacks2.png)
 
-### To run the models:
-#### Para rodar os modelos, desde a instalação inicial
+# To run the model:
+## Instalação inicial
 
 1. Preferencialmente, download e instale Python, via [https://www.anaconda.com/distribution] conda. 
 No mínimo, tenha Pyton3 instalado
@@ -48,7 +51,7 @@ clone esse repositório:
     1. `git clone https://github.com/BAFurtado/home_violence.git`  
     2. `pip install mesa`
 
-#### To actually run
+## Para rodar o modelo
 5. Utilize o comando `cd` para que o Terminal esteja no diretorio correto: 
     1. `cd home_violence`
     2. Type `mesa runserver` e pronto. Se tudo foi instalado, o browser se abrirá automaticamente. 

violence/generalization.py

@@ -36,6 +36,7 @@ def main(parameters, iterations=50, max_steps=None):
         "Females": lambda m: m.count_type_citizens(m, 'female'),
         "Stress": lambda m: m.count_stress(m)}
     if not max_steps:
+        print('running_here')
         batch_run = BatchRunner(model.Home, variable_parameters=parameters, max_steps=10, iterations=iterations,
                                 model_reporters=model_reporters)
     else:
@@ -69,22 +70,22 @@ def main2(iterates=200, dissuasion=True, quarantine=False):
     # dfqf = main2(dissuasion=False, quarantine=False)
     # dfqt = main2(dissuasion=False, quarantine=True)
     # dtqf = main2(dissuasion=True, quarantine=False)
-    dtqt = main2(dissuasion=True, quarantine=True)
+    # dtqt = main2(dissuasion=True, quarantine=True)
 
-    # iterates = 200
+    iterates = 3
     # subdivisions = 8
 
     # params = {'gender_stress': np.linspace(.1, .9, subdivisions)}
     # params = {'under_influence': np.linspace(.01, .5, subdivisions)}
     # params = {'has_gun': np.linspace(.1, .9, subdivisions)}
     # params = {'is_working_pct': np.linspace(.1, .9, subdivisions)}
     # params = {'chance_changing_working_status': np.linspace(.01, .5, subdivisions)}
-
+    params = {'quarantine': [True, False], 'dissuasion': [True, False]}
     # params = {'pct_change_wage': np.linspace(.01, .5, subdivisions)}
     # params = {'metro': metropolis}
     # # Max steps
 
     #
     # print([self.schedule.time, self.schedule.get_breed_count(Person)])
-    # df = main(params, iterations=iterates)
-    # df.to_csv(f'output/output_{iterates}_BRASILIA_TFTF_{params.keys()}.csv', sep=';', index=False)
+    df = main(params, iterations=iterates)
+    df.to_csv(f'output/output_{iterates}_BRASILIA_TFTF_{params.keys()}.csv', sep=';', index=False)