معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A python package for removing outliers from a dataset using InterQuartile Range (IQR)

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	101703312-outlierRemoval-1.0.0
نام	101703312-outlierRemoval
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Lovish Jindal
ایمیل نویسنده	ljindal1_be17@thapar.edu
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/101703312-outlierRemoval/
مجوز	-

# Outlier Removal Using InterQuartile Range **Project 2 : UCS633** Submitted By: **Lovish Jindal 101703312** *** pypi: <https://pypi.org/project/101703312_outlierRemoval/> *** ## InterQuartile Range (IQR) Description Any set of data can be described by its five-number summary. These five numbers, which give you the information you need to find patterns and outliers, consist of: The minimum or lowest value of the dataset. The first quartile Q1, which represents a quarter of the way through the list of all data. The median of the data set, which represents the midpoint of the whole list of data. The third quartile Q3, which represents three-quarters of the way through the list of all data. The maximum or highest value of the data set. These five numbers tell a person more about their data than looking at the numbers all at once could, or at least make this much easier. ## Calculation of IQR IQR = Q3 – Q1 MIN = Q1 - (1.5*IQR) MAX = Q3 + (1.5*IQR) ## Installation Use the package manager [pip](https://pip.pypa.io/en/stable/) to install 101703312_outlierRemoval. ```bash pip install 101703312_outlierRemoval ``` ## How to use this package: 101703312_outlierRemoval can be run as shown below: ### In Command Prompt ``` >> outlierRemoval dataset.csv ``` ## Sample dataset Marks | Students :------------: | :-------------: 3 | Student1 57 | Student2 65 | Student3 98 | Student4 43 | Student5 44 | Student6 54 | Student7 99 | Student8 1 | Student9 ## Output Dataset after Removal Marks | Students :------------: | :-------------: 57 | Student2 65 | Student3 98 | Student4 43 | Student5 44 | Student6 54 | Student7 It is clearly visible that the rows containing Student1, Student8 and Student9 have been removed due to them being Outliers. ## License [MIT](https://choosealicense.com/licenses/mit/)

نیازمندی

مقدار	نام
-	requests

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl 101703312-outlierRemoval-1.0.0:

pip install 101703312-outlierRemoval-1.0.0.whl

نصب پکیج tar.gz 101703312-outlierRemoval-1.0.0:

pip install 101703312-outlierRemoval-1.0.0.tar.gz