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

Tool for quickly creating a composition-based feature vector

ویژگی	مقدار
سیستم عامل	-
نام فایل	CBFV-1.1.0
نام	CBFV
نسخه کتابخانه	1.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Steven Kauwe, Andrew Falkowski, Anthony Wang
ایمیل نویسنده	jkkauwe@gmail.com
آدرس صفحه اصلی	https://github.com/kaaiian/CBFV
آدرس اینترنتی	https://pypi.org/project/CBFV/
مجوز	-

# CBFV Package Tool to quickly create a composition-based feature vectors from materials datafiles. # Installation The source code is currently hosted on GitHub at: https://github.com/kaaiian/CBFV Binary installers for the latest released version are available at the <a href="https://pypi.org/project/cbfv/">Python Package Index (PyPI)</a> ``` # PyPI pip install CBFV ``` ## Making the composition-based feature vector The CBFV package assumes your data is stored in a pandas dataframe of the following structure: formula | target ---|--- Tc1V1 | 248.539 Cu1Dy1 | 66.8444 Cd3N2 | 91.5034 To featurize this data, the `generate_features` function can be called as follows: ``` from CBFV import composition X, y, formulae, skipped = composition.generate_features(df) ``` ## Extended Functionality The featurization scheme can be adjusted by calling the the `elem_prop` parameter. The following featurization schemes are included within CBFV: - jarvis - magpie - mat2vec - oliynyk (default) - onehot - random_200 Duplicate formula handeling is controlled by the `drop_duplicates` parameter. It is set to `False` by default to preserve datapoints containing variation outside of their formula. For example, heat capacity measurements performed for the same material at different temperatures. The `extend_features` parameter is used to specify whether columns outside of `['formula', 'target']` should be considered during featurization. It is set to `False` by default to exclude nuisance information from consideration. Setting `extend_features=True` would allow additional information (i.e. `['temperature', 'pressure']`) to be preserved. The `sum_feat` parameter specifies whether to calculate the sum features when generating the CBFVs for the chemical formulae. It is set to `False` by default. Calling `generate_features` with these parameters can be implemented as follows: formula | target | temp ---|---|--- Tc1V1 | 248.539 | 373 Tc1V1 | 66.8444 | 473 Cd3N2 | 91.5034 | 273 ``` from CBFV import composition X, y, formulae, skipped = composition.generate_features(df, elem_prop='magpie', drop_duplicates=False, extend_features=True, sum_feat=True) ```

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	tqdm
-	pytest

نحوه نصب

نصب پکیج whl CBFV-1.1.0:

pip install CBFV-1.1.0.whl

نصب پکیج tar.gz CBFV-1.1.0:

pip install CBFV-1.1.0.tar.gz